至顶网软件频道消息:在短短30年的时间内,人们预测我们这个星球上的人口将接近100亿。
生产足够多的食物来喂饱这些饥饿的嘴巴将是一项挑战,而城市化等人口趋势,特别是发展中国家的人口趋势,只会加剧这一问题。
为了应对这一挑战,农业企业将希望寄托在技术上,并认为日益复杂的数据和分析工具将有助于提高效率并减少农业和粮食生产中的浪费。
引领潮流的是John Deere——这家拥有180年历史的农业和工业机械制造商,在过去的十年里,一直致力于人工智能(AI)和数据驱动业务。我在此之前曾经报道过John Deere。
在2013年开启这段旅程之前,它公布了Farm Forward的愿景——展示了“自动化农场”的概念,机器将从中央控制中心远程管理。它显示了一个农民实时监控数据点并从家中的控制台管理机器,而人工智能则负责实时的运营决策。
现在它已经发布了它所谓的2.0版本的愿景——代表了向学习和实际应用智能化、自主学习技术的飞跃,这是从数字化转型早期以来实现的。
我与John Deere智能解决方案集团(ISG)的高级副总裁John Stone谈到了自从这次旅程开始以来所学到的知识,以及它如何推动其对农业未来的最新愿景。
Stone告诉我:“现在我们非常注重人工智能、计算机视觉和机器学习……令人惊奇的是,所有这些技术都是如此适合农业使用。”
“很明显,我们需要成为这些技术的先锋——通过它们,可以为农民带来很多经济上的好处,提高盈利能力,而且可以具有更好的可持续性。”
不过,向农民推销这种愿景是不是会很困难?毕竟,对农民的共同刻板印象认为他们可算不上是处于技术前沿的人。
Stone表示:“这可能不是刻板印象,但农民是一群精通科技的人。”
“我们所有人都知道这些新技术很容易上瘾,一旦他们使用它们,他们就真的很喜欢它们。”
“当我们告诉他们根据Blue River的测试结果,他们可以将喷洒田地里的除草剂减少80%-90%……这可是实实在在的口袋里的钱。这样进入植物的除草剂更少,而这些植物最终将成为我们的食物。农民是商人,他们正在寻求这种精准农业技术的商业成果。”
Blue River是由Deere于2017年收购的硅谷机器学习初创公司,它为这家跨国巨头进军人工智能提供了基础,尤其是他们在计算机视觉方面的专业知识,证明了自己是一项非常宝贵的资产。
计算机视觉本质上是教授计算机“看”的科学——解释摄像头捕获的图像,以了解它们所展示的内容,并根据了解到的内容实现自主决策。
Stone说:“农民多年来一直是农场主要的‘传感器’——而农业的大部分的内容都是视觉上的。”
“这就是地面看起来的样子,你通过植物的样子判断出它的健康状况吗?叶子很漂亮而茂盛还是正在变黄?有虫子吗?”
“通过深度学习革命为农民多年来梦想解决的问题打开了希望的大门……通过计算机视觉系统和深度神经网络,这些技术在农场中有着非常令人兴奋的未来。”
Blue River技术的一个应用是开发Deere的See and Spray杀虫剂和除草剂分配系统。这涉及使用由计算机视觉支持的智能摄像头,当机器通过现场时,能够区分健康和不健康的作物。传统上,是否对作物使用化学品的决定是以地块为基础做出的,该系统允许农民有针对性地将化学品精确投放到需要它们的地方,可以精确地针对每株植物做出决定——因此可以实现上面提到的节省80%除草剂的结果。
在收购Blue River之前,Stone于2016年开始在ISG任职,这意味着他从一开始就监督了这家工业巨头与人工智能新贵之间的合作关系。
“如果你看看有多少大型工业企业成功收购并与硅谷的初创企业联手,我猜并不是那么多 ——我们的开局非常棒。”
作为两家公司文化融合并相互学习的证据,他表示,在收购之后,Blue River的90名员工里,只有一人辞职。
“团队的文化非常出色——一些最好的深度学习和机器学习科学家……以及全栈软件程序员……他们恰好对农业具有如此巨大的影响力。他们希望在重要的应用中实践他们的技术 ——而不仅仅是在研究论文里打转。”
虽然See and Spray系统还没有为商业部署做好准备,但John Deere还拥有其他机器和深度学习系统,这些系统已经交到了全球数千名农民手中。
其中之一是Combine Advisor系统。这也是一个围绕着计算机视觉构建的系统,涉及使用安装在联合收割机上的摄像头,并在联合收割机处理过程中,通过视频图像监视谷物的状况。
深度神经网络被用于分析谷物的质量,并在谷物受损时即时调整机器的运行参数。更多的摄像头监控收割作业时从收割机后部喷出的碎屑——秸秆、树叶和玉米棒,这些碎屑将成为田地的肥料。这些摄像头会检查没有任何谷物被弹出——目的是确保零浪费。
Deere保持人工智能和农业领先战略的另一个关键部分是JD Labs的“初创公司合作者”。这使得它能够与初创企业紧密合作,这些敏捷的小型企业能够以John Deere的巨大规模可能无法实现的方式开发和试用创新技术。
Stone表示:“这是一个非常酷的计划,它可以帮助我们继续与一个真正令人兴奋的社区保持联系。”他表示:“我们提供一些指导和农业、农艺领域的专业知识,而他们有机会继续研究他们的技术并改进它,我们会看到最终会发生什么。”
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。