全美拥有超50万大豆种植农,作为美国第一大出口农产品,目前大事的出口额占比接近农产品整体出口额的18%。
United Soybean Board公司CEO Poly Ruhland表示,美国51万5千名大豆种植农正越来越接受数字化转型带来的效率提升。
Ruhland提到,湿度传感器、智能灌溉、自动化GPS定位拖拉机、无人机以及卫星影像等工具都能帮助豆农们在同一块土地上产出更多大豆。
Ruhland解释道,“我每天接触的农民朋友们告诉我,精准农业切实帮助他们提高了农作物的种植效率、质量和一致性。这项创新技术的定位精度可以达到1厘米,帮助农民根据复杂的作物状态做出决定,并在正确时间、正确地点应用正确投入,以更低的资源与精力水平种植食物、纤维和燃料,同时全面提升农作物质量。”
到,大豆农场的数字化转型也有益于地球环境和不断增长的全球人口,也将给农民收入带来提升。
Ruhland指出,“智能灌溉等数字技术有助于提高农作物对土壤养分的利用效率与生成质量,提高种植简略并节约水资源。这些技术还能帮助农民更精确地使用杀虫剂营造更健康的环境,由此提供更可靠和可持续的食物来源。面对2050年即将超过90亿的全球人口总量,这种能力无疑将成为保障人类基本生存权利的前提。”
Ruhland补充道,利用新兴技术精确处理土壤,农民得以建立起真正可持续发展的生态系统,再配合基因工程尽可能降低种子和作物对自然环境的破坏性影响。
“这套系统不仅能够长期改善地球的环境可持续性,同时也有望改善农民的经济可持续性。”
Ruhland还提到,现代农业技术的持续进步不仅体现在田间,同时体现在空中。
Ruhland认为,“无人机的部署能够帮助豆农们从空中俯瞰田地,节约下在田间往来巡视的时间。以来自明尼苏达州的豆农Rochelle Krusemark为例,过去她每周需要花30多个小时巡查160英亩的大事种植田。但现在,她只需要15分钟就能达成同样的监控效果。”
Ruhland还提到,“在农业技术方面,无人机堪称最重要的游戏规则改变者之一,也切实给种植行业带来了巨大变革。”
EOS Data Analytics公司首席运营官Roman Medvediev表示,该公司已经与加纳的Complete Farmer开展合作,通过远程农场管理、作物健康状态评估、种子与肥料高效利用等角度帮助农民解决作物增产探索中的现实难题。
Medvediev表示,他们在加纳卡拉加的一处大豆农场部署了一套作物监测平台,农民可以借此快速访问农作物信息,包括田地面积、位置、天气数据、作物生长阶段、降水条件与田间卫星影像等。
Medvediev解释道,“其中一项关键数据正是植被指数,能够帮助农民获得关于作物生长状态的宝贵见解。例如,归一化差异植被指数(NDVI)就会根据植物对不同波长太阳辐射的反射与吸收情况衡量田间植被水平,帮助农民在植物生长的不同阶段识别其中有问题的区域,例如哪些位置的杂草已经蔓延到大豆附近。”
2021年12月,EOS又与Epik Systems达成合作,将卫星技术引入更多尚未普及精准农业与碳监测技术的农田,帮助农户们获得面向精确农业与温室气体(GHG)的宝贵跟踪、测量及缓解数据。这项技术将初步在美国和墨西哥推出。
Epik公司产品营销副总裁Kevin Hannah指出,长期以来,小型农户面临的头号难题就是无法获得保障作物产出、支撑可持续发展所必需的数字化转型工具。
Ruhland则总结道,“作为农业领域的从业者和领导者,我们希望利用数字化转型重新塑造食品供应体系的未来,也必须坚定地致力于改善环境、社会与经济的可持续发展。”
好文章,需要你的鼓励
TAE Technologies在最新一轮投资中获1.5亿美元,累计融资约18亿美元。公司利用 AI 技术优化融合反应堆设计,目标于 2030 年代商业化发电,谷歌等巨头均参与合作。
这项来自KU Leuven、中科大和上海Memory Tensor公司的研究探索了如何利用拼图游戏训练多模态大型语言模型的视觉推理能力。研究发现,现有模型在未经训练时表现近似随机猜测,但通过强化学习能达到近乎完美的准确率并泛化到更复杂的拼图配置。有趣的是,模型能否有效学习与是否包含明确推理过程无关,且复杂推理模式是预先存在而非突然出现的。此外,研究证明强化学习在泛化能力上优于监督微调,挑战了传统的模型训练范式。这些发现不仅揭示了AI视觉理解的机制,还为未来多模态模型研发提供了重要参考。
Nvidia 正在全球数据中心推广 AI 芯片,其最新 Blackwell 架构在 MLPerf 基准测试中获得最高性能,大幅加速下一代 AI 应用的训练与部署。
这项研究提出了LoHoVLA,一种用于长时序实体任务的统一视觉-语言-动作模型,融合了高层任务规划和低层动作控制功能。与传统方法不同,它利用单一预训练视觉语言模型同时生成语言子任务和机器人动作,并采用分层闭环控制机制增强鲁棒性。研究团队构建了包含20个长时序任务的LoHoSet数据集,实验结果显示LoHoVLA在Ravens模拟器中显著优于现有方法,展现出统一架构在实现可泛化实体智能方面的潜力。