至顶网软件频道消息: 大家认为人工智能是否可以优化食物系统?从精准耕作到个性化营养,在农业、食品生产和食品消费方面有许多潜在的技术应用。但是,技术性能、用户的接受程度以及该技术的实际应用仍然构成挑战。Chiara Cecchini调查了这一细分领域的主要挑战和机遇,探索如何利用人造大脑的使用来确保健康生活并促进幸福。
斯坦福大学发起的"人工智能百年研究"表明,人工神经网络现在可以通过大数据集和大规模计算(深度学习)进行训练,从而推动数据驱动型解决方案的发展,进而改善决策。此外,人工神经网络是受生物脑神经网络启发而来的计算系统。人类的选择是基于有限的知识,这种做法增加了风险而且效率低下。人工智能提供了机会,可以针对复杂任务模仿人类的认知能力,通过这些人工神经元网络,有可能能够降低风险并增强积极的成果。
农业、健康和营养早就已经在政治和社会两个层面上都占据了不同的领域。现在,人们普遍认识到,在全球范围内,最重要的任务之一是提供在数量和质量上都充足的食物,以可持续的方式养育不断增长的世界人口。世界经济论坛(World Economic Forum)认为,为了做到这一点,迫切需要促进"更为智慧的农业增长。"
安装在农场、田野或者运输途中的传感器生成的数据提供了前所未有丰富的信息。因此,将人工智能应用于农业有可能会优化并提高产量,改善农业规划,优化资源并极大地防止浪费。据估计,到2020年,将有超过7500万台农用连接设备投入使用,而到2050年,每个农场预计平均每天会产生410万个数据点。
在养殖业中有几个例子:从精准除草和采摘到疾病识别,人工智能有可能为耕作系统开拓出新的情景。
康奈尔大学的一组研究人员最近发表了一项研究,解释他们如何建立并训练一个神经网络,该神经网络能够以98%的准确率鉴别木薯叶片上的褐斑病。CAMP3部署和管理无线传感器网络,该网络被用于收集田间图像,并在早期自动发现病虫害。
为了进行精准的除草和采摘,Abundant Robotics最近筹集了1000万美元用于建造一个能够采摘合适苹果的机器人。另一个例子是Vision Robotics,这家圣地亚哥的公司开发的机器人能够在果园中移动并采摘橘子。这些类型的解决方案也许可以为农民节省数百万美元的劳动力成本和水果损坏成本,每年减少13亿吨的粮食损失(约折合7500亿美元)。
人工智能也有积极影响土壤健康的潜力。每一汤匙的土壤中含有数以百万计的微生物,为植物形成一个生态系统,Trace Genomics等公司能够从土壤中提取DNA,分析其微生物群落,并基于人工智能提供建议,以最大限度地提高土壤的健康程度和作物产量。
全球粮食安全是人类面临的最紧迫的问题之一,农业生产对实现这一目标至关重要。植物和动物疾病、环境退化和气候变化都是影响全球人口的迫切问题。现在那些从事人工智能和机器学习的人都希望能够塑造一场新的绿色革命:我们越早开始研究它,我们所有的人就会从中获得越大的价值。
好文章,需要你的鼓励
Docker公司通过增强的compose框架和新基础设施工具,将自己定位为AI智能体开发的核心编排平台。该平台在compose规范中新增"models"元素,允许开发者在同一YAML文件中定义AI智能体、大语言模型和工具。支持LangGraph、CrewAI等多个AI框架,提供Docker Offload服务访问NVIDIA L4 GPU,并与谷歌云、微软Azure建立合作。通过MCP网关提供企业级安全隔离,解决了企业AI项目从概念验证到生产部署的断层问题。
中科院联合字节跳动开发全新AI评测基准TreeBench,揭示当前最先进模型在复杂视觉推理上的重大缺陷。即使OpenAI o3也仅获得54.87%分数。研究团队同时提出TreeVGR训练方法,通过要求AI同时给出答案和精确定位,实现真正可追溯的视觉推理,为构建更透明可信的AI系统开辟新路径。
马斯克的AI女友"Ani"引爆全球,腾讯RLVER框架突破情感理解边界:AI下半场竞争核心已转向对人性的精准把握。当技术学会共情,虚拟陪伴不再停留于脚本应答,而是通过"心与心的循环"真正理解人类孤独——这背后是强化学习算法与思考模式的化学反应,让AI从解决问题转向拥抱情感。
PyVision是上海AI实验室开发的革命性视觉推理框架,让AI系统能够根据具体问题动态创造Python工具,而非依赖预设工具集。通过多轮交互机制,PyVision在多项基准测试中实现显著性能提升,其中在符号视觉任务上提升达31.1%。该框架展现了从"工具使用者"到"工具创造者"的AI能力跃迁,为通用人工智能的发展开辟了新路径。