在世界银行的支持下,国际非营利组织“反饥饿行动”(Action Against Hunger)运用人工智能为撒海尔生物地理地区的偏远牧民们创建了一个独特的、实时数据收集和分析系统——牧区预警系统(PEWS)。
2020年,由于雨季来得晚的缘故,撒海尔地区经历了异常漫长而艰难的牧草淡季,造成了牧场的损失。而畜牧业占该地区农业GDP的40%。“反饥饿行动”(Action Against Hunger)防灾抗灾能力高级顾问Didier Verges表示:“在许多近期气候冲击中,西非的撒海尔地区首当其冲,包括创纪录的洪水和长期干旱,这对牧民造成了巨大的冲击,他们常常走很多英里去寻找牲畜的食物,这是他们赖以生存的食物。”
具体来说,牧区预警系统(PEWS)可以使用卫星来测量牲畜群中牲畜的数量、地表水和当前的“交通模式”。大约有130名左右的数据收集者在当地工作,通过手机短信提交关于市场价格、放牧条件和动物疾病趋势等信息,这些信息对卫星数据形成了补充。
人工智能可以对数据进行分析,而牧区预警系统(PEWS)则会每十天一次通过本地的电台广播、文字短信和本地公告,用法语和其他当地的语言将更新发送给牧民。举例来说,牧区预警系统(PEWS)会提醒他们最好的放牧去处,或者帮助他们发现动物疾病爆发的迹象。根据“反饥饿行动”(Action Against Hunger)显示,仅在塞内加尔一地,该系统的警报就覆盖了52,000多人。
▲在尼日尔的迪法地区,许多家庭将畜牧作为主要收入来源
Verges表示:“畜牧业是撒海尔地区的一种古老传统,但是这个行业从来没有面临着如此之多的困难。牧区预警系统(PEWS)可以以非常直接和实用的方式,帮助牧民应对正在经历的粮食和营养危机。”“牧民们可以通过短信和当地的电台收到指导,这些信息都是用他们的母语发出的,向他们提供了喂饱他们的山羊、绵羊和其他牲畜所需的信息。而当他们能够饲养牲畜时,他们就可以为撒海尔地区的家庭提供食物,这是我们的最终目标。”
除了极端的气候变化外,新冠肺炎造成的边境关闭和市场关闭也会让牧民无法出售牲畜或者为牲畜或者自己购买食物。“反饥饿行动”(Action Against Hunger)已经调整了牧区预警系统(PEWS),收集了新的数据,在来自10个国家/地区的351名数据收集人员的帮助下,在与RéseauBillitalMaroobé(整个西非地区的牧民组织联合会)的合作下,创建了新冠肺炎面板。
这项行动产生了新的社区公告和宣传文件,它们根据牧区预警系统(PEWS)提供的见解为政策建议提供了依据。对新冠肺炎的监视范围还覆盖了贝宁、科特迪瓦、尼日利亚、乍得和多哥。
此外,他们还建立了一个开源的报告平台,以帮助与马里、尼日尔、布基纳法索、塞内加尔和毛里塔尼亚的政府和人道主义组织协调行动。Verges表示,该组织计划开发新的方法来提高早期行动能力。
“强有力的地方和区域伙伴关系是该系统的前进方向,因为这将激发政府和其他主要行为者的早期行动。” Verges表示:“在包括地方一级在内的决策过程中发挥更积极的作用,并涵盖该地区的其他重要人道主义问题,例如农业和营养不良,而从其他模式和人工智能技术中学习将有助于改善这个系统并更好地预测危机。”
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。