知名創(chuàng )投研究機構CB Insights調研了25種最主要的AI趨勢，以確定2019年該技術(shù)的下一步趨勢。他們根據行業(yè)采用率和市場(chǎng)優(yōu)勢評估了每種趨勢，并將其歸類(lèi)為必要、實(shí)驗性、威脅性、暫時(shí)性。
一 膠囊網(wǎng)絡(luò )將挑戰最先進(jìn)的圖像識別算法 1、開(kāi)源框架（Open-Source Frameworks） 人工智能的進(jìn)入門(mén)檻比以往任何時(shí)候都低，這要歸功于開(kāi)源軟件。2015年谷歌開(kāi)放了其機器學(xué)習庫TensorFlow，越來(lái)越多的公司，包括可口可樂(lè )、e-Bay等都開(kāi)始使用TensorFlow。 2017年Facebook發(fā)布caffe2和PyTorch（一種使用Python編寫(xiě)的開(kāi)源機器學(xué)習平臺），而Theano是蒙特利爾學(xué)習算法研究所（Mila）的另一個(gè)開(kāi)源庫。隨著(zhù)這些工具的使用越來(lái)越廣泛，Mila公司已經(jīng)停止了對Theano的開(kāi)發(fā)。 2、膠囊網(wǎng)絡(luò )（Capsule Networks） 眾所周知，深度學(xué)習（Deep Learning）推動(dòng)了今天的大多數人工智能應用，而膠囊網(wǎng)絡(luò )（capsule networks）的出現可能會(huì )使其改頭換面。深度學(xué)習界領(lǐng)航人Geoffrey Hinton在其2011年發(fā)布的論文中提到“膠囊”這個(gè)概念，而后于2017年-2018年的論文中提出“膠囊網(wǎng)絡(luò )”概念。 針對當今深度學(xué)習中最流行的神經(jīng)網(wǎng)絡(luò )結構之一：卷積神經(jīng)網(wǎng)絡(luò )（CNN），Hinton指出其存在諸多不足，CNN在面對精確的空間關(guān)系方面會(huì )暴露其缺陷。 比如將人臉圖像中嘴巴的位置放置在額頭上面，CNN仍會(huì )將其辨識為人臉。CNN的另一個(gè)主要問(wèn)題是無(wú)法理解新的觀(guān)點(diǎn)。黑客可以通過(guò)制造一些細微變化來(lái)混淆CNN的判斷。 經(jīng)測試，膠囊網(wǎng)絡(luò )可以對抗一些復雜的對抗性攻擊，比如篡改圖像以混淆算法，且優(yōu)于CNN。膠囊網(wǎng)絡(luò )的研究雖然目前還處于起步階段，但可能會(huì )對目前最先進(jìn)的圖像識別方法提出挑戰。 3、生成式對抗網(wǎng)絡(luò )（Generative Adversarial Networks） 2014年，谷歌研究員Ian Goodfellow提出“生成式對抗網(wǎng)絡(luò )”（GAN）概念，利用“AI VS AI”概念，提出兩個(gè)神經(jīng)網(wǎng)絡(luò )：生成器和鑒別器。谷歌DeepMind實(shí)習生Andrew Brock與其他研究人員一起合作，對GAN進(jìn)行了大規模數據集的訓練，以創(chuàng )建“BigGANs”。 GAN面對的主要挑戰就是計算能力，對于A(yíng)I硬件來(lái)說(shuō)必須是并行縮放。研究人員用GAN進(jìn)行“面對面翻譯”，還有利用GAN將視頻變成漫畫(huà)形式，或者直接進(jìn)行繪畫(huà)創(chuàng )作等，但GAN也被一些不懷好意的人利用，包括制作假的政治錄像和偽造色情制品。 4、聯(lián)合學(xué)習（Federated Learnnig） 我們每天使用手機或平板會(huì )產(chǎn)生大量數據信息，使用我們的本地數據集來(lái)訓練AI算法可以極大地提高它們的性能，但用戶(hù)信息是非常私人和隱秘的。 谷歌研發(fā)的聯(lián)合學(xué)習（Federated Learning）方法旨在使用這個(gè)豐富的數據集，但同時(shí)保護敏感數據。谷歌正在其名為Gboard的Android鍵盤(pán)上測試聯(lián)合學(xué)習。 聯(lián)合學(xué)習方法與其他算法的不同在于考慮了兩個(gè)特征：非獨立恒等分布（Non-IID）和不均衡性（Unbalanced）。聯(lián)合學(xué)習已運用于瀏覽器Firefox、人工智能創(chuàng )業(yè)公司OWKIN等。 5、強化學(xué)習（Reinforcement Learning） 當谷歌DeepMind研發(fā)的AlphaGo在中國圍棋游戲中擊敗世界冠軍后，強化學(xué)習（Reinforcement Learning）獲得了廣泛關(guān)注�；趶娀瘜W(xué)習，DeepMind接著(zhù)又研發(fā)了AlphaGo Zero。 UC Berkeley研究人員利用計算機視覺(jué)和強化學(xué)習來(lái)教授YouTube視頻中的算法雜技技能。 盡管取得了進(jìn)步，但強化學(xué)習與當今最流行的人工智能范式監督學(xué)習相比，還算不上成功，不過(guò)關(guān)于強化學(xué)習應用的研究越來(lái)越多，包括Microsoft，Adobe，FANUC等都在開(kāi)展這方面的研究。 二 2025年自動(dòng)駕駛利潤達800億美元，物流率先應用 6、人工智能終端化 人工智能技術(shù)快速迭代，正經(jīng)歷從云端到終端的過(guò)程。人工智能終端化能夠更好更快地幫助我們處理信息，解決問(wèn)題。所謂人工智能終端化，就是舍棄使用云端控制的方法，而是將AI算法加載于終端設備上（如智能手機，汽車(chē)，甚至衣服上）。 諸多公司加入了對終端側人工智能領(lǐng)域的突破和探索。2017和2018年是眾多科技公司在人工智能終端化進(jìn)入快速發(fā)展期的兩年，同時(shí)他們也在加緊對人工智能芯片的研發(fā)。 但AI依然面臨著(zhù)儲存和開(kāi)發(fā)上的困境，亟需更豐富的混合模型連接終端設備與中央服務(wù)器。 7、人臉識別 從手機解鎖到航班登機，人臉識別的應用范圍愈發(fā)廣泛，各國對于人臉識別的需求逐漸升高，不少創(chuàng )業(yè)公司開(kāi)始關(guān)注這一領(lǐng)域，利用該技術(shù)，可以通過(guò)臉部特點(diǎn)從而還原蒙面嫌疑犯完整的人臉。 但人臉識別仍有待改進(jìn)。這一技術(shù)仍會(huì )對人臉真假存在誤判。人臉識別中所包含的數據遠比我們想象要多，其中的安全問(wèn)題也應引起我們關(guān)注。 8、語(yǔ)言處理 自然語(yǔ)言處理（NLP）是人工智能的一個(gè)子領(lǐng)域。對于翻譯技術(shù)而言，NLP就像一個(gè)潘多拉魔盒——除了豐富的市場(chǎng)機會(huì )，還有巨大的挑戰。機器翻譯就是其中一個(gè)等待開(kāi)發(fā)的寶庫，從后臺自動(dòng)化，客戶(hù)支持，到新聞媒體，其應用廣泛。 人機共生也是翻譯領(lǐng)域未來(lái)的大方向，不少初創(chuàng )公司也期待從中分一杯羹，但要完成基于自然語(yǔ)言處理工作的翻譯系統并不容易，單單中文里的各種方言和書(shū)面語(yǔ)就能把眾多科技公司難住。據相關(guān)數據顯示，除了熱門(mén)的高資源語(yǔ)言，如中文、阿拉伯語(yǔ)、歐洲語(yǔ)言等，低資源語(yǔ)言和少數民族語(yǔ)言的開(kāi)發(fā)和應用依然存在缺口。 9、車(chē)輛自動(dòng)化駕駛 盡管自動(dòng)化駕駛汽車(chē)的市場(chǎng)潛力巨大，但實(shí)現全自動(dòng)的未來(lái)依然不明朗。自動(dòng)化駕駛成為了科技公司和初創(chuàng )公司互相競爭的新領(lǐng)域，他們?yōu)榇俗⑷氲牟粌H有新的活力，還有大量的投資。 投資者對他們的決定十分樂(lè )觀(guān)，數個(gè)自動(dòng)駕駛汽車(chē)品牌所獲得的投資總額已超百億，預計2025年其市場(chǎng)利潤能達800億美元。物流等相關(guān)行業(yè)會(huì )成為首批應用全自動(dòng)駕駛的行業(yè)，預計可縮減三分之一的成本。 10、AI聊天機器人 盡管許多人把聊天機器人看成是AI的代名詞，但兩者依然存在差別。如今的AI聊天機器人已經(jīng)進(jìn)化得十分完善，與真人對話(huà)時(shí)甚至還會(huì )應用“嗯…”這一類(lèi)口頭語(yǔ)和停頓，但人們擔憂(yōu)這些機器人的行為過(guò)于逼真，開(kāi)始考慮在對話(huà)時(shí)對其聊天機器人的身份進(jìn)行確認說(shuō)明的需要。 國外的科技巨頭FAMGA（Facebook，Apple，Microsoft，Google與Amazon）以及國內的BAT都把目光投向了這一領(lǐng)域。 三 AI診斷前景巨大，制藥巨頭押注AI算法 11、醫學(xué)成像與診斷 美國食品與藥物管理局（FDA）正加速推進(jìn)“AI即醫療設備”趨勢。2018年4月，FDA批準了AI軟件IDx-DR，它可以在不需要專(zhuān)家干預的情況下篩查糖尿病視網(wǎng)膜病變患者，準確率超過(guò)87.4%。 FDA還批準了Viz LVO（可用于分析CT掃描結果以預測患者患中風(fēng)危險）和Oncology AI套件（專(zhuān)注于發(fā)現肺部和肝臟病變），監管機構的快速審批為80多家AI成像和診斷公司開(kāi)辟了新的商業(yè)道路。自2014年以來(lái)，這些公司共融資149筆。 在消費者方面，智能手機的普及和圖像識別技術(shù)的進(jìn)步正在把手機變成強大的家庭診斷工具。名為Dip.Io的應用使用傳統尿液檢測試紙來(lái)監測各種尿路感染。用戶(hù)可以用智能手機給試紙拍照，計算機視覺(jué)算法會(huì )根據不同的光照條件和攝像頭質(zhì)量對結果進(jìn)行校正。 除此之外，許多“ML即服務(wù)”平臺正集成到FDA批準的家庭監控設備中，發(fā)現異常時(shí)即可向醫生發(fā)出警報。 12、下一代假肢 早期的研究正在興起，結合生物學(xué)、物理學(xué)和機器學(xué)習來(lái)解決假肢面臨的最困難問(wèn)題之一，即靈活性。這是個(gè)十分復雜的問(wèn)題，比如要讓截肢者能夠在假肢手臂上活動(dòng)單個(gè)手指，需要解碼其背后的大腦和肌肉信號，并將其轉化為機器人控制指令，這些都需要多學(xué)科配合。 最近，研究人員開(kāi)始使用機器學(xué)習來(lái)解碼來(lái)自人體傳感器的信號，并將其轉換成移動(dòng)假肢設備指令。 還有些論文探討了新媒介解決方案，比如使用肌電信號（殘肢附近肌肉的電活動(dòng)）來(lái)激活攝像頭，以及運行計算機視覺(jué)算法來(lái)估計他們面前物體的抓取方式和大小。 年度機器學(xué)習大會(huì )NeurIPS'18已經(jīng)發(fā)起“AI假肢挑戰賽”，進(jìn)一步突顯了AI社區對該領(lǐng)域的興趣。該大會(huì )2018年的挑戰是使用強化學(xué)習預測假肢的性能，有442名參與者試圖教AI如何跑步，贊助商包括AWS、豐田等。 13、臨床試驗患者招募 臨床試驗的最大瓶頸之一是招募合適的患者，蘋(píng)果公司或許能夠解決這個(gè)問(wèn)題。盡管人們在努力將醫療記錄數字化，但互操作性（在機構和軟件系統之間共享信息的能力）仍是醫療保健領(lǐng)域最大的問(wèn)題之一。 理想的AI解決方案是從患者的病歷中提取相關(guān)信息，并與正在進(jìn)行的試驗進(jìn)行比較，為進(jìn)行匹配研究的AI軟件提供建議。 然而，像蘋(píng)果這樣的科技巨頭已經(jīng)成功地為他們的醫療保健計劃引入了合作伙伴蘋(píng)果公司正在改變醫療數據的流動(dòng)方式，并為AI開(kāi)辟了新的可能性，尤其是圍繞臨床研究人員招募和監測患者的方式。 自2015年以來(lái)，蘋(píng)果推出了兩個(gè)開(kāi)源框架——ResearchKit和CareKit，以幫助臨床試驗招募患者，并遠程監控他們的健康狀況，消除了地理障礙。蘋(píng)果公司還與Cerner和Epic等流行的EHR供應商合作，解決互操作性問(wèn)題。 14、先進(jìn)醫療生物識別技術(shù) 利用神經(jīng)網(wǎng)絡(luò )，研究人員開(kāi)始研究和測量以前難以量化的非典型危險因素。使用神經(jīng)網(wǎng)絡(luò )分析視網(wǎng)膜圖像和語(yǔ)音模式可能有助于識別心臟病的風(fēng)險。 比如，谷歌的研究人員使用受過(guò)訓練的視網(wǎng)膜圖像神經(jīng)網(wǎng)絡(luò )來(lái)發(fā)現心血管疾病的危險因素，如年齡、性別和吸煙等。梅奧診所通過(guò)分析聲音中的聲學(xué)特征，可以發(fā)現冠心病患者的不同語(yǔ)音特征。 不久的將來(lái)，醫療生物識別技術(shù)將被用于被動(dòng)監控，比如谷歌的專(zhuān)利希望通過(guò)膚色或皮膚位移來(lái)分析心血管功能，這些傳感器甚至可能被放置在病人浴室的“感應環(huán)境”中，通過(guò)識別手腕和臉頰的皮膚顏色變化，來(lái)確定心臟健康指標，如動(dòng)脈僵硬或血壓。 亞馬遜也申請了被動(dòng)監測專(zhuān)利，將面部特征識別與心率分析結合起來(lái)。AI發(fā)現模式的能力將繼續為新的診斷方法和識別以前未知的危險因素鋪平道路。 15、藥物發(fā)現 隨著(zhù)AI生物技術(shù)初創(chuàng )企業(yè)的興起，傳統制藥公司正尋求AI SaaS初創(chuàng )企業(yè)為漫長(cháng)的藥物研發(fā)周期提供創(chuàng )新解決方案。2018年5月，輝瑞與XtalPi建立了戰略合作伙伴關(guān)系，預測小分子藥物的性質(zhì)，開(kāi)發(fā)“基于計算的理性藥物設計”。 諾華（Novartis）、賽諾菲（Sanofi）、葛蘭素史克（GlaxoSmithKline）、安進(jìn)（Amgen）和默克（Merck）等頂級制藥公司，最近幾個(gè)月都宣布與AI初創(chuàng )企業(yè)建立合作關(guān)系，以發(fā)現腫瘤和心臟病等領(lǐng)域的新藥。 像遞歸制藥（Recursion Pharmaceuticals）這樣的生物技術(shù)AI公司正在投資AI和藥物研發(fā)，傳統制藥公司正在與AI SaaS初創(chuàng )公司合作。盡管這些初創(chuàng )公司中有許多仍處于融資的早期階段，但它們已經(jīng)擁有自己的制藥客戶(hù)。 在藥物研發(fā)階段，衡量成功的標準很少，但制藥公司正把數百萬(wàn)美元押在A(yíng)I算法上，以發(fā)現新的治療方案，并改變曠日持久的藥物研發(fā)過(guò)程。 四 合成數據集用以解決AI的數據依賴(lài) 16、預測性維護 從制造商到設備保險公司，AI-IIoT可以在故障損害發(fā)生之前，提出防范措施�，F場(chǎng)和工廠(chǎng)設備會(huì )產(chǎn)生大量的數據；然而，未預料到的設備故障是制造業(yè)停機的主要原因之一。預測設備或單個(gè)部件何時(shí)失效將使資產(chǎn)保險公司和制造商受益。 在預測性維護中，傳感器和智能攝像機收集來(lái)自機器的連續數據，如溫度、壓力等。實(shí)時(shí)數據的數量和變化形式使機器學(xué)習成為IIoT不可分割的組成部分。隨著(zhù)時(shí)間的推移，算法可以在故障發(fā)生之前預測可能出現的隱患。 隨著(zhù)工業(yè)傳感器成本的降低、機器學(xué)習算法的進(jìn)步，以及對邊緣計算的推動(dòng)，預測性維護會(huì )更加廣泛。 17、后臺自動(dòng)化 人工智能正在推動(dòng)管理工作走向自動(dòng)化，但數據的不同性質(zhì)和格式使其成為一項具有挑戰性的任務(wù)。根據行業(yè)和應用程序的不同，自動(dòng)化“后臺任務(wù)”的挑戰可能是獨一無(wú)二的。例如，手寫(xiě)的臨床筆記對自然語(yǔ)言處理算法來(lái)說(shuō)就是一個(gè)獨特的挑戰。 機器人過(guò)程自動(dòng)化（RPA）一直是熱門(mén)話(huà)題，雖然并非所有的機器人過(guò)程自動(dòng)化都基于機器學(xué)習，但許多都開(kāi)始將圖像識別和語(yǔ)言處理集成到它們的解決方案中。 18、綜合訓練數據 對于訓練人工智能算法來(lái)說(shuō)，訪(fǎng)問(wèn)大型的、標記的數據集是必要的，合成數據集可能會(huì )成為解決瓶頸問(wèn)題的關(guān)鍵。人工智能算法依賴(lài)數據，當一些類(lèi)型的現實(shí)世界數據不易被訪(fǎng)問(wèn)時(shí)，合成數據集的用武之地就體現出來(lái)。一個(gè)有趣的新興趨勢是使用AI本身來(lái)幫助生成更“逼真”的合成圖像來(lái)訓練AI。 GAN被用于“增強”現實(shí)世界數據，這意味著(zhù)AI可以通過(guò)混合的現實(shí)世界和模擬數據進(jìn)行訓練，以獲得更大更多樣化的數據集。此外，機器人技術(shù)是另一個(gè)可以從高質(zhì)量合成數據中獲益的領(lǐng)域。 19、網(wǎng)絡(luò )優(yōu)化 人工智能正在開(kāi)始改變電信行業(yè)。電信網(wǎng)絡(luò )優(yōu)化是一套改進(jìn)延遲、帶寬、設計或架構的技術(shù)——能以有利方式增加數據流的技術(shù)。對于通信服務(wù)提供商來(lái)說(shuō)，優(yōu)化可以直接轉化為更好的客戶(hù)體驗。除了帶寬限制之外，電信面臨的最大挑戰之一是網(wǎng)絡(luò )延遲，像手機上的AR/VR等應用，只有極低的延遲時(shí)間才能達到最佳的功能。 電信運營(yíng)商也在準備將基于A(yíng)I的解決方案集成到下一代無(wú)線(xiàn)技術(shù)中，即5G。三星收購了基于A(yíng)I的網(wǎng)絡(luò )和服務(wù)分析初創(chuàng )公司Zhilabs，為5G時(shí)代做準備；高通認為人工智能邊緣計算是其5G計劃的重要組成部分（邊緣計算可減少帶寬限制并與云進(jìn)行頻繁通信，這是5G的主要關(guān)注領(lǐng)域）。 20、網(wǎng)絡(luò )威脅搜尋 對網(wǎng)絡(luò )攻擊做出反應已經(jīng)不夠了，使用機器學(xué)習主動(dòng)“搜尋”威脅正在網(wǎng)絡(luò )安全中獲得動(dòng)力。顧名思義，威脅搜尋是主動(dòng)尋找惡意活動(dòng)的做法，而不僅僅是在發(fā)生警報或違規后做出反應。搜尋開(kāi)始于對網(wǎng)絡(luò )中潛在弱點(diǎn)的假設，以及手動(dòng)和自動(dòng)化工具，以在連續的迭代過(guò)程中測試假設。 網(wǎng)絡(luò )安全中龐大的數據量使機器學(xué)習成為流程中不可分割的一部分，從而有望使威脅搜尋獲得更多的動(dòng)力，然而它也面臨著(zhù)自身的一系列挑戰，比如應對不斷變化的動(dòng)態(tài)環(huán)境和減少誤報。 五 訓練算法、指紋追蹤、人工智能防范假貨 21、電子商務(wù)搜索 對搜索詞的上下文理解正在走出“實(shí)驗階段”，但要廣泛采用搜索詞還有很長(cháng)的路要走。當使用電子商務(wù)搜索來(lái)顯示相關(guān)結果時(shí)，使用適當的元數據來(lái)描述產(chǎn)品是一個(gè)起點(diǎn)。 但是僅僅描述和索引是不夠的。許多用戶(hù)用自然語(yǔ)言搜索產(chǎn)品（比如“沒(méi)有紐扣的洋紅色襯衫”），或者不知道如何描述他們在尋找的商品，這使得電子商務(wù)搜索的自然語(yǔ)言成為一個(gè)挑戰。 22、汽車(chē)索賠處理 保險公司和初創(chuàng )公司開(kāi)始使用人工智能來(lái)計算車(chē)主的“風(fēng)險得分”，分析事故現場(chǎng)的圖像，并監控駕駛員的行為。Ant Financial在其“事故處理系統”中使用深度學(xué)習算法進(jìn)行圖像處理。過(guò)去，車(chē)主或司機會(huì )把他們的車(chē)送到“理算師”那里，理算師負責檢查車(chē)輛的損壞情況，并記錄下詳細情況，然后將這些信息發(fā)送給汽車(chē)保險公司。 如今，圖像處理技術(shù)的進(jìn)步使得人們可以拍下這輛車(chē)的照片并將其上傳，神經(jīng)網(wǎng)絡(luò )對圖像進(jìn)行分析，實(shí)現損傷評估的自動(dòng)化。另一種方法是對駕駛員進(jìn)行風(fēng)險分析，從而影響汽車(chē)保險的實(shí)際定價(jià)模型。 23、防偽 假貨越來(lái)越難被發(fā)現，網(wǎng)購使得購買(mǎi)假貨比以往任何時(shí)候都容易。為了反擊，品牌和典當商開(kāi)始嘗試人工智能，在網(wǎng)絡(luò )世界和現實(shí)世界兩條戰線(xiàn)上與假貨作戰。 不過(guò)，網(wǎng)上假冒偽劣產(chǎn)品的范圍和規模非常龐大復雜。造假者使用與原始品牌列表非常相似的關(guān)鍵詞和圖片，在假冒網(wǎng)站上銷(xiāo)售假貨、在合法市場(chǎng)上銷(xiāo)售假貨、在社交媒體網(wǎng)站上推廣假貨……隨著(zhù)“超級假貨”或“aaa假貨”的興起，用肉眼分辨它們幾乎變得不可能。 現在，建立一個(gè)假冒偽劣商品的數據庫，提取其特征，并訓練人工智能算法來(lái)分辨真偽，雖是一個(gè)繁瑣的過(guò)程，但對于奢侈品牌和其他高風(fēng)險零售商來(lái)說(shuō)非常有必要。下一步的解決方案還可能是在實(shí)體商品上識別或添加獨特的“指紋”，并通過(guò)供應鏈對其進(jìn)行跟蹤。 24、零售 走進(jìn)一家商店，挑選你想要的東西，然后走出去，這幾乎“感覺(jué)”就像在行竊。人工智能可以杜絕真正的盜竊行為，并讓免結賬手續的零售方式變得更加普遍。 盜竊一直是美國零售商的一大痛點(diǎn)；然而，當你掌握進(jìn)出商店的人，并自動(dòng)向他們收費時(shí)，有人入店行竊的可能性就會(huì )降到最低。此外，如何利用建筑空間也是一件需要考慮的事情，特別是在擁擠的超市，需要確保將攝像頭安裝在最合適的位置，以便追蹤人和物品。 在現階段，零售業(yè)采用人工智能面臨的問(wèn)題主要在于部署成本和由潛在技術(shù)故障造成的庫存損失成本，以及零售商能夠承擔這些成本和風(fēng)險的程度。 25、農作物監測 無(wú)人機可以為農民繪制農田地圖、利用熱成像技術(shù)監測濕度、識別蟲(chóng)害作物并噴灑殺蟲(chóng)劑。 初創(chuàng )公司正專(zhuān)注于為第三方無(wú)人機捕獲的數據添加分析。還有人使用計算機視覺(jué)使地面上的農業(yè)設備變得更智能。按照需要噴灑個(gè)別作物，可以減少對非選擇性除草劑的需求，而非選擇性除草劑會(huì )殺死附近的一切，精確噴灑意味著(zhù)減少除草劑和殺蟲(chóng)劑的使用量。 在實(shí)地調查之外，利用計算機視覺(jué)分析來(lái)處理衛星圖像可提供對農業(yè)實(shí)踐的宏觀(guān)理解；地理空間數據可以提供關(guān)于全球作物分布模式和氣候變化對農業(yè)影響的信息。 |
