随着新冠病毒危机给全球市场造成沉重打击,政府机构也开始就食品供应问题发出紧急警报。
联合国粮食及农业组织(FAO)首席经济学家Maximo Torero Culen警告称,“旷日持久的疫情流行很可能在短时间内给食品供应链造成压力。食品供应链是一个复杂且相互关联的网络,涵盖农民、农业投入、加工工厂、运输以及零售等多个环节。随着港口关闭,航运速度正在放缓,由此带来的物流障碍有可能在未来几周内给食品供应链造成破坏。”
他强调称,“与2007年至2008年的全球粮食危机不同,此次产量不再是问题的根源。”相反,如何将粮食运送到需要的位置成了新的难题。
技术的巨大进步,也许能够防止灾难性后果的发生。
动荡时期,强化数据的力量
与其他类型的供应链一样,负责将种植者与生产者手中的食物运送到餐桌上的食品供应链,也需要对接全球数据网络。从供应商到分销商、再到仓储乃至物流商,每个参与方都需要了解市场对于各类食品的需求变化情况、当前生产能力、去向何处以及何时到达。
当前食品供应链受到的影响还很难量化。但可以肯定的是,随着COVID-19疫情的延续,种植者与供应商面临着巨大压力,可以调动的人手愈发紧张。某些地区尽管供应量充足,但运输网络早已捉襟见肘,迫使他们不得不将品质上乘的食物直接填埋。至于包装食品,国家之间的配料运输突然中断,供应商们也开始疯狂寻求替代性原材料采购来源。
与此同时,部分在供应链中扮演重要角色的企业开始将一部分精力投入到目前争夺的非食品类建设或运输项目当中——包括医院以及其他医疗设备。以亚马逊为例,在疫情流行之前,已经有不少顾客在这里定期采购食品;但疫情的压力,让亚马逊将大部分物流资源抽调到口罩等抗疫用品的配送当中。
另外,客户需求也在发生变化。例如,人们不再愿意选择特定品牌的特定商品,而是愿意接受不同品牌下价位相似的食品。为此,整个供应链都必须做出相应调整。
认知技术与供应链
对于已经疲惫不堪的员工们来说,非常时期下沉重的业务负担已经让他们喘不过气;裁员与缺勤而引发的人力不足又让一切变得雪上加霜。
认知技术有望在这方面贡献力量。根据德勤公司的定义,认知技术属于“人工智能的产物”,“能够执行以往只能由人类完成的任务。”
当认知技术遇上食品供应链时,即将交易态势发生变化,相关解决方案也能够实时跟踪世界各地的交易动态、对数据进行即时聚合、帮助企业快速掌握所需信息,并最终据此做出快速调整。
例如,如果某家供应商无法正常生产牛奶,则另一供应商可以立即提高产量,并保证将增/减产信息即时交付给其他供应商。物流资源同样遵循此理。因此一旦贸易受限、人力不足或者其他因素阻碍运输商的提货与运输工作,其他运输服务商也能够立即得到通知并接下相关订单。
要做到这一点,要求整个供应链上的参与企业将数据加载至云端的单一位置,而后通过认知自动化立即对数据进行处理。整个处理流程还需要参考其他信息,例如天气预报、港口或运输路线变化等等。自动化流程随后将关键信息发送至供应链中的每个参与方,确保他们明确了解当前情况。
现实生活中的诸多案例,也证明了认知技术的光明前景。在瑞典查尔默斯理工大学,研究人员们立足汽车行业进行了三项案例研究,发现“如果企业认真考量认知自动化并建立起认知自动化战略,则将获得巨大的潜在竞争优势。在规模化定制与全球化浪潮的时代背景下,这种能力正变得越来越重要。”
强生公司也表示,这项技术有助于打造出“真正出色且能够自主运作的自动化系统。”当然,目前的成果还不够完美。但通过机器学习,相信这类系统能够随时间推移而降低错误率并持续提升自身效能。
整个体系就像一支乐队。某些乐手可能临时无法出席,但还有其他人选可以替代他们。认知自动化将能够像指挥一样发挥作用,保证每位乐手都拿到相同的乐谱并时刻就绪,保证和谐准确地演奏出美妙的乐章。
食品供应商越早意识到认知自动化的力量,各参与企业的未来也将更安全、更光明。实际前景如何,让我们拭目以待。
好文章,需要你的鼓励
这项研究探索了如何通过"LLM情境调节"和"持续工作流程提示"技术来提高大型语言模型在验证化学分子式时的准确性。研究者发现,普通提示方法往往不可靠,因为LLM倾向于自动"纠正"错误而非指出它们。然而,通过精心设计的情境调节提示,研究成功引导Gemini 2.5 Pro不仅识别出文本中的错误,还发现了之前人工审阅未察觉的图像中的分子式错误。这一概念验证研究表明,即使不修改模型本身,也能通过适当的提示策略显著提高LLM在科学技术文档细节验证中的表现。
复旦大学研究团队开发的uLLSAM模型成功将多模态大语言模型(MLLMs)与分割一切模型(SAM)结合,解决了显微镜图像分析的跨域泛化难题。通过创新的视觉-语言语义对齐模块(VLSA)和语义边界正则化(SBR)技术,该模型在9个领域内数据集上提升了7.71%的分割准确度,在10个从未见过的数据集上也展现了10.08%的性能提升。这一统一框架能同时处理光学和电子显微镜图像,大大提高了生物医学图像分析的效率和准确性,为科研人员提供了强大的自动化分析工具。
斯坦福大学等机构研究团队利用强化学习训练大语言模型,使其能够优化汇编代码性能。研究构建了8,072个程序的数据集,并通过近端策略优化(PPO)训练模型生成既正确又高效的汇编代码。实验表明,训练后的Qwen2.5-Coder-7B-PPO模型实现了96.0%的测试通过率和1.47倍平均加速比,超越包括Claude-3.7-sonnet在内的所有其他模型。研究发现模型能识别编译器忽略的优化机会,如用单一指令替代整个循环,为性能敏感应用提供了有价值的优化途径。
这项研究提出了一种改进的声乐效果风格迁移方法,通过在推理时间优化过程中引入高斯先验知识,解决了传统ST-ITO方法忽视参数合理性的问题。研究团队基于DiffVox数据集构建了专业效果器参数分布模型,将风格迁移转化为最大后验概率估计问题。实验结果表明,该方法显著优于基准方法,参数均方误差降低了33%,并在主观听感测试中获得最高评分。这一创新为音频处理领域融合数据驱动和专业知识提供了新思路。