科技行者 7月29日 北京消息:人工智能(AI)与物联网在食品行业中的地位正变得越来越突出。
成立于2013年的Sugar Creek Brewing公司受到比利时啤酒酿造工艺的启发,长期以来为北卡罗来纳州及其他一些地区酿造啤酒,该公司目前正在尝试将AI与物联网整合至酿造流程中,以改善啤酒的生产与质量水平。
在最近一次采访中,Sugar Creek Brewing公司总裁兼联合创始人Joe Vogelbacher分享了AI与物联网在帮助企业运营方面做出的卓越贡献。
Vogelbacher谈到,“我们邀请IBM公司去到我们的工厂进行一场培训,在了解到他们能够利用视觉检查技术确定某些产品的质量好坏时,我们非常好奇他们是否能够以同样的方法判断啤酒的品质。”
图为Sugar Creek Brewing公司两位联合创始人:Joe Vogelbacher与Eric Flanigan
此前,Sugar Creek Brewing公司在成品啤酒灌装方面出现过严重的问题。由于灌装量不够统一,再加上啤酒运输过程中的颠簸,以至于很多买家拿到手的啤酒产生了大量泡沫,泡沫会溶解大量氧并导致啤酒中的废料腐败,进而破坏酒品风味并缩短保持期。过去,起泡问题每月平均带来高达3万美元的损失。
Vogelbacher向IBM的工程师介绍了这个问题,对方决定安装一部摄像机,跟拍送出生产线的啤酒。结合Sugar Creek Brewing在灌装流程中收集到的其它数据,照片会被上传至IBM云端,并由Watson算法解析。
啤酒酿造工人提供了一些特定标准,而Watson则如大海捞针般从这些数据中寻找最重要的因素,对大量数据的快速解释,使得这家啤酒公司能够在大多数情况下采取主动反应,并更好地确定流程的改进方向。这样一来,最终会显著提升消费者买到的酒品质量。
作为夏洛特地区的老牌酒厂之一,Sugar Creek Brewing也拥有不少历史悠久的设备。在启动全新技术项目时,他们的第一项工作就是,在酿造流程的不同节点上安装一些精密的传感器。这些传感器每天24小时,不间断收集关于酿造流程的数据。
Vogelbacher称,“如果只是单独查看某一传感器的数据,并不能得到什么有价值的结论。但当所有数据都汇聚起来时,就会产生意想不到的魔力。我们现在拥有一套数字仪表板,啤酒酿造人员可以随时读取到当前产品与生产设施的健康状况,一改传统的人为视觉观察和手写数据方式,效率更高数据更精准,我们将最关键的数据存储在IBM的安全云中,并可通过任何具有安全网络连接的设备进行访问。”
Sugar Creek Brewing公司希望成为全球第一家将AI技术从头至尾全面引入酿造流程的啤酒厂商。他们打算把这款啤酒命名为IPAi。此外,他们还有意将制造数据与来自啤酒社交媒体网站的大量与消费者密切相关的定性数据联系起来。
“这个时代变化很快,通常本地啤酒商的网站平均拥有超过5万次的在线访问量。我们的目标是挖掘这些数据,以获取顾客对我们乃至其他产品的定性反馈,并将其与我们的制造数据结合起来,共同利用AI分析结果指导酿酒师制作出口感佳的手工精酿啤酒。最终,我们的啤酒酿造师将把AI视为一种艺术性的提升工具。正如艺术家们首先手绘蓝图,再利用计算机将其数字化为惊人的动画一样,啤酒酿造师也将获得自己的强大助力。”Vogelbacher感叹道。
单凭解决泡沫问题,AI与物联网技术每月就为Sugar Creek Brewing公司节约高达1万美元。Vogelbacher认为,新技术的出现使得公司业务更加健康,并最终保留并改善了现有员工的工作体验。在他看来,AI技术的意义并不在于取代员工。此外,产品的质量越来越好,也意味着销售额将更上一层楼。有了可观的收入,将有更多员工加入团队,并成就规模更为庞大的精酿新势力。
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。