太浪编译

舌尖上的AI:食物产业链的人工智能应用报告

编译 | 太浪

受 Google 委托和资助,旧金山思维尔创意集团领导的Refresh Working Group(Refresh工作组)发布了一份新报告「食品+技术: 从土壤到餐桌」,旨在更好地理解人工智能在食品生产、分销、加工和消费方面可能扮演的角色

这份报告是历经九个月的研究、访谈、聆听会议和与在这个领域工作的各种人士和组织间非正式讨论的成果,探讨了包括人工智能机器学习在内的技术如何加速创建一个更可持续、可扩展和公平的食品系统。

正是这种从土壤到餐桌的方式吸引了像谷歌这样的公司参与到美国食品系统的人工智能研究中。

笔者对报告全文进行了编译,有所删减。

自第一次农业革命以来,农民一直在使用技术来提高他们的手艺、增加粮食的产量。

如今,人工智能机器学习为以不确定性著称的农业带来了更大的确定性。

通过人工智能的处理能力来收集和分析该领域的多种数据来源,新的工具可以让农民从数据分析产生的见解中受益。精密技术正在取代农民的年历,更精准地预测一切——从温度、降雨到害虫和商品价格。

从生产到消费的数字化转型,与新的生态服务相结合,将证明减少温室气体排放、处理多个导致粮食不安全的问题、解决 21 世纪人类的温饱问题是至关重要的。

这个时机再合适不过了:据估计,到 2050 年,全球粮食产量需要增加 25-70%,才能养活未来 30 年预计将达到 90-100 亿的人口。

我们也有可能利用人工智能产生的有价值的见解和预测,来创建一个更公平的食品体系。

农业工程师 Amanda Ramcharan(阿曼达·拉姆查兰)对泥土着了迷,她正通过引入预测技术来测量土壤在干旱或洪水面前的复原力,从而帮助改造这片「土地」。

「如果你是一个农民,土壤就像你的银行账户,」她解释说,「但我们面临的挑战之一,是如何让人们更容易看到它。我们如此依赖土壤,却没有意识到这一点。」

作为一名研究人工智能和农业交叉领域的科学家,Amanda Ramcharan是土壤制图技术演进的参与者。土壤制图技术对于可视化植物的种植地点以及种植方式而言是必不可少的。

她利用与历史数据相关的机器学习,建立了土壤特性模型,这些模型能够影响可以种植的作物和种植的地点。例如,她建立了一个模型来预测整个美国大陆的体积密度(或者说一定体积内的土壤质量)。

Ramcharan 最初对农业所面临的日常挑战并不感兴趣。她出生在特立尼达和多巴哥,最初在普林斯顿大学学习机械工程,主要研究可持续能源。

「我真的很喜欢阅读化石燃料和人类活动对全球环境的影响。」她说。毕业后,她在肯尼亚工作,为一个农村社区建立雨水收集系统。

「我们讨论的一个问题是,可持续农业到底意味着什么?」她解释道。「你怎么衡量它呢?」她开始用数据建模来研究土壤和天气模式的不同情况。

复杂环境问题背后的科学和数学真正让她开阔了眼界,让她认识到土壤是如何影响食物和能源系统的。她开始研究美国土壤测绘的历史,其历史源于沙尘暴之后的那个时代。

在灾难性的作物减产后,政府开始实施一项雄心勃勃的计划,通过研究环境因素(如土地坡度,土壤深度,岩石数量,甚至原生植被等)是如何影响作物健康的,以减少水土流失。从那时起,土壤测绘技术迅速发展。

今天,机器学习模型增加了人们冒险进入这个领域收集信息的价值。可见光和近红外光谱中的高光谱影像与这些模型相结合,可以预测深层土壤中的有机质。

植物也受益于机器学习无人机上的多光谱相机所收集的数据可以用来观察土地的光合能力,预测其未来的健康状况。机器学习还可以提供过去天气状况的地理位置数据,以预测即将到来的降水事件。

对于关心产量可行性的研究人员和农民来说,这些创新可能改变游戏规则。

Amanda Ramcharan 说:「你可以使用 app 收集所有这些数据,并回答我们以前无法回答的重大问题。」因为工作,她出人意料地成了无人机使用规则方面的专家。「当我意识到我们的空域是如何划分时,我有点被震惊了。」

像植保无人机这样的技术,可以用来保护土壤和我们的社会免受气候变化的影响,同时帮助农民种植更有弹性的作物,实现双赢。「农民最关心的是他们的投资回报,」Amanda Ramcharan 补充道,「他们总是在脑子里盘算。」

生产:农业、收获、加工

1.数据驱动的农业

如今,普通农民们依靠先进的机械设备来帮助他们快速、高效地在预算范围内完成工作。

众所周知,农业是充满不确定性的高风险行业。农民必须成为应对快速变化的、影响他们收成的环境和变量的专家。从气候到害虫,从商品价格到水资源供应,都是现代农民的领域。

下一代农民正在努力应对这些不确定性。自动拖拉机、无人机和远程传感器收集和分析数据,帮助农民提高作物产量。现在,即使是需要辨别力的眼睛完成的任务也可以通过算法来完成。

接受过数千张植物照片训练的图像识别软件,可以跟踪油桃、葡萄和浆果的成熟度。除草机器人能以惊人的速度消灭入侵植物。通过检测与细菌或真菌相对应的症状模式(如颜色变化、萎蔫或斑点),人工智能可以发现那些会轻易伏击农民的疾病。我们看到了大数据给中小型农场主带来的巨大机遇。

普通的害虫可能会突然冒出来,并在几天之内破坏整片田地。

Craig Ganssle 开发了一个叫做 FARMWAVE 的人工智能工具,只要点击这个 app,就能识别植物病原体、虫子和杂草。

「从病理学家或昆虫学家那里得到答案,通常需要几天甚至几周,我们已经把时间缩短到了大约 10 秒钟。」Ganssle 说。

训练 FARMWAVE 算法的数据集来自赠地大学的高质量农业数据集,FARMWAVE 算法的准确率超过 95%。考虑到该行业的飞速发展,算法的精确度非常重要。

Ganssle 说,和我们其他人一样,农民不想淹没在不必要的数据中。他们说,「只要给我一些有用的、能产生结果的东西。」

面对巨大的环境和经济挑战,人工智能工具正帮助全国各地的农民收获特殊作物并提高产量。通过消除一些风险,预测软件可以帮着确保长期稳定性,使农业对于那些刚接触该行业的人来说更具吸引力。

对于 Ganssle 来说,技术可以弥合代沟和知识鸿沟。「继承是农业的一个问题。」他指出,「随着想做农民的人越来越少,我们必须在未来 30 年用更少的土地种植比过去 8000 年还多的粮食。」而科技可以帮着解决这个问题。

全球气温上升,威胁着可耕地和农作物的健康,这些技术在未来将变得更加重要。预测技术有望通过收集大量数据、提供可行的见解,来帮助农民做出最佳决策,从而为农民提供支持。

在田间调查他们的作物,对农民与其他有相同害虫和土壤的人交流来说是至关重要的,他们可以了解当地的气候模式。

Craig Ganssle 创建的 FARMWAVE 有志成为「农民的 Slack」ーー但它不是互相交换动图和简练的俏皮话,而是帮助世界各地的农业工人确定他们田里的苹果是否被臭虫掏空,或者是否有各种粘虫在吃他们的玉米。

Ganssle 表示,他开发这款应用程序的目标是,在全球范围内培育社区,让马来西亚的洋葱种植者能与俄勒冈州东部的种植者交流心得。该应用程序于 2018 年 7 月底在 iOS 和 Android 系统上推出了 beta 版本。「社区合作是其中非常重要的一部分。」他表示。

Ganssle 进入农业是个意外。作为一名退伍军人,他曾负责美国联合特种作战司令部的无线电系统和基础设施。FARMWAVE 的 app 不仅可以集成智能手机摄像头,还可以通过无人机、机械和现场传感器进行工作:创建未来连接农场所有的必要组件。

与其他许多公司一样,FARMWAVE 将帮助农民完成工作作为他们的使命。John Deere(约翰迪尔)公司最近在旧金山设立了办事处,是计算机视觉机器学习的先锋,Hands Free Hectare 可以从空中发现杂草。

Ganssle 认为,新技术的采用有代际因素。

「我们在问,『现在的农民是什么样的,我们怎样才能解决他们的一些痛点?』」他解释说,「我们现在正在捕捉专业人士的知识以继续前进,我们必须非常小心和非常准确地做到这一点,以便在整个学习过程中收集和维护这些经验教训。特别是对农民来说,也关于解释这个过程的工作原理。这不是一堆魔法仙尘,也不是我们在监视每一个人。这关系到我们如何获取数据,以及我们打算如何利用这些数据。」

2.为奶牛打造 Fitbit

基于开源框架开发的精确农业工具使研究人员和公民科学家能根据自己的特定需求构建、调整和定制软件。

从坦桑尼亚、日本到美国,农业界正利用数据并从 TensorFlow 和 CaffeNet 等免费的机器学习平台获益,在提高动植物健康的同时,最大限度地提高生产力。

无论是依靠 Farm Hack 分享 DIY 技术工具的农民,还是使用 FarmBots(农场机器人)在自家后院播种和除草的家庭园丁,这些协作创新正在改变数字时代的食品生产格局。

虽然许多中小型美国农场尚未完全采用机器学习工具,但这种情况可能正在发生变化。牛奶价格创历史新低,美国奶农正面临着一场危机。

位于乔治亚州韦恩斯伯勒的 Hart Dairy Farm 是美国第一家使用 TensorFlow 开发和实施机器学习 app 来跟踪牲畜的农场。

他们的 app 叫 IDA,通过定期收集和分析连接在奶牛乳房上的传感器的数据不断改进。通过使用遥控的信号传送器,主人可以知道他们的 Holsteins 或 Guernseys 何时咀嚼反刍,感觉不适或准备授精。

Hart 软件捕获和处理的数据量惊人:最初它的数据量相当于 600 年的奶牛数据,考虑到每天都会创建和收集相当于 8 年的奶牛数据,它可以每两个半月左右复制这一数据量。

Herddogg 的 CEO 兼创始人 Melissa Brandao(梅丽莎·布兰道)最初开发的智能牛群监测工具是一种适合奶牛的设备, 通过夹在耷拉的牛耳朵上的带有蓝牙功能的夹子,可以测量从奶耳的温度到它们的活动水平等各种信息。(Brandao 表示,她之所以专注于开发耳标,是因为这是开发商可以从牛身上获得的唯一「不动产」。)

HerdDogg 的跟踪器可以测量奶牛外耳的温度,对农民来说,这些数据已经足够他们诊断奶牛的各种疾病了。Brandao 解释说:「奶牛用四肢来维持核心体温,比如他们的耳朵。当体内平衡被破坏时,他们的耳朵会被放大。」

当 Melissa Brandao 第一次开发技术跟踪牛的活动和健康状况时,她并没有想到会对它们的社交生活也能有如此多的了解。

「我们意识到,每头牛都有自己独特的个性和生物节律。」她说,「可能这头牛非常不活跃、而且行动缓慢,另一头却可能是交际花。」

「哦,我的天啊,奶牛真有趣。」HerdDogg 的数据科学主管 Jeff Mitchel(杰夫·米切尔)插话道,「他们都有独特的个性。有孤独的牛,爱管闲事的牛,好动的牛,也有无聊的牛。」

除了耳夹之外,HerdDogg 还生产了一种叫做 DoggBones 的小型无源读卡器,可以随时随地收集羊群的数据,无需 WiFi 或蜂窝网络连接。这两种技术的结合,可以让农民对其乳制品生产商的生活有一个细致的了解,普通小农户每年可获得多达 1 亿行的数据。

它还有助于缓解奶牛的压力。它们可以继续安静地吃草,而不用被人牵着鼻子或戴着头套去测量体温。

「知道自己正在做的事情对它们的幸福有益,就感觉非常值得。」Brandao 说。

实际上,HerdDogg 允许农民为他们的奶牛创建个人资料页面,让他们一眼就能了解奶牛的整个病史。该软件甚至允许农民通过一个叫「快乐牧群指数」的众包工具,将他们的牧群与世界各地的其他牧群进行比较。(是的,部分目标是激发农民的社交控。「社交控」指那种总是觉得有更好的事在别处发生的无端焦虑感。)

Brandao 必须确保农民能够控制自己的数据。如果农民乐意,他们可以将自己的奶牛与其他农场的奶牛进行比较,他们也可以选择对自己的数据进行保密。

「即使生产者想在隔绝的环境中使用 HerdDogg,他们仍然可以从 HerdDogg 平台获得很多东西。」Mitchel 说,「我们将产品视为分析更多由数据来驱动的第一步。」

Brandao 首先与「美国奶农」(Dairy Farmers of America,美国最大的奶制品业合作社)合作试验这项技术,他们已经看到,在不需要进行医疗诊断的情况下,数据是如何提高牛群整体健康状况的。

这个系统不依赖宽带接入,任何人在任何地方都可以使用其提供的强大的服务,获得可靠的数据。这对农村农民来说是理想的选择。Brandao 补充道:「它甚至可以是不插电的,安装电池就可以使用,就像可穿戴设备中的瑞士军刀。」

配送:运输、存储、交付

送餐的最后一英里通常往往是最具挑战性的,尤其是确保可靠地获得健康的、价格合理的且文化上恰当的食物。

「我们可以开发出很好的技术来改善农业的种植和收获。」位于阿拉巴马州的独立杂货店 Jimmy Wright of Wright』s Markets 表示,「但我的批发供应合作伙伴在雇佣仓库工人挑选和装载货物、雇佣卡车司机配送这些订单方面,面临巨大挑战。」

2350 万美国人生活在粮食不安全的社区,在这些社区里获得营养食品是不可靠的,这使得这些社区更容易遭受饥饿、肥胖和相关的健康风险。随着消费者越来越多地在网上购买食品,大量超市都在申请破产,社区里供选择的新鲜食品越来越少。

虽然向网上购物的转变导致了实体超市的衰落,但也有一线希望。

一些研究人员认为,像 FreshDirect 这样的虚拟商店可能有助于把新鲜农产品和健康食品送到那些不得不依靠当地 99 美分商店或加油站购买日用品的地方。

但是,为了让这个乐观的愿景结出果实 (和蔬菜),在线零售商必须首先考虑提高价格、运费、互联网接入以及社区需求等其他食品接入问题的影响。

在线零售商还不能保证在未来的日子里,将新鲜食品送到每家每户的门口,但是最近的发展让人们感到乐观。

2017 年,美国农业部的补充营养援助计划(SNAP)在线采购点与一些特定地区的在线零售商合作,为那些通常无法获得健康食品的人们提供健康食品。

位于阿拉巴马州农村的 Wright's Market 最近率先推出了自己的在线订购服务,而 FreshDirect 则深入布朗克斯区服务不足的社区开展业务,将新鲜健康的食品直接送到顾客家门口。

与此同时,新的食品科技创业公司正在开发机器学习工具,以拯救全国食品供应量中被浪费的食物,占比 30-40%。

倡导「从农场到冰箱」的公司——Farmstead 开发了自己的机器学习算法 FrechAI,帮助该公司采购高质量的食品,保持库存的新鲜度,并减少未食用的食品数量。

通过用户友好的平台和应用程序,这些创新也有助于增加新鲜的、健康的食品的供应,使科技对新手更加友好。

消费:购买、准备、食用

1.缩小粮食缺口

没有哪个单一的解决办法可以解决复杂的饥饿危机。

全美国有超过 4000 万人生活在贫困线以下,依靠补充营养援助购买日用品。研究人员用粮食缺口来系统性地描述贫困人群怎么样以及为什么会比高收入群体更难购买到营养食品。

过去十年,非营利组织一直与美国农业部和食品杂货商合作,利用 SNAP 数据,确保项目参与者的利益。

诸如 Wholesome Wave 的「Doubling SNAP」、Fair Food Network 的「Double Up Food Bucks」等项目,使用从超市会员卡和 SNAP EBT 福利卡收集的数据,使用户在商店和市场中购买的新鲜农产品数量翻倍。

(SNAP:美国农业部的补充营养援助计划,也称为食品券,为数百万符合条件的低收入个人和家庭提供营养援助,并为社区提供经济利益。SNAP 是国内饥饿安全网中最大的项目。)

2007 年,在《农业法案》将购买健康食品的激励措施纳入其食品援助计划的七年前,Michel Nischan(米歇尔·尼斯坎)创立了自己的组织 Wholesome Wave 来解决食品不安全问题。

Nischan 希望在那些原本无法获得新鲜农产品的社区扩大获得这些农产品的渠道。

在全国各地的社区,Wholesome Wave 将农贸市场和杂货店的水果和蔬菜的 SNAP 津贴增加了一倍。

例如,在圣地亚哥城市高地的星期六集市上,种植当地的南瓜叶和拉布拉多豆的索马里难民,通过这个项目将它们售卖给社区,以获得大幅折扣。(通过这个项目将它们以极低的折扣卖给社区。)

2.食品安全

虽然技术确实可以在解决粮食安全方面发挥作用,但实现食品安全需要政策和经济解决方案,而不仅仅是技术解决方案。

正如这份报告所指出的,许多新的农业技术有助于种植更多的粮食和更高的收成。此外,食品分销和食品配送方面的创新,以及农贸市场上最先进的销售机械一体化,有解决粮食不安全问题的潜力,以更低的成本向更多人提供更新鲜的食品。

北卡罗来纳州立大学环境农业系统中心的社会科学研究员 Dara Bloom 博士提醒道:「食品安全不一定是食品供应不足的结果,提高农作物产量的技术可能会在无意中危害食品安全。当这些工具被用作政治和社会问题的技术解决方案时,中小型农场主就会破产。」她说,「我们需要共同努力,从根源上解决食品不安全的问题。食品不安全的根源是贫困、种族、性别和阶级不平等,而不是缺乏粮食。」

在这些成功的基础上,Wholesome Wave 推出了一个基于信用卡的支付平台,支持名为 Wholesome Rx(健康处方/治疗方案)的倡议。这个水果和蔬菜处方项目由参与的健康诊所管理,并为那些想要吃更多的水果和蔬菜的医疗补助患者所用。该平台捕捉了整个购物过程,并为购买农产品以外的健康食品提供奖励。它还利用一种机器学习算法,从超市的会员卡中收集数据,生成营养食品的优惠券,提供个性化的饮食建议。

通过与杂货店会员卡的合作,将他们的销售点系统与购买新鲜农产品的奖励同步,该计划正在改善个人和社区的健康状况。

健康饮食的激励措施还增加了当地农民对农产品的需求,提高了农贸市场和食品杂货店的利润率,并改善了总体健康状况。

Fair Food Network(公平食品网络项目)的高级主管霍利·帕克指出,「如此重要的公共和私人投资促进了《补充营养援助计划》的激励措施,我们确实必须拥有价格实惠、易于获取的技术来大规模处理激励措施,以便为低收入家庭提供更多新鲜、健康的食品,同时支持农民。」

应该用机器学习来实现这一点,就像它被用来建立未来的食物银行一样。Fed40 app 风靡全国,但这个 APP 的目标用户是那些食品不安全的家庭。只需填写一张简单的申请表,有需要的家庭就可以收到 40 份预先包装好的营养餐。(目前菜单上有红扁豆什锦饭和苹果派燕麦,不过该公司很快将提供更多选择。)

这款 app 尤其适用于那些可能没有时间长途跋涉去食物银行的工薪家庭。这是一个权宜之计,旨在在金融危机或其他食品服务中断的情况下提供帮助。

Michel Nischan(米歇尔·尼斯坎)是获得 James Beard(烹饪界传奇人物)美食大奖的厨师,他并非一直是食品技术推广者。

当他刚开始在一家餐馆工作时,他只想提供他能找到的最新鲜的食物——比如他小时候在他祖父位于密苏里州东南部的农场里采摘的那些沾着露珠的蔬菜。

当他五岁的儿子被诊断出患有儿童糖尿病时,他第一次意识到扩大这些新鲜水果和蔬菜供应的必要性。

Nischan 为了儿子改变了家里的饮食策略,最终也改变了他的餐馆的饮食策略。但他很快了解到,大多数患有这种疾病的美国人无法获得健康膳食所需的营养成分。

早在食品配送应用和饮食跟踪平台出现之前,Nischan 就想办法拓宽获取农民培育的新鲜农产品的渠道。Wholesome Wave 不是开发 app,而是与杂货店、农贸市场和政府建立伙伴关系,为那些无法进入高质量农产品市场或买不起新鲜食品的人提供新鲜水果和蔬菜。

当时,几乎没有哪个农贸市场具备接受食品券的必要技术。2006 年,大约有 4000 个农贸市场,但能够接受 SNAP 津贴的不到 200 个。

Wholesome Wave 团队主张用免费的 EBT 机器接收它们,并扩展了一个低技术含量的令牌系统,作为提供产品激励的变通方案。

Wholesome Wave 将这个初步的系统扩展到多个州,从而覆盖更多种族的消费者。这样做证明了对各种农产品的真正需求,从而引导农民适应当地社区的需求。

当马萨诸塞州阿姆斯特的一个市场上出现大量的高棉人和巴西人时,当地的农民开始出售他们的农产品。

「我们有些农民把他们常吃的东西——比如蚕豆、祖传土豆、羽衣甘蓝(kale)——带到市场,然后学习 Tayoba、波多黎各香草(牛至)、苦瓜或羽衣甘蓝(collard greens),然后,农民们开始种植它们。」Nischan 说。

没有现成的技术依据可以支持 Nischan 的愿景。

但在过去几年里,Wholesome Wave 的工作得到了一些技术的大力支持,比如他们的新支付平台。这个支付平台可以使用机器学习给超市购物车打分,并通过电子邮件让消费者了解更健康的选择。

他认为,未来,联邦医疗补助计划 (Medicaid) 将把水果和蔬菜列为可报销的项目,从而帮助减少每年 1.4 万亿美元与饮食相关疾病的治疗费用。

3.优化个人和公共卫生

AI 也被动员起来对多层复杂信息进行分类,以改善食品加工和促进公共卫生。

食品配送 app、饮食跟踪平台和健康数据库使美国人比以往任何时候都更容易改善他们的饮食习惯和整体健康。

美国疾病控制与预防中心 (CDC) 的数据显示,近 40% 的美国人患有肥胖症。

许多 app 都使用了人工智能,包括健康应用 Noom,它收集并分析用户的运动日志和食物摄入数据,为他们提供个性化的健康、饮食和健身建议。

新的工具正在被开发,以应对每年约六分之一的美国人食物中毒的情况。

一旦疫情爆发,确定食物来源是一项非常困难的任务,但是一些企业正在依靠 Agrisource Data 用 AI 驱动的 AgClarity 分析平台和其他新工具,跟踪整个复杂的食品供应链中的食品质量、安全和新鲜度。

或许,更令人惊讶的是,Yelp 等众包平台被证明是研究人员解决食品安全问题的沃土。

哥伦比亚大学的一个团队最近开发了一个 AI 工具,可以分析用户评论,以控制食源性疾病爆发的传播。纽约市卫生局正使用它来追踪和确定受污染食品的来源,甚至关闭了那些屡次未通过卫生检查的餐馆。

罗切斯特大学的研究人员使用 Twitter 代替 Yelp,开发出 nEmesis,告诉用户哪些食物是不安全的。这款人工智能自然语言处理 app 可以读取推文,并对与食物中毒相关的餐厅的地理位置进行标记。到目前为止,该系统减少了约 9000 起食物中毒事件和 557 例住院治疗。

普渡大学的研究人员还开发了一个智能手机工具,可以分析农产品中的食源性病原体,比如最近在生菜中发现的大肠杆菌。

事实证明,现场检测工具在农场或食品加工厂非常有用,可以防止大规模疫情爆发所导致的、将数百人甚至数千人送入急诊室的情况发生。

通过训练算法,为食物链上的每一个环节提供支持,我们可以确保健康食品不仅易于种植和购买,而且可以安全食用。

如果新技术工具能够使复杂的食品供应链更加透明,那么它们无疑将有利于更大的公共利益。人们想知道他们的食物来自哪里,而忙碌的消费者往往没有时间或精力去调查所有关于他们食物的必要数据。

在一个手机信号弱、水资源匮乏的地区,农民 Don Bustos 已经掌握了在有限的条件下工作的艺术。

Bustos 的农场靠近索诺兰沙漠的边缘,他的祖先已经耕种了几个世纪。在他的农场,你可以找到农贸市场的主要产品,如黑莓、芦笋、生菜,以及传家宝红辣椒和白菜。

Bustos 区域性的食物系统成功的关键是一个历史悠久的、重力驱动的公共灌溉系统 Acequias,它已经进化了 1 万多年。

(Acequias 是公共灌溉系统,由在新墨西哥州定居的西班牙人在 16 世纪至 18 世纪之间挖掘出来的,至今仍在使用。这里有一条主要的运河,水闸把水从这条运河引到七英里外的个人农场。)

这种做法最初是由罗马人开发的,传授给摩尔人,并在 400 多年前被带到美洲。Acequias 的治理是通过社区投票来实现的,「是一种横向的努力,而不是一种自上而下的方法。」他说。

在温室传感器能够与智能手机 app 通信的时代,Bustos 的农场体现了老式人际关系的价值。

在新墨西哥州北部,Bustos 没有享受到高速互联网带来的好处。但是他所拥有的是无价的: 一个由农民组成的社区,他们看到了为子孙后代保护水资源的价值。

Bustos 在这个地区组织农民,向他们传授从商业规划到土壤肥力的各种知识,这样,他们就能攒到足够的钱供孩子上大学。

他还帮助发起农业文化网络,一个由 13 个农民组成的团队,他们将收成汇总,为农贸市场、杂货店和阿尔伯克基的公立学校的顾客提供农产品。

2015 年,他凭借对当地社区的长期服务而获得詹姆斯·比尔德基金会领导力奖。

「技术在组织每个人方面发挥着关键作用。」他说。但正是通过讲故事和社区知识,他学会了如何种田——特别是听爷爷奶奶讲故事。「整个社区都需要成为学习的一部分。」他说。

4.机遇与挑战

新兴技术正在改变我们生产、分配和消费食物的方式,将食物带给人们,而不是把人带到食物中。

我们的食物系统正在进入一个新的前沿。农民现在可以在几秒钟而不是几周内诊断出植物疾病。

杂货商和非营利组织正在使用可互操作的销售点技术,以确保,即使是美国最缺乏食物安全保障的个人和家庭也能买得起新鲜、营养丰富的食品。

数百万美国人正通过健身和膳食跟踪 app 监测和改善他们的健康状况,与此同时,公共卫生官员和软件工程师正联手,简化召回有问题食物的流程,让控制食物中毒蔓延变得更加容易。

预测技术已经被应用于整个食品供应链,将食品带给人们,从而改变了长期以来将人们带到食品中的规范。

新兴技术不仅支持农业部门,而且支持整个粮食系统,新兴技术使人们能够提出更快、更便宜地解决粮食生产、分配和消费方面的危机。

这些工具可以通过在问题发生之前预测潜在问题,及早发现问题并提供有效解决问题的工具来帮助缓解最极端的困难。

也许最重要的是,正如本报告中介绍的许多技术所显示的那样,人工智能可以使整个食物链中各个环节的工作人员更容易协作和创新。

谈到人工智能带来的机遇,乔治亚理工学院计算机科学教授杰克·阿伯内西(Jake Abernethy)说:「一个显而易见的机遇是,降低整个食品供应链中各个环节的成本。

这些新工具很有前景,但未来几年仍有工作要做,以确保利用技术促进可持续农业的发展,促进食品的公平分配,解决更广泛的公共卫生问题。

为了使这些新的进步造福整个社会,它们必须是负担得起的、用户友好的、可靠的和可获得的。

他们必须解决其他地方正在研究的一些最紧迫的技术问题,包括「数字鸿沟」和农村宽带接入、人工智能与劳动力市场之间的关系,以及农业数据的所有权。

随着新技术的出现,许多农民尤其担心未经测试的工具会降低他们生产的食品的质量以及生产食品的文化。

在新墨西哥州北部经营 Santa Cruz Farms & Greenhouses(圣克鲁斯农场和温室)的资深农民 Don Bustos 担心,「针对农业采取军事化的系统方法,一切都受到监控。」

在优化过程中,Bustos 警告说,精密技术面临着把土地榨干的风险。「这个系统是有效的,」Bustos 承认,「但它依赖大量的化石燃料和外部资源。」

随着食品技术的创新不断加速,社区在实施过程中拥有发言权尤为重要。Bustos 将技术的价值视为一种可以减少低效率,以更少的资源投入获得更多增长的手段。

事实上,他开创了在寒冷的沙漠夜晚利用太阳能为植物保暖的方法ーー在土壤下面铺设热水管,以防止植物的根部被冻住。

对他来说,当充分整合社区、文化和祖传知识时,人工智能将发挥最大的潜力。Bustos:「我知道技术可以发挥重要作用,但是关于我们如何种植粮食的决定不应该由它来做。」

扫描二维码,获取报告全文

产业智慧农业
1
相关数据
数据分析技术

数据分析是一类统计方法,其主要特点是多维性和描述性。有些几何方法有助于揭示不同的数据之间存在的关系,并绘制出统计信息图,以更简洁的解释这些数据中包含的主要信息。其他一些用于收集数据,以便弄清哪些是同质的,从而更好地了解数据。 数据分析可以处理大量数据,并确定这些数据最有用的部分。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

数据科学技术

数据科学,又称资料科学,是一门利用数据学习知识的学科,其目标是通过从数据中提取出有价值的部分来生产数据产品。它结合了诸多领域中的理论和技术,包括应用数学、统计、模式识别、机器学习、数据可视化、数据仓库以及高性能计算。数据科学通过运用各种相关的数据来帮助非专业人士理解问题。

规划技术

人工智能领域的「规划」通常是指智能体执行的任务/动作的自动规划和调度,其目的是进行资源的优化。常见的规划方法包括经典规划(Classical Planning)、分层任务网络(HTN)和 logistics 规划。

TensorFlow技术

TensorFlow是一个开源软件库,用于各种感知和语言理解任务的机器学习。目前被50个团队用于研究和生产许多Google商业产品,如语音识别、Gmail、Google 相册和搜索,其中许多产品曾使用过其前任软件DistBelief。

计算机视觉技术

计算机视觉(CV)是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。目标识别和面部识别也是很重要的研究领域。

数据库技术

数据库,简而言之可视为电子化的文件柜——存储电子文件的处所,用户可以对文件中的数据运行新增、截取、更新、删除等操作。 所谓“数据库”系以一定方式储存在一起、能予多个用户共享、具有尽可能小的冗余度、与应用程序彼此独立的数据集合。

准确率技术

分类模型的正确预测所占的比例。在多类别分类中,准确率的定义为:正确的预测数/样本总数。 在二元分类中,准确率的定义为:(真正例数+真负例数)/样本总数

大数据技术技术

大数据,又称为巨量资料,指的是传统数据处理应用软件不足以处理它们的大或复杂的数据集的术语。

无人机技术

无人机(Uncrewed vehicle、Unmanned vehicle、Drone)或称无人载具是一种无搭载人员的载具。通常使用遥控、导引或自动驾驶来控制。可在科学研究、军事、休闲娱乐用途上使用。

自然语言处理技术

自然语言处理(英语:natural language processing,缩写作 NLP)是人工智能和语言学领域的分支学科。此领域探讨如何处理及运用自然语言;自然语言认知则是指让电脑“懂”人类的语言。自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。

推荐文章
暂无评论
暂无评论~