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
这项研究利用大语言模型解决科学新颖性检测难题,南洋理工大学团队创新性地构建了闭合领域数据集并提出知识蒸馏框架,训练轻量级检索器捕捉想法层面相似性而非表面文本相似性。实验表明,该方法在市场营销和NLP领域显著优于现有技术,为加速科学创新提供了有力工具。
un?CLIP是一项创新研究,通过巧妙反转unCLIP生成模型来增强CLIP的视觉细节捕捉能力。中国科学院研究团队发现,虽然CLIP在全局图像理解方面表现出色,但在捕捉细节时存在不足。他们的方法利用unCLIP生成模型的视觉细节表示能力,同时保持与CLIP原始文本编码器的语义对齐。实验结果表明,un?CLIP在MMVP-VLM基准、开放词汇语义分割和视觉中心的多模态任务上显著优于原始CLIP和现有改进方法,为视觉-语言模型的发展提供了新思路。
这项研究介绍了RPEval,一个专为评估大语言模型角色扮演能力而设计的新基准。研究团队从法国里尔大学开发的这一工具专注于四个关键维度:情感理解、决策制定、道德对齐和角色一致性,通过单轮交互实现全自动评估。研究结果显示Gemini-1.5-Pro在总体表现上领先,而GPT-4o虽在决策方面表现出色,但在角色一致性上存在明显不足。这一基准为研究人员提供了一个可靠、可重复的方法来评估和改进大语言模型的角色扮演能力。
这篇论文介绍了LegalSearchLM,一种创新的法律案例检索方法,将检索任务重新定义为法律要素生成。研究团队构建了LEGAR BENCH数据集,涵盖411种犯罪类型和120万案例,并开发了能直接生成关键法律要素的检索模型。实验表明,该模型在准确率上超越传统方法6-20%,且在未见犯罪类型上展现出强大泛化能力。这一突破为法律专业人士提供了更高效、精准的案例检索工具。