至頂網軟體頻道消息： 大家認為人工智慧是否可以優化食物系統？從精准耕作到個性化營養， 在農業、食品生產和食品消費方面有許多潛在的技術應用。 但是， 技術性能、用戶的接受程度以及該技術的實際應用仍然構成挑戰。 Chiara Cecchini調查了這一細分領域的主要挑戰和機遇， 探索如何利用人造大腦的使用來確保健康生活並促進幸福。
斯坦福大學發起的"人工智慧百年研究"表明， 人工神經網路現在可以通過大資料集和大規模計算（深度學習）進行訓練， 從而推動資料驅動型解決方案的發展， 進而改善決策。 此外， 人工神經網路是受生物腦神經網路啟發而來的計算系統。 人類的選擇是基於有限的知識， 這種做法增加了風險而且效率低下。 人工智慧提供了機會， 可以針對複雜任務模仿人類的認知能力， 通過這些人工神經元網路， 有可能能夠降低風險並增強積極的成果。
農業、健康和營養早就已經在政治和社會兩個層面上都佔據了不同的領域。 現在， 人們普遍認識到， 在全球範圍內， 最重要的任務之一是提供在數量和品質上都充足的食物， 以可持續的方式養育不斷增長的世界人口。 世界經濟論壇（World Economic Forum）認為， 為了做到這一點， 迫切需要促進"更為智慧的農業增長。 "
安裝在農場、田野或者運輸途中的感測器生成的資料提供了前所未有豐富的資訊。 因此， 將人工智慧應用於農業有可能會優化並提高產量， 改善農業規劃， 優化資源並極大地防止浪費。 據估計， 到2020年， 將有超過7500萬台農用連接設備投入使用， 而到2050年， 每個農場預計平均每天會產生410萬個資料點。
在養殖業中有幾個例子：從精准除草和採摘到疾病識別，
康奈爾大學的一組研究人員最近發表了一項研究， 解釋他們如何建立並訓練一個神經網路， 該神經網路能夠以98％的準確率鑒別木薯葉片上的褐斑病。 CAMP3部署和管理無線感測器網路， 該網路被用於收集田間圖像， 並在早期自動發現病蟲害。
為了進行精准的除草和採摘， Abundant Robotics最近籌集了1000萬美元用於建造一個能夠採摘合適蘋果的機器人。 另一個例子是Vision Robotics， 這家聖地牙哥的公司開發的機器人能夠在果園中移動並採摘橘子。 這些類型的解決方案也許可以為農民節省數百萬美元的勞動力成本和水果損壞成本， 每年減少13億噸的糧食損失（約折合7500億美元）。
人工智慧也有積極影響土壤健康的潛力。 每一湯匙的土壤中含有數以百萬計的微生物， 為植物形成一個生態系統， Trace Genomics等公司能夠從土壤中提取DNA， 分析其微生物群落， 並基於人工智慧提供建議， 以最大限度地提高土壤的健康程度和作物產量。
全球糧食安全是人類面臨的最緊迫的問題之一， 農業生產對實現這一目標至關重要。 植物和動物疾病、環境退化和氣候變化都是影響全球人口的迫切問題。 現在那些從事人工智慧和機器學習的人都希望能夠塑造一場新的綠色革命：我們越早開始研究它， 我們所有的人就會從中獲得越大的價值。