
美国匹兹堡,由Fifth Season垂直农场产出的作物正在收获打包
随着全球对食品需求的不断增加,垂直农场正成为未来农业发展中的重要组成部分。在这类新型农场中,人们使用机器人技术、机器学习以及人工智能(AI)全面推进农业自动化,希望将瓜果蔬菜的种植水平提升至前所未有的高度。伴随着稳步增长,全球垂直农业市场在2019年的估值为44亿美元,预计到2025年将增长至157亿美元。
Fifth Season是位于匹兹堡的一家垂直农场,他们利用筹得的3500万美元资金开发出超级堆栈软件与机器人,借以运行全自动农业系统。此外,通过将大数据与AI相结合,他们还摸索出最佳种植方法以帮助作物获得最佳风味。
Fifth Season公司CEO Austin Webb表示:“利用大数据与AI技术,我们得以确定作物是否达成目标风味——包括甜味、辣味、苦味、其他特定味道及质地的综合指标。”
“我们的作物还采用独特的种植方法,有点像不同LED灯组拼凑而成的特殊图案。作物会在植苗室内获得一个二维码,我们通过此二维码确定该植物的生长情况,并据此指示自动化系统在作物的不同生长阶段将其放置在对应的最佳条件之下。”
在Webb看来,他们的这套超级堆栈系统相当于垂直农场的“大脑”,可以根据种植方法绘制出每株作物在生长期间的移动路线、而后据此分步加以摆放。
Webb还提到,“我们使用AI与数据来发现作物各项质量指标的改进情况,其细致程度甚至走出了人类对风味特征的感知范畴。与传统农业相比,我们把现在的这套方案称为主动式、确定性种植,一举突破了包括温室培育在内只能对基础条件及日照情况做出被动反应的套路。以此为基础,我们会收集消费者/厨师对于作物风味及质地的反馈,并将这些定性数据同每株作物整个生命周期中的26000个定量数据点匹配起来。”
“更进一步,我们还会调整种植方法来设计更符合预期的最佳风味。对于一部分蔬菜,例如西红柿,专家们会用白利糖度分数来衡量;但我们的评判则更为全面,具体涵盖甜度、辣度、苦度、综合风味、质地以及颜色等指标。人类不用查看铁含量或者白利糖度得分,也能体会到一颗西红柿到底好不好吃;我们的农场大脑则从中学习经验。由人类判断哪些谷物的味道最好,农场大脑则据此计算并调整种植方法。”Webb解释道。
WayBeyond公司创始人兼CEO Darryn Keiller认为,要影响作物的风味只有两种途径:要么改变作物的遗传基因,要么调整其现有生物特征。
Keiller认为,“例如,种植者可以调整光线及营养物质以影响作物风味,甚至增强某些质地(例如松脆度、厚度)或风味(增加甜味或苦味)特征。只要确定了希望在作物上达成的关键特征,我们就可以使用机器学习或AI技术实现生产流程的自动化与高度优化,由此持续改变作物性质并响应不断变化的消费者偏好。”
“目前,垂直农场主要使用户外农业培育出的种苗。在AI技术的支持下,垂直农场有望迎来更适合室内环境的种苗(或种系),进一步完善垂直农业研发并创造出更适合室内环境/管理实践的遗传特征,同时保证商业生产的可持续改进——可以想见,这里蕴藏着巨大的发展潜力。”
此外,Webb还补充道,不少室内种植户都在努力把垂直种植技术迁移至户外农业体系;但Fifth Season的想法有所不同,他们更重视将智能制造原则应用于农业,借此种植出前所未有的高质量作物。
他强调称,“我们每周种植的新鲜作物超过15000磅,用水量甚至还不到传统户外种植农场的十分之一,总占地面积也仅仅为2300平方米。”
Webb认定,只要能够将垂直农业的运营持续扩大,就足以带来前所未有的技术突破与消费者体验,给市场持续提供稳定、新鲜、营养且清洁的产品,最终彻底改变消费者的购物方式。
“垂直农业将改变我们对于新鲜食材应该是什么样子、可以是什么样子的定义;它将改变新鲜食材的获取方式、供应能力与便利性,给消费者带来以往无法想象的价值回报。换句话说,除了从零售店里直接购买之外,我们的垂直农场将突破过往产品保持期的束缚,开拓出一条获取最新鲜、最优质食品的新路。”Webb总结说。
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。