Metaspectral公司联合创始人兼CTO Migel Tissera表示,技术在提高农业可持续性方面正发挥着重要作用。
Tissera解释称,“体力劳动的自动化转型就是典型例子,此外先进光谱分析等技术对于精准农业的促进作用也非常值得探索。只要利用深度学习对包含完整电磁频谱信息的光谱数据进行分析,就有望识别出图像内显现的各种物质成分。”
Tissera提到,利用这些数据可以建立起关于温室气体绘图、量化碳固存、测量叶绿素水平、检测作物病害和测量土壤水分含量的环境模型。“如此一来,农民就可以在自己的农场中采取更有针对性的本地化操作,例如判断在哪里施放氮、磷或钾肥以产生最佳效果。”
“凭借着良好的可扩展性,还可以将卫星预测端发回的数据纳入分析。如此一来,我们就能考察大片土地,配合并补充无人机等空中平台,让数据的本地化属性进一步增强。”
Tissera还提到,利用来自高空的预测数据,他们能够建立起覆盖范围极广的模型,真正获得观察耕地的“上帝视角”。
“这使得跨越各省甚至国家建立温室气体模型成为可能。基于这种广泛且全面的视角,我们才有望在国家层面制定政策和立法。”
但Tissera也承认,这些先进技术的部署还面临一些财务障碍。
“虽然新兴技术带来的成本最终会随时间推移而有所下降,但在我看来,通过税收解决不足才是最好的办法。我们希望能为愿意采用新技术的农民提供税收减免,鼓励他们选择更具可持续性的耕作方式。”
Pitchbook于2021年12月发布的新兴技术研究表明,全球农业科技初创企业在整个2021年第三季度共筹集到32亿美元。报告也具体分析了投资增加的原因,包括对于全球供应链中断期间粮食安全问题的担忧、数据驱动的作物生产力提升,还有对环境友好型农业技术的重视。风险投资目前主要集中在农业生物制品上,例如合成肥料的环保型替代品,同时对现场传感器和无人机高光谱成像等新兴技术也有渗透。
AI驱动型机器人
Robovision公司创始人兼前CEO Jonathan Berte表示,社会对于农业的期望越来越高。人们希望农业能养活更多人口、降低对环境的负面影响、带来更高的农产品质量,并确保价格继续保持稳定。
Berte指出,“更令人头痛的是,劳动力短缺目前已经成为一种结构性现象。因此农民和种植业者必须以新的方式工作以保持盈利,借此适应各国、特别是发达国家根据种种新期望而出台的严格监管政策。例如,为了满足群众对于健康蔬菜的需求,农业将逐渐告别污染性农药,未来可能会大规模部署AI驱动型除草机器人。”
Berte还提到,他希望在未来十年内,看到以AI驱动型机器人技术为代表的一波新自动化浪潮。
“我们预计,园艺将在这波潮流中一马当先,紧随其后的则是户外农业。随着除草和农作物养育等领域的初步实践,机器人将在未来几年内发展成新的常态。我们还希望看到AI支持的农场管理系统可以实现微观决策,让每株作物都能获得最适合生长的水分或养料供应。”
Berte认为,AI将在可持续农业的实现中发挥关键作用。“智能机械将帮助我们在维持产量稳定的同时,减少农药、水资源和土地的消耗量。此外,它还能让我们在更靠近消费者的区域内种植所需食物。”
“最终,将由AI驱动型机器人帮助我们处理畜牧业和种植业工作。随着时间推移,AI驱动型农场管理系统也将加入进入、对各个工作面上的自动化设备进行统筹和引导。”
Berte认为,食品加工企业和零售商未来将与农场管理系统直接交互,由AI系统完美匹配消费者需求与农民供应,借此减少浪费并优化产出质量。
“因此从许多方面来讲,AI系统都将成为农业和食品生态在应对重大社会挑战时,所必需的核心支撑性技术。”
游戏化ESG平台
Actual公司联合创始人兼CTO Derek Lyons表示,如今围绕环境、可持续性和治理(ESG)问题的讨论所在多有,“但净零承诺与实际行动之间的差距仍然非常明显。”
该公司为此建立了一套ESG平台,用于评估风险、识别碳排放热点并展示可再生农业实践等,借此助力实现净零排放目标。
该平台的呈现方式类似于经典电脑游戏《模拟城市》,其中包含大量游戏化元素,提供生动的3D建模选项和基于卫星的精确项目渲染图,专为ESG行动提供可视化和交互性支持。
Lyons表示,他们的ESG工具的关注重点并不在于数据的收集、监控和核算,而是帮助农场将可持续发展目标转化为具体计划,用行动协助节能减排。“我们在帮助农场将最新科学成果,切实转化为看得见、摸得着的实地变化。”
该公司还与新西兰美利奴公司的可再生羊毛平台合作,希望能在新西兰国内超350万英亩面积上的600个羊毛牧场,一步步成功达成净零排放羊毛生产目标。
Lyons解释称,“我们与该公司合作,为每一英亩牧场设计具体的减排计划,有望将其碳排放量降低近70%。由此带来的整体减排效果,相当于把旧金山的所有燃油汽车全部替换为电动汽车。”
Lyons最后总结称,“这些农场在为Allbirds、VF Corporation及Loro Piana等全球知名时尚品牌提供最优质的羊毛材料。在我们的协助下,各农场已经逐渐找到了一条规模庞大、可持续效果极佳的天然毛料生产道路。”
好文章,需要你的鼓励
这项研究介绍了一种名为FlowPathAgent的神经符号代理系统,用于解决流程图归因问题。研究团队提出了流程图精细归因这一新任务,构建了FlowExplainBench评估基准,并开发了结合视觉分割、符号图构建和基于代理的图形推理的方法。实验表明,该方法在归因准确性上比现有基线提高了10-14%,特别在处理复杂流程图时表现出色,为提升人工智能系统在处理结构化视觉-文本信息时的可靠性和可解释性提供了新途径。
这项研究首次从神经元层面揭示了大型语言模型(LLM)评估中的"数据污染"机制。研究团队发现当模型在训练中接触过测试数据时,会形成特定的"捷径神经元",使模型无需真正理解问题就能给出正确答案。他们提出了一种新方法,通过识别并抑制这些神经元(仅占模型总神经元的约1%),成功恢复了模型的真实能力表现。实验证明,该方法与权威可信基准测试结果高度一致(相关系数>0.95),并在不同基准和参数设置下都表现出色,为解决LLM评估可信度问题提供了低成本且有效的解决方案。
这份来自向量研究所、康奈尔大学和格罗宁根大学研究团队的综述分析了基于大语言模型的代理型多智能体系统中的信任、风险和安全管理框架(TRiSM)。研究系统地探讨了代理型AI从概念基础到安全挑战,提出了包含治理、可解释性、模型运营和隐私/安全四大支柱的TRiSM框架。文章还详细分析了威胁向量、风险分类,并通过真实案例研究展示了潜在脆弱性。
这项研究提出了一种名为ConfiG的创新方法,通过生成针对性的数据增强样本来解决知识蒸馏中的协变量偏移问题。研究团队利用教师模型和学生模型之间的预测差异,引导扩散模型生成那些能挑战学生模型的样本,从而减少模型对训练数据中欺骗性特征的依赖。实验表明,该方法在CelebA、SpuCo Birds和Spurious ImageNet数据集上显著提升了模型在缺失组别上的性能,为资源受限环境下的AI应用提供了实用解决方案。