2021年发表在皇家学会《开放科学》杂志上的一项研究,详细介绍了蜜蜂如何发出聚集信号,集体防御亚洲黄蜂的袭击。研究指出,这种之前未被发现的信号被称为“反捕食者尖啸”。研究发现,这种尖啸与灵长类动物、鸟类和猫鼬发出的警报性尖叫、恐怖尖叫和恐慌尖叫具有相同的声学特征。
2021年,《纽约时报》报道称亚洲黄蜂每14秒就能杀死一只蜜蜂。2020年10月,华盛顿州农业部的昆虫学家在当地布莱恩市发现了亚洲黄蜂巢,这也是该物种首度现身美国。
根据本地蜂群保护组织Pollenize联合创始人Mathew Elmes的介绍,自2003年被引入美国以来,亚洲黄蜂已经成为蜜蜂的生存威胁。Elmes在采访邮件中表示,“亚洲黄蜂已经在欧洲「殖民」达20年,DNA分析技术将其来源追溯至2003年波尔多地区的两只蜂后。”
2023年4月,英国第二次发现亚洲黄蜂,当地蜜蜂种群受到进一步威胁。

蜜蜂与普通黄蜂和亚洲黄蜂的体形对比。
Elmes表示,“必须摧毁所有黄蜂巢穴,因为黄蜂是一种以蜜蜂及其他授粉动物为目标的入侵特种。亚洲黄蜂正令蜜蜂数量大量减少,摧毁其巢穴将显著改善本地蜜蜂的生存环境。”
Pollenize是一家英国社会企业,致力于通过援助蜜蜂、飞蛾和蝴蝶等授粉动物建立更健康的地球生态系统。Pollenize与科技企业和相关机构合作开发出跟踪和改善生物多样性的新方法,以便恢复区域内昆虫种群、重现环境活力。
Elmes表示,“打击亚洲黄蜂,与改善授粉动物生存条件属于一体两面的同等大事。”
利用人工智能(AI)和计算机视觉技术,Pollenize正与计算机视觉技术厂商Encord合作开发一种能够检测亚洲黄蜂的原型设备。“该设备正在研发阶段,正在通过收集亚洲黄蜂图像以重新训练现有计算机视觉模型。”
Elmes还提到,这类亚洲黄蜂检测设备能够追踪符合特征的黄蜂目标,之后通知地方当局找到并摧毁其巢穴,从而拯救英国本土蜜蜂种群。
该设备采用方盒外观设计,盒内装有一个小型黄蜂引诱剂储存匣。设备上还配备AI摄像头,使用Encord的数据注释工具来识别亚洲黄蜂。当有黄蜂落在引诱物上后,上方的AI摄像头就能开始观察,通过计算机视觉模型来确定目标属于普通黄蜂、亚洲黄蜂还是欧洲黄蜂。
Elmes解释道,“如果AI系统检测到亚洲黄蜂,就会向Pollenize发送警报,由后者联系政府当局。接下来,当局会在目标身上贴附无线电标记,追踪它的归巢路线并将老窝一举捣毁。”
Encord公司联合创始人兼CEO Eric Landau表示,亚洲黄蜂已经对蜜蜂和其他授粉动物构成重大威胁。
“虽然它们还没有在英国全面普及,但已经开始穿越国境线。为了防止它们在英国落地生根、保护授粉动物种群,必须准确识别出亚洲黄蜂并跟踪到它们的巢穴位置。”
Landau提到,通过为Pollenize项目提供计算机视觉工具,整个识别和跟踪过程将更具效率、节约时间。“使用我们的计算机视觉工具,Pollenize团队可以快速标注4500张不同类型的授粉动物和黄蜂图像。”
“我们的计算机视觉技术能够通过摄像头加图像处理算法自动检测并跟踪亚洲黄蜂,帮助Pollenize识别、跟踪并最终摧毁黄蜂巢穴。”
Landau还提到,计算机视觉也能为求助濒危野生动物开辟新的可能性。
“亚洲黄蜂检测设备中应用的计算机视觉技术,反过来也有助于缓解威胁并改善授粉动物的生命周期和种群规模。它还能用于种群监测,例如跟踪濒危物种的数量变化。基于这项技术,人们可以确定哪些种群正在萎缩、哪些种群的规模保持稳定。”
再有,栖息地监测也是计算机视觉服务于野生动物的重要用例。
“Pollenize使用Encord的计算机视觉工具来确定林间植物的多样性。该工具帮助Pollenize判断花朵数量,从而确定当地的花蜜供应情况。”
“计算机视觉也能检测野生动物种群中的疾病。通过分析动物图像,野生动物组织可以识别疾病迹象,并采取必要措施来防止疾病传播。”
Landau认为,计算机视觉技术在项目中的应用将更加多元、更加广泛。他还援引了高级监控系统等用例,包括利用配备计算机视觉技术的无人机实时测量大面积区域,高效识别授粉动物种群。
Landau补充称,“随着时间推移,未来的AI和机器学习将更加先进。届时计算机视觉系统也将更准确和高效,也许会有更高效的授粉动物保护策略由此出现。”
除了应对亚洲黄蜂的设备之外,Encord还帮助Pollenize确定了英国本土花草种类的多样性和花朵数量,判断出产的花蜜是否能够支持授粉动物生存。
Elmes强调,“Pollenize正使用Encord平台开发边缘算法,该算法能够确定896种大型蛾类间的差异。通过研究这些飞蛾,Pollenize即可确定授粉动物所在区域的生态健康度。”
至于下一步目标,Pollenize希望利用计算机视觉加AI技术破解蜜蜂的“8字舞”信号之谜。
好文章,需要你的鼓励
很多人担心被AI取代,陷入无意义感。按照杨元庆的思路,其实无论是模型的打造者,还是模型的使用者,都不该把AI放在人的对立面。
MIT研究团队提出递归语言模型(RLM),通过将长文本存储在外部编程环境中,让AI能够编写代码来探索和分解文本,并递归调用自身处理子任务。该方法成功处理了比传统模型大两个数量级的文本长度,在多项长文本任务上显著优于现有方法,同时保持了相当的成本效率,为AI处理超长文本提供了全新解决方案。
谷歌宣布对Gmail进行重大升级,全面集成Gemini AI功能,将其转变为"个人主动式收件箱助手"。新功能包括AI收件箱视图,可按优先级自动分组邮件;"帮我快速了解"功能提供邮件活动摘要;扩展"帮我写邮件"工具至所有用户;支持复杂问题查询如"我的航班何时降落"。部分功能免费提供,高级功能需付费订阅。谷歌强调用户数据安全,邮件内容不会用于训练公共AI模型。
华为研究团队推出SWE-Lego框架,通过混合数据集、改进监督学习和测试时扩展三大创新,让8B参数AI模型在代码自动修复任务上击败32B对手。该系统在SWE-bench Verified测试中达到42.2%成功率,加上扩展技术后提升至49.6%,证明了精巧方法设计胜过简单规模扩展的技术理念。