谷歌登月实验室的新项目 居然这么“土”( 二 )
机器学习算法可以分辨画面中哪些是作物 ， 哪些是土壤 ， 以及作物的生长表现也能够体现出来 ， 比如下图中生长良好的就是绿色 ， 不良则是红色：
Plant Buggy 继续在田地里穿行 ， 拍下更多的照片 ， 结合地图数据 ， 可以把整片田地给“数字化” ， 帮助农民追踪每一株作物的表现 。 在机器学习算法的帮助下 ， Mineral 的软件工具可以预测作物对环境的反应 ， 帮助农民对单株植物“对症下药” ， 而非对整片田地进行统一化的处理 。最终 ， 农民可以更好地追踪每一株植物的表现 ， 降低种植成本以及过度使用化学物对土壤造成的不良影响 。 Mineral 还宣称 ， 这样能够帮助农民更准确地预测收成 。
目前 ， Mineral 正在和美国、加拿大、阿根廷和南非的农民开展合作和测试 。 未来 ， 该公司计划在未来扩展合作的渠道 ， 让全世界更多的私营公司、非营利机构、学术单位和政府也可以参与进来 。机器学习能改变农业吗不过截至目前 ， Mineral 究竟能帮到农民多少 ， 暂时还没有成功案例可以分享 。 一些农业经济和粮食问题方面的专家也对这项技术的普及前景表达了怀疑 。非营利机构“全球改善营养联盟”(Global Alliance for Improved Nutrition) 高级合伙人 ， 前联合利华可持续技术团队成员 Oliver Camp 表示 ， 在现实中 ， 农民确实已经在用各种技术手段 ， 但由于认知、经济性以及商业模式等多方面原因 ， 很多农业技术到了农民的手上 ， 实际效果根本达不到设计初衷 。他还担心 ， “对于全球粮食短缺问题最严重国家和地区的6亿农民来说 ， 想要用上这项 (Minderal 的) 技术恐怕是遥遥无期 。 ”
话说回来 ， 作为从（原）谷歌公司的颇为高大上的“登月实验室”诞生的项目 ， Mineral 确实是相当接地气 。 它希望解决的是个长远 ， 但又切实的问题 ， 只是从信息量非常有限的描述来看 ， 它的解决方案似乎又有点过于阳春白雪了 。机器学习的潜力毋庸置疑 ， 但至今这项技术很大程度上仍然是个不可解释的黑盒子 。 Mineral 的方案 ， 预测的准不准 ， 真的能给农民带来多大帮助 ， 确实不好说 。 它想要获取农民的信任 ， 仍需要足够多的成功案例去证明自己 。
推荐阅读
- 谷歌刚刚爆出大料，真的不敢相信！
- 越媒:越南正要求脸书，谷歌，亚马逊，苹果缴税
- 核酸检测|各地将组织摸排接收外送样本进行核酸检测的实验室
- 无惧谷歌技术中断，鸿蒙系统下月登陆手机
- 苹果亚马逊谷歌同日发财报：谁赚了、谁血亏
- 2020年上半年全国宏观杠杆率
- 卫星直击美国全球生化实验室
- 美国人为何对伟大科技公司诸如谷歌无所谓
- 还在封杀华为的谷歌，终于被收拾了
- 美军海外实验室到底有多“毒”？