人工智能(AI)和机器学习可以通过多种方式提高我们的世界的生产力和效率。甚至有啤酒厂使用人工智能来提高啤酒产量。这是辉煌还是令人难以置信?虽然现在判断还为时过早,但使用数据来帮助酿酒师的决定,以及个性化酿造的可能性都让人工智能酿造啤酒显得非常有趣。
酿造啤酒既是一门艺术,也是一门科学,而人工智能可以为后者提供有力的帮助。在谈到跨国啤酒厂如何使用数据来帮助其广告决策之后,IntelligentX的创始人Hew Leith和Rob McInerney认为,更好的数据使用方法是改善啤酒本身。所以,这就是他们决定做的事情。IntelligentX的独特之处在于创造了世界上第一款使用人工智能算法和机器学习帮助调整配方的啤酒。
IntelligentX创造了四种不同的啤酒——黑色人工智能(Black AI)、金色人工智能(Golden AI),灰白人工智能(Pale AI)和琥珀色人工智能(Amber AI)。他们要求客户按照瓶子上提供的URL链接,在品尝过啤酒之后,通过Facebook Messenger应用程序提供反馈意见。80%的客户访问了这个链接,并且按照要求回答了一套由10个问题组成的问卷,通过这种方法,该公司采集了超过10万个数据点。
然后由人工智能算法处理这些数据,最后由酿酒师决定是否听取算法给出的建议。Leith和McInerney认为人工智能不是取代酿酒师,而是提供见解,帮助酿酒师更好地根据客户反馈做出决策。最终,一旦公司能够推广这种做法,你就可以向啤酒厂订购个性化的啤酒,这些啤酒是根据你的喜好调整的定制配方酿造的。
总部位于哥本哈根的啤酒厂嘉士伯与微软、奥胡斯大学(Aarhus University)和丹麦技术大学(Technical University of Denmark)合作,进行了一项耗资数百万美元、为期三年啤酒指纹计划项目。他们每天都会制作1000种不同的啤酒样品,并希望啤酒指纹项目能够改变新啤酒的生产方式。该项目使用传感器,可以确定每个样品的风味指纹,并分析不同的酵母。数据由人工智能系统收集,预计最终可以根据信息开发出新的啤酒。该系统不仅可以使产品更快地进入市场,还可以帮助确保最高的质量水平。
弗吉尼亚州的另一家酿酒商使用机器学习来开发完美的IPA。 Champion Brewing公司与机器学习公司Metis Machine合作,试图酿造新的ML IPA(是的,ML代表机器学习)。该过程的第一步是输入全国十大最畅销的IPA信息以及十大畅销品牌的数据。然后,根据这些数据,该算法确定了成为全美最畅销IPA的最佳配方。
在另一项人工智能啤酒酿造工作中,数据也在发挥作用。该实验结合了公开的Brewdog啤酒配方和来自Untapped的啤酒评级,以创建和培训人工神经啤酒网络。然后,将该网络用于评估新的啤酒配方,并确定哪些配方更有可能获得高评级。该实验的结论是,人工智能可以成为帮助人类酿酒师开发新啤酒或优化现有啤酒的有力工具,但并不会取代人类。
事实证明,新鲜倒入的啤酒泡沫会影响人们对它的感受。为了确定什么是完美的泡沫,澳大利亚的一个研究团队创建了RoboBEER,这是一种机器人,可以以一种非常精确的方式倒啤酒,倒出的啤酒可以形成非常完美的泡沫,并且有非常好的一致性。
研究人员创建了一个RoboBEER倒啤酒的视频,并跟踪了泡沫大小、啤酒颜色和其他属性,然后向研究参与者展示了视频,并询问了参与者对啤酒清澈程度和质量的看法。研究人员还观察了参与者在观看RoboBEER倒啤酒时的反应。人工智能机器分析了实验参与者在观看视频时的各项生物特征指标。每个参与者观看RoboBEER倒啤酒时,都会有28个生物指标被传送到神经网络之中,以确定他们对啤酒的看法,整个过程不需要他们真的品尝啤酒或者回答冗长的调查问卷。神经网络能够以80%的准确度预测某人是否喜欢泡沫的高度。该团队还发现,仅使用RoboBEER数据,他们就可以以90%的准确度预测啤酒的可爱程度。
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。