至顶网CIO与CTO频道 05月06日 编译:一位生态科学家和一位农业经济学家介绍了为什么农业需要在作物和农田使用中融合大数据技术,发展更具可持续性的土地管理系统,他们将其称之为数字化农业。
在2020年4月份的《Nature Sustainability》上发表的一篇论文中,密歇根州立大学自然科学学院教授Bruno Basso和俄勒冈州立大学应用经济学教授John Antle认为数字化农业可以铺就农业可持续发展的道路。
该研究论文的合著者Basso表示,传感器、人工智能和预测模型的使用可以将准确性提高,达到设计通往农业可持续性发展之路的水平。但是,他警告称,除非能够证明这些系统对社区、经济和环境能够产生积极的影响,如果没有这样的激励,采用这些系统所面临的挑战就不会发生改变。
Basso表示,数字化农业是农业、科学、政策和教育交汇的地方。
Basso表示,数字化农业已经作为一种技术,已经出现了大概20年左右,但是自从90年代初GPS首次被安装在拖拉机上以来,它只是进入了初级阶段。
Basso 表示:“对于所有这一切来说,新的变化在于农艺学方面新的分析和突破,我们现在能够对于影响作物健康和单产的因素有了更深入的了解,并且找到了为什么在同一块地之内以及在不同的年份之间,作物的产量会出现变化的原因。”他说:“现在我们可以更好地管理这些变量,并最终迈向更可持续发展的农业系统,因为所需的投入可以得到更精确的投放,而不是在不需要的地方也同等投入。”
Basso表示:“和其他领域的数字化进程相比,农业板块的数字化仍然是不起眼的‘灰姑娘’……数字化农业包含了多种技术,从能够从近距离或者数千英里之外的天空中感知环境的设备到监控视频系统的芯片等。”
Basso补充表示,有了传感器,大数据分析的新方法以及通过验证的仿真模型和人工智能系统产生的预测结果已经开始对农民和环境产生积极的影响。
Basso表示:“为了增加对这些技术的使用,农民、环保主义者、科学家、政策制定者们需要坐下来,互相听取意见,搁置对因为我们不用照顾土地获得利益的争议。”
Basso表示,如果目标是增加生物多样性、减少氮肥的使用或者是减少资源密集型多年生作物的种植,那么激励至关重要。
该论文的新闻稿表示,研究人员的分析表明,如果氮肥的施用是基于需求和产量稳定性而不是均匀施用,那么美国中西部的氮肥使用量可以减少36%,同时能够显著减少地下水污染和二氧化碳排放量。
Basso希望社会能够做出这些决定,并且让社会承担相关的成本。
Basso表示:“农民们今天在他们土地上的所作所为将在未来30年内影响到邻居的孙子。”
好文章,需要你的鼓励
首尔国立大学研究团队提出了"多模态对抗组合性"(MAC)基准测试,评估预训练多模态表示(如CLIP)在理解文本与图像、视频、音频关系时的组合性弱点。研究使用大语言模型生成欺骗性文本,通过样本成功率和多样性双重指标进行评估。团队创新性地提出了多样性促进自训练方法,即使使用较小的Llama-3.1-8B模型,也能显著提高攻击成功率和多样性。实验在COCO、MSRVTT和AudioCaps数据集上验证,该方法优于现有技术,并展示了良好的跨模型迁移性,为构建更可靠的多模态系统提供了重要见解。
SridBench是首个评估人工智能模型科研插图绘制能力的基准测试,由中国科学技术大学等机构研究团队创建。该测试包含1,120个来自自然科学和计算机科学13个学科的高质量样本,并设计了六维评估标准。实验结果显示,即使是目前表现最佳的GPT-4o-image模型也仅达到基本合格水平,文本信息缺失、视觉元素不完整和科学错误是主要瓶颈。这项研究揭示了AI科研绘图能力的现状,为未来技术发展提供了方向。
ChartLens是马里兰大学与Adobe研究院合作开发的创新技术,专门解决多模态大型语言模型在图表理解中的"幻觉"问题。这项研究提出了"后验细粒度视觉归因"方法,能够将AI对图表的分析结果与图表中的具体视觉元素(如特定柱形或数据点)精确关联起来,使AI的回答变得可验证。研究团队还创建了ChartVA-Eval基准测试集,并证明他们的方法比现有技术提高了26-66%的归因准确率,为金融分析、政策制定和科学研究等领域提供了更可靠的图表理解工具。
这篇论文介绍了一个名为"CrEval"的创新框架,用于跨领域评估文本创造力。研究团队构建了"CreataSet"数据集,包含超过10万条人类水平和100多万条合成创意文本,涵盖87个领域。基于此训练的CrEval评估器在与人类判断的一致性上显著优于现有方法,包括GPT-4o。研究发现,结合人类创建的数据和合成数据对训练有效评估器至关重要,且CrEval不仅能评估创造力,还能提升AI模型生成更有创意内容的能力,为创造力评估和提升开辟了新方向。