至顶网CIO与CTO频道 07月23日 编译:去年,Oracle与世界蜜蜂项目(WBP)建立了合作伙伴关系,利用云技术更好地了解全球蜜蜂数量的下降。最初的目标是制定创新战略,帮助农民管理蜜蜂和传粉昆虫的栖息地。
Oracle高级产品总监Jay Chugh对我表示:“今天的蜜蜂种群数量正在以非常快的速度下降,这是由人为干预和在作物中使用化肥造成的。出于许多原因,这是有害的。例如,我们吃的所有食物中约有77%取决于授粉。这相当于全球每年约5770亿美元的粮食产量。此外,14亿农民的生计依赖传粉媒介。”
为了理解全球蜂群随着时间的推移一直在下降的原因,Oracle与世界蜜蜂项目(WBP)合作推出了“World Bee Project Hive Network”。蜂巢网络(Hive Network)通过配备了物联网传感器的互连蜂箱远程收集数据。然后将数据输入Oracle云,该云使用包括人工智能(AI)和数据可视化等分析工具,为研究人员提供蜜蜂与其环境之间关系的新见解。
蜂巢网络(Hive Network)已经为总共30个地点提供资金,并在英国爱丁堡、雷丁、伦敦和切尔西物理园和以色列等地铺开。该项目的目标是通过物联网传感器将5亿农民连接起来,最近还开始采用区块链技术。
可持续蜂蜜区块链
Oracle也是福布斯50强企业区块链公司,该公司本月宣布利用其区块链平台确保从可持续来源生产蜂蜜。Oracle将使用其区块链框架与Hive网络相结合,开发一个“BeeMark”标签,以显示蜂蜜的可持续生产。
Oracle云计算和创新副总裁John Abel告诉我:“‘BeeMark’标签是我们用来捕捉声音、湿度、温度、蜂箱重量等的监视器。一旦捕获到这些数据,它将被放置在区块链上,以显示蜂蜜未被更改或损坏。虽然仍处于试验阶段,但消费者可以进入零售商并扫描BeeMark标签上的二维码来验证蜂蜜来自特定来源。”
与IBM的Food Trust Network一样,Oracle的区块链平台由Hyperledger Fabric提供支持。不过IBM Food Trust是由沃尔玛和多尔等众多大型零售商组成,而Oracle目前只与非营利组织世界蜜蜂项目(WBP)合作。
Abel解释说:“我们在很多方面与IBM Food Trust不同。例如,目前我们只与世界蜂项目合作追踪可持续蜂蜜。但是,在未来,我们计划扩大这一范围。我们现在正与客户交谈,以确定如何更好地了解奶牛的行为,这对于有机农业非常重要。在这两种情况下,我们都使用物联网传感器与区块链相结合,这使得该项目是独一无二的。我们正在研究的一件事是依靠互连传感器作为向区块链网络提供数据的机制。”
通过World Bee Project Hive Network,可以从互连的蜂巢中收集数据,然后通过Oracle的区块链网络捕获、存储和共享数据。虽然Oracle不拥有数据,但区块链网络为所有参与者创建了一个开放透明的框架。
Abel表示:“世界蜜蜂项目发布了收集的数据,伦敦雷丁大学(该项目的另一个合作伙伴)的研究人员帮助提供信息并实施有助于改善生物多样性的全球行动。”
然而,Abel指出,随着该项目能够从越来越多的蜂巢收集数据,主要的问题是秘钥管理分发,因为区块链网络中的每一个参与者都拥有用于数字签署交易的私钥。
Abel表示:“通过Bee Mark,我们的目标是通过区块链建立一个大型可扩展性平台,密钥管理将是一个关键组件,因为我们的目标是提供一个没有使用障碍的平台。”
另一个困难是鼓励数亿农民加入World Bee Project Hive Network。虽然提高农业供应链的透明度对于消费者和农民来说都是一项重大利好,但区块链网络上的所有参与者之间需要高度信任。数据共享和隐私权是这里的主要问题,进一步增强了对“了解你的客户(KYC)”的要求。
尽管存在这些挑战,Oracle仍然希望他们与世界蜜蜂项目(WBP)的持续合作能够大大改变整个世界。
Abel 表示:“关键信息和私人数据将始终掌握在农民手中,这就是为什么区块链是这个项目的合适技术。块的验证是区块链的目的。”他表示:“未来的目标是与能够帮助加快所有这些研究的科学家合作。现在我们正在追踪可持续的蜂蜜,但这可以应用于任何类型的食物来源。最终,该项目的目标是影响人类生活,同时展示授粉对农业和食品开发的重要性。”
好文章,需要你的鼓励
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AI虽具备变革企业洞察力的潜力,但成功依赖于数据质量。大多数AI项目失败源于数据混乱分散而非算法局限。谷歌BigQuery云数据AI平台打破数据孤岛,简化治理,加速企业AI应用。通过AI自动化数据处理,实现实时分析,并与Vertex AI深度集成,使企业能够高效处理结构化和非结构化数据,将智能商业转型从愿景变为现实。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。