創新工場“AI蒙汗藥”入選NeurIPS 2019，3年VC+AI佈局進入科研收穫季

本文來自量子位微信公眾號
……………………………………………………………………

NeurIPS 2019放榜，創新工場AI工程院論文在列。

名為“Learning to Confuse: Generating Training Time Adversarial Data with Auto-Encoder”。

一作是創新工場南京國際AI研究院執行院長馮霽，二作是創新工場南京國際人工智慧研究院研究員蔡其志，南京大學AI大牛周志華教授也在作者列。

論文提出了一種高效生成對抗訓練樣本的方法DeepConfuse，通過微弱擾動資料庫的方式，徹底破壞對應的學習系統的性能，達到“資料下毒”的目的。

創新工場介紹稱，這一研究就並不單單是為了揭示類似的AI入侵或攻擊技術對系統安全的威脅，還能協助針對性地制定防範“AI駭客”的完善方案，推動AI安全攻防領域的發展。

NeurIPS，全稱神經資訊處理系統大會(Conference and Workshop on Neural Information Processing Systems)，自1987年誕生至今已有32年的歷史，一直以來備受學術界和產業界的高度關注，是AI學術領域的“華山論劍”。

作為AI領域頂會，NeurIPS也是最火爆的那個，去年會議門票在數分鐘內被搶光，而且在論文的投稿錄取上，競爭同樣激烈。

今年，NeurIPS會議的論文投稿量再創新高，共收到6743篇投稿，最終錄取1428篇論文,錄取率為21.2%。

▌“資料下毒”論文入選頂會NeurIPS

那這次創新工場AI工程院這篇入選論文，核心議題是什麼？

我們先拆解說說。

近年來，機器學習熱度不斷攀升，並逐漸在不同應用領域解決各式各樣的問題。不過，卻很少有人意識到，其實機器學習本身也很容易受到攻擊，模型並非想像中堅不可摧。

例如，在訓練(學習階段)或是預測(推理階段)這兩個過程中，機器學習模型就都有可能被對手攻擊，而攻擊的手段也是多種多樣。

創新工場AI工程院為此專門成立了AI安全實驗室，針對人工智慧系統的安全性進行了深入對評估和研究。

在被NeurIPS收錄的論文中，核心貢獻就是提出了高效生成對抗訓練資料的最先進方法之一——DeepConfuse。

▌給數據下毒

通過劫持神經網路的訓練過程，教會雜訊生成器為訓練樣本添加一個有界的擾動，使得該訓練樣本訓練得到的機器學習模型在面對測試樣本時的泛化能力盡可能地差，非常巧妙地實現了“資料下毒”。

顧名思義，“資料下毒”即讓訓練資料“中毒”，具體的攻擊策略是通過干擾模型的訓練過程，對其完整性造成影響，進而讓模型的後續預測過程出現偏差。

“資料下毒”與常見的“對抗樣本攻擊”是不同的攻擊手段，存在於不同的威脅場景：前者通過修改訓練資料讓模型“中毒”，後者通過修改待測試的樣本讓模型“受騙”。

舉例來說，假如一家從事機器人視覺技術開發的公司希望訓練機器人識別現實場景中的器物、人員、車輛等，卻不慎被入侵者利用論文中提及的方法篡改了訓練資料。

研發人員在目視檢查訓練資料時，通常不會感知到異常（因為使資料“中毒”的噪音資料在圖像層面很難被肉眼識別），訓練過程也一如既往地順利。

但這時訓練出來的深度學習模型在泛化能力上會大幅退化，用這樣的模型驅動的機器人在真實場景中會徹底“懵圈”，陷入什麼也認不出的尷尬境地。

更有甚者，攻擊者還可以精心調整“下毒”時所用的噪音資料，使得訓練出來的機器人視覺模型“故意認錯”某些東西，比如將障礙認成是通路，或將危險場景標記成安全場景等。

為了達成這一目的，這篇論文設計了一種可以生成對抗雜訊的自編碼器神經網路DeepConfuse。

通過觀察一個假想分類器的訓練過程更新自己的權重，產生“有毒性”的雜訊，從而為“受害的”分類器帶來最低下的泛化效率，而這個過程可以被歸結為一個具有非線性等式約束的非凸優化問題。

▌下毒無痕，毒性不小

從實驗資料可以發現，在MNIST、CIFAR-10以及縮減版的IMAGENET這些不同資料集上，使用“未被下毒”的訓練資料集和“中毒”的訓練資料集所訓練的系統模型在分類精度上存在較大的差異，效果非常可觀。

與此同時，從實驗結果來看，該方法生成的對抗雜訊具有通用性，即便是在隨機森林和支援向量機這些非神經網路上也有較好表現。

其中，藍色為使用“未被下毒”的訓練資料訓練出的模型在泛化能力上的測試表現，橙色為使用“中毒”訓練資料訓練出的模型的在泛化能力上的測試表現。

在CIFAR和IMAGENET資料集上的表現也具有相似效果，證明該方法所產生的對抗訓練樣本在不同的網路結構上具有很高的遷移能力。

此外，論文中提出的方法還能有效擴展至針對特定標籤的情形下，即攻擊者希望通過一些預先指定的規則使模型分類錯誤，例如將“貓”錯誤分類成“狗”，讓模型按照攻擊者計畫，定向發生錯誤。

例如，下圖為MINIST資料集上，不同場景下測試集上混淆矩陣的表現，分別為乾淨訓練資料集、無特定標籤的訓練資料集、以及有特定標籤的訓練資料集。

實驗結果有力證明，為有特定標籤的訓練資料集做相應設置的有效性，未來有機會通過修改設置以實現更多特定的任務。

對資料“下毒”技術的研究並不單單是為了揭示類似的AI入侵或攻擊技術對系統安全的威脅，更重要的是，只有深入研究相關的入侵或攻擊技術，才能有針對性地制定防範“AI駭客”的完善方案。

隨著AI演算法、AI系統在國計民生相關的領域逐漸得到普及與推廣，科研人員必須透徹地掌握AI安全攻防的前沿技術，並有針對性地為自動駕駛、AI輔助醫療、AI輔助投資等涉及生命安全、財富安全的領域研發最有效的防護手段。

▌還關注聯邦學習

除了安全問題之外，人工智慧應用的資料隱私問題，也是創新工場AI安全實驗室重點關注的議題之一。

近年來，隨著人工智慧技術的高速發展，社會各界對隱私保護及資料安全的需求加強，聯邦學習技術應運而生，並開始越來越多地受到學術界和工業界的關注。

具體而言，聯邦學習系統是一個分散式的具有多個參與者的機器學習框架，每一個聯邦學習的參與者不需要與其餘幾方共用自己的訓練資料，但仍然能利用其餘幾方參與者提供的資訊更好的訓練聯合模型。

換言之，各方可以在在不共用資料的情況下，共用資料產生的知識，達到共贏。

創新工場AI工程院也十分看好聯邦學習技術的巨大應用潛力。

今年3月，“Learning to Confuse: Generating Training Time Adversarial Data with Auto-Encoder”論文的作者、創新工場南京國際人工智慧研究院執行院長馮霽代表創新工場當選為IEEE聯邦學習標準制定委員會副主席，著手推進制定AI協同及大資料安全領域首個國際標準。

創新工場也將成為聯邦學習這一技術“立法”的直接參與者。

▌創新工場AI工程院科研成績單

創新工場憑藉獨特的VC+AI（風險投資與AI研發相結合）的架構，致力於扮演前沿科研與AI商業化之間的橋樑角色。

創新工場2019年廣泛開展科研合作，與其他國際科研機構合作的論文，入選多項國際頂級會議，除上述介紹的“資料下毒”論文入選NeurlPS之外，還有8篇收錄至五大學術頂會，涉及影像處理、自動駕駛、自然語言處理、金融AI和區塊鏈等方向。

┃兩篇論文入選ICCV

Disentangling Propagation and Generation for Video Prediction
https://arxiv.org/abs/1812.00452

這篇論文的主要工作圍繞一個視頻預測的任務展開，即在一個視頻中，給定前幾幀的圖片預測接下來的一幀或多幀的圖片。

Joint Monocular 3D Vehicle Detection and Tracking
https://arxiv.org/abs/1811.10742

這篇論文提出了一種全新的線上三維車輛檢測與跟蹤的聯合框架，不僅能隨著時間關聯車輛的檢測結果，同時可以利用單目攝像機獲取的二維移動資訊估計三維的車輛資訊。

┃一篇論文入選IROS

Monocular Plan View Networks for Autonomous Driving
http://arxiv.org/abs/1905.06937

針對端到端的控制學習問題提出了一個對當前觀察的視角轉換，將其稱之為規劃視角，它把將當前的觀察視角轉化至一個鳥瞰視角。具體的，在自動駕駛的問題下，在第一人稱視角中檢測行人和車輛並將其投影至一個俯瞰視角。

┃三篇論文入選EMNLP

Multiplex Word Embeddings for Selectional Preference Acquisition

提出了一種multiplex詞向量模型。在該模型中，對於每個詞而言，其向量包含兩部分，主向量和關係向量，其中主向量代表總體語義，關係向量用於表達這個詞在不同關係上的特徵，每個詞的最終向量由這兩種向量融合得到。

What You See is What You Get: Visual Pronoun Coreference Resolution in Dialogues
https://assert.pub/papers/1909.00421

提出了一個新模型（VisCoref）及一個配套資料集（VisPro），用以研究如何將代詞指代與視覺資訊進行整合。

Reading Like HER: Human Reading Inspired Extractive Summarization

人類通過閱讀進行文本語義的摘要總結大體上可以分為兩個階段：1）通過粗略地閱讀獲取文本的概要資訊，2）進而進行細緻的閱讀選取關鍵句子形成摘要。

本文提出一種新的抽取式摘要方法來模擬以上兩個階段，該方法將文檔抽取式摘要形式化為一個帶有上下文的多臂老虎機問題，並採用策略梯度方法來求解。

┃一篇論文入選IEEE TVCG

sPortfolio: Stratified Visual Analysis of Stock Portfolios
https://www.ncbi.nlm.nih.gov/pubmed/31443006

主要是對於金融市場中的投資組合和多因數模型進行可視分析的研究。通過三個方面的分析任務來幫助投資者進行日常分析並升決策準確性。

並提出了一個全新的視覺化分析系統sPortfolio，它允許使用者根據持倉，因數和歷史策略來觀察投資組合的市場。sPortfolio提供了四個良好協調的視圖。

┃一篇論文入選NSDI

Monoxide: Scale Out Blockchain with Asynchronized Consensus Zones
https://www.usenix.org/system/files/nsdi19-wang-jiaping.pdf

提出了一種名為非同步共識組 Monoxide 的區塊鏈擴容方案，可以在由 4.8 萬個全球節點組成的測試環境中，實現比比特幣網路高出 1000 倍的每秒交易處理量，以及 2000 倍的狀態記憶體容量，有望打破“不可能三角”這個長期困擾區塊鏈性能的瓶頸。

▌獨特的“科研助推商業”思路

國內VC，發表論文都很少見，為什麼創新工場如此做？

這背後在於其“VC+AI”模式。

最獨特之處在于，創新工場的AI工程院可以通過廣泛的科研合作以及自身的科研團隊，密切跟蹤前沿科研領域裡最有可能轉變為未來商業價值的科研方向。

這種“科研助推商業”的思路力圖儘早發現有未來商業價值的學術研究，然後在保護各方智慧財產權和商業利益的前提下積極與相關科研方開展合作。

同時，由AI工程院的產品研發團隊嘗試該項技術在不同商業場景裡可能的產品方向、研發產品原型，並由商務拓展團隊推動產品在真實商業領域的落地測試，繼而可以為創新工場的風險投資團隊帶來早期識別、投資高價值賽道的寶貴機會。

“科研助推商業”並不是簡單地尋找有前景的科研專案，而是將技術跟蹤、人才跟蹤、實驗室合作、智慧財產權合作、技術轉化、原型產品快速反覆運算、商務拓展、財務投資等多維度的工作整合在一個統一的資源體系內，用市場價值為導向，有計劃地銜接學術科研與商業實踐。

以AI為代表的高新技術目前正進入商業落地優先的深入發展期，產業大環境亟需前沿科研技術與實際商業場景的有機結合。

創新工場憑藉在風險投資領域積累的豐富經驗，以及在創辦AI工程院的過程中積累的技術人才優勢，特別適合扮演科研與商業化之間的橋樑角色。

於是，創新工場AI工程院也就順勢而生。

創新工場人工智慧工程院成立於2016年9月，以“科研+工程實驗室”模式，規劃研發方向，組建研發團隊。

目前已經設有醫療AI、機器人、機器學習理論、計算金融、電腦感知等面向前沿科技與應用方向的研發實驗室，還先後設立了創新工場南京國際人工智慧研究院、創新工場大灣區人工智慧研究院。

目標是培養人工智慧高端科研與工程人才，研發以機器學習為核心的前沿人工智慧技術，並同各行業領域相結合，為行業場景提供一流的產品和解決方案。

而且， 創新工場還與國內外著名的科研機構廣泛開展科研合作。

例如，今年3月20日，香港科技大學和創新工場宣佈成立電腦感知與智慧控制聯合實驗室（Computer Perception and Intelligent Control Lab）。

此外，創新工場也積極參與了國際相關的技術標準制定工作。例如，今年8月，第28屆國際人工智慧聯合會議（IJCAI）在中國澳門隆重舉辦，期間召開了IEEE P3652.1（聯邦學習基礎架構與應用）標準工作組第三次會議。

IEEE聯邦學習標準由微眾銀行發起，創新工場等數十家國際和國內科技公司參與，是國際上首個針對人工智慧協同技術框架訂立標準的專案。

創新工場表示，自身的科研團隊將深度參與到聯邦學習標準的制定過程中，希望為AI技術在真實場景下的安全性、可用性以及保護資料安全、保護使用者隱私貢獻自己的力量。

［大數據，妳硬要嫁給廣告嗎？］

強扭的瓜不甜吧？大數據到底是扼殺了廣告的樂趣還是推動了營銷的改革浪潮？

✎ ┅┅ 本文閱讀時間約 8 - 10 分鐘 ┅┅ ✎
　　
❏ ❏ ❏

最近的熱點大家都知道，臉書因為開放某測試應用數據權限導致提供商廉價獲取到了用戶及好友數據，進而「成功操縱」了美國大選結果。

之所以打引號是因為我對此極端結論保留個人觀點。

用數據進行定制化廣告投放真的這麽神奇嗎？我並不覺得網民決策可以如此輕易被操縱。

這裏面有很多影響性因素：

第一，美國大選的投票率一直偏低，相比起其他發達國家 70 %左右的水準，美國的投票率歷次都在 50 %上下。這些「少數」投票者中中老年較多，加上近年增多的少數族裔，如拉美裔，非洲裔，亞洲裔等，他們組成的特殊選民背景可能消弱了臉書廣告的效果，因為美國的主要臉書活躍用戶與此人群畫像並不高度匹配。

第二，選民決策真的高度依賴於臉書上的信息嗎？美國選舉一直都是世界級的大宣傳戰役，與此相關的傳統媒體報道，選手答辯直播的關注度亦居高不下。對選手的觀感和印象是綜合形成的，絕對沒有看到了幾條定制化內容就能被徹底扭轉那麽單純。

還有諸如定制廣告內容的審核機制是否設定的過度寬容等其他問題值得深究，所以臉書真的罪孽深重嗎？

仁者見仁吧，說到底這事大家都明白，該新聞並不是單純的數據安全危機。

基於上述邏輯，可以延伸思考一個問題：大數據技術在營銷領域該被應用嗎？

**** **** **** **** ****

網盟年代廣告商開始針對所謂的用戶畫像進行定制化投放，歷經十多年的發展，今天更多的大數據技術被應用在會員管理，效果管理，定制溝通，甚至定制產品（攜程的「殺熟」事件）等更廣泛的營銷工作上，數據對於我們行業來說已不是什麽稀罕之物，然而我卻在大數據做營銷這趟順風車上有個不同的小聲音：大數據可能對營銷根本不適合。先說說幾個問題吧，

1. 畫像的定制是以標籤為基礎，所謂標籤真的可以完整勾勒出真人嗎？
2. 消費者真的只是把廣告當作想買東西時候才去翻看的商品黃頁嗎？
3. 定制化內容推送高度崇尚的銷售效果，真的是營銷的唯一且最有價值的目的嗎？

#線性勾勒還是立體勾勒？

消費者心理是動態變化的，且受到多重因素影響。給一個用戶貼標簽，不停的去貼標簽，然後再管理這些標簽就能把復雜的人類心理準確描述出來嗎？

我上周剛好參加了壹個阿里巴巴的秀肌肉大會。在會上，阿里闡述了用戶已被打上了兩萬+標籤的驚人實力，這麽多象限維度細致的細分，基本上可以支持任何分析研究及投放 – 阿里如是說。

真的嗎？如果一個用戶擁有以下標籤：女性、上海、年輕、楊洋、奢侈品、珠寶首飾、婚紗，那我們應該怎麽理解她？

這是位高收入即將結婚的白領熟女，還是一位高中充滿幻想情竇初開的少女？如是前者，她對珠寶的需求是持續性的，還是一次性的？這個窗口期是否已經過了？

我的舉例只是一個傻透了的例子想要說明標簽只能為內容及行為的某些特點進行標記，但無法看出消費者的狀態及心理變化。

換句話說，現在的數據標籤模式是平面二維的，要把更多的維度加進去，比如時間，就能產生更立體的消費者理解。這就好像我們說一個人的樣貌，如果只是講特徵：大眼睛，小嘴巴，一米八，戴眼鏡，聽眾可能會有壹定的感覺。

但需要加上定性的特點，比如：看起來很兇，那麽這些特征馬上會變成另外一副景象。

為什麽我們總看到電商在推進我們已經買過的產品？為什麽抖音等內容平臺總是一成不變的推薦我們喜歡的內容，千篇一律到讓人乏味？就是因為人性之無常，多少標簽都絕對不夠解決這一問題。

#廣告是產品說明還是資訊藝術？

我相信基本不需要什麽爭辯，大家都會同意廣告的魅力並不只是產品的特性描述。我們對廣告的熱愛，是因為除了它能幫助我們了解更多的商業信息之外，還能通過吸收故事增加人文藝術方面的談資，不管它們本身是好品味的，還是惡俗的。

談論藍翔廣告的我們並沒有真正在這間學校讀過書，但卻樂此不疲的玩味它滿滿的品牌自信。

如果按照大數據原則，我們可能一輩子都不會被這樣的廣告接觸，那麽我們對一些廣告的熱愛，欣賞，嘲笑，不屑，不滿，甚至反感都將不復存在。廣告，最後僅剩的意義就是一次商品信息的推送。

這種感覺就像走進超市，徑直到達自己要買的貨品面前，再順便多看看旁邊的類似產品，最後挑好離開。逛超市就毫無樂趣可言了。

這種數據應用同時導致嚴重的商業信息圈層化，收入高的人只能看到貴的東西，喜歡裙子的女生看不到褲子的穿搭推薦。信息被操控之後收窄，我們終將失去另外一樣可以跟朋友討論分享的有趣之事，恐怕時間久了我們不止沒有共同廣告可以分享，連自己看了什麽廣告都不敢亂說，因為它會暴露太多隱私。

做廣告的人總說：我們有一半的錢被浪費了，但卻不知道浪費到了哪裏。對我來說，那另一半被浪費掉的錢就是更廣泛的社會影響力，廣告的魅力就是在於其廣而告之的大眾媒體屬性。我們做的東西大家都能看到，所以我們做的樂此不疲。以後可能我們做的廣告連是誰看到過，我們自己都沒有切實感受了。

#做營銷就是為了最高轉化？

即使現在營銷的意義有很多不同答案，但早在營銷被從銷售概念裏抽出來的那壹刻開始，就早已不僅僅是促銷。我不確定多少廣告主可以贊同這句話，但事實是當廣告主們把品牌年輕化，品牌溢價，品牌影響力等課題丟給自己營銷部時，就已經同意營銷在做的，絕對多於銷售量的提升。

＃那麽大數據的應用可以成就如此龐大的營銷使命嗎？

目前看起來懸。因為太多的同行專家正在把數據計算往精準轉化的不歸路上引導。用更加全面覆蓋的，更加精準無誤的，更加實時不停歇的全鏈條監測測量壹個消費者與品牌的接觸是如何一步步走入最終的銷售成交。

所謂的廣告優化，全都變成了「換成更有轉換率的位置」「換上更能吸引點擊的物料」。而廣告帶來的觀感認知和影響力，都被拋擲不談。

這是有點恐怖的做法。這世上哪裏效果最好的位置和物料？所有的效果都會隨著時間推移而遞減。一味關注這個數字，最終就是大家一窩蜂的去追逐最新出品的東西，因為只有最新的才是效果最好的。既然如此，那還用大數據作何用途呢？

我相信很多人都會同意，營銷是科學與藝術並存的學問。大數據帶來的全都是基於科學面的更叠。它讓我們的營銷人，營銷行業以及營銷效果更高效。這同時也在另壹面壹點點的扼殺營銷的趣味性。

這種感覺是曾相識，我今年特別給自己訂閱了一些雜誌，是那種打印寄送來的“雜誌”。原因就在於我發現自己吸收的東西越來越無聊和枯燥。

基於大數據的信息年代，禁錮了我的視野，也遏制了我的靈感來源，還讓我慢慢覺得生活與自己越來越無趣和孤單。這種感覺首當其沖來自於大數據計算過的新聞媒體以及社交媒體。

所以我說廣告營銷的趣味性逐步消失是曾相識，因為廣告於我來說，也是每日吸取信息中非常重要的壹環。因此真希望大數據可以悠著點滲入營銷，至少廣告人還能再過多幾年風花雪月的日子。

以上，同行見笑。

-
🎧 原文發佈於微信：https://0x9.me/VMxT2，對上述內容有興趣可關注我的公眾號古里奧（ID：coolioyang）。
🎧 臉書所有文章目錄：https://goo.gl/rZ64lP

“物聯網”幫農戶種“聰明的草莓”

2013年12月15日 14:16:52 來源： 舟山日報

　　今年8月，浙江省舟山市首個農業“物聯網”基地在岑港街道裏釣島開展試驗示范。該項目由舟山喜來島農業開發有限公司（以下簡稱“喜來島”）承 擔，浙江省農業科學院提供技術支持，總投資40萬元，計劃利用一年時間建設基于物聯網技術的智能化草莓基地100畝。目前，首批20畝基地已完成升級改 造，相關技術設備陸續安裝並進入了模擬階段。

　　草莓有了“健康醫生”

　　12月6日上午8時許，“喜來島”總經理夏永年像往常一樣，走進他裏釣島的“物聯網”基地辦公室，進門第一件事就是打開電腦，看看監控視頻中自家草莓的長勢如何。

　　“這顆草莓上有一個黑點，可能是病蟲在叮咬。”他一邊招呼記者坐下，一邊放大圖像診斷了起來。經鑒別，原是一顆鳥糞掉在了上面。于是夏永年致電基地管理人員,要他進入大棚做好清除工作。

　　待“視頻巡視”完畢，夏永年又來到另一個房間，打開墻上的電子顯示屏，有關草莓生長環境的歷史和即時數字信息在上面一目了然。

　 　“這些都是係統自動採集分析的溫、光、水、肥等信息，結合視頻監控，能知曉草莓在什麼環境下生長得最好。 ”夏永年帶記者參觀了應用“物聯網”技術的草莓大棚。該大棚佔地20畝，從外觀上看與普通溫室大棚差別不大，但內部卻是暗藏“玄機”，最明顯的區別就是安 裝了一個可旋轉監控視頻攝像機、兩套傳感器、數排微噴頭和自動卷膜機。

　　據介紹，攝像機能全程監控記錄草莓的生長狀況和果實的成熟度，通過遠程數據傳輸，幫助農戶及時就病蟲害採取幹預措施；傳感器則負責採集並傳輸農情信息，幫助係統結合草莓長勢做出即時智能化決策（如開啟微噴頭和自動卷膜機，進行自動噴灌、通風等）。

　　“近期，還將陸續安裝一些配套係統，待整個‘物聯網’運行起來後，草莓生長過程中發生的任何問題，係統都會及時發短信通知管理人員，以便管理人員進一步發出遠程控制指令。 ”夏永年說。

　　據了解，與傳統種植技術相比，農業“物聯網”技術的應用，預計可提高草莓產量5%～10%，每畝增加效益1500元左右。

　　從靠經驗種地到智能化管理

　　“老一輩農民種地靠的是經驗，但經驗終究無法復制，新一代農民要靠什麼來種地？如今氣候變化異常，傳統意義上的農業管理模式，是否跟得上氣候變化的速度？ ”夏永年一直在思考這樣兩個問題，這也是他在草莓種植中引入“物聯網”的初衷。

　 　他告訴記者，自己做“物聯網”的目的，是建立草莓種植信息綜合數據庫，“把每年草莓生長過程中的空氣溫濕度、光照強度、土壤濕度和CO2濃度等數據收集 起來，進入到一個數據庫，將來就能對比歷年數值曲線，找到最適合草莓生長的環境條件，最終形成一個種植標準。有了這個標準以後，便能依葫蘆畫瓢，為草莓生 長創造最佳條件，實現精準化種植。 ”

　　他舉例說，“比如今天是霧霾天，沒有陽光，草莓生長就需要補光，但補多少？係統會自動根據標準 執行，給出最佳解決方案。 ”“也就是說，你只要有種植標準，並把數據輸入係統，草莓種下去，係統就會代為管理、種植。”他說，物聯網技術的出現，突破了傳統農業種植中因工人素質差 異和人力成本逐年增加帶來的制約，給農業的智能化、自動化控制提供了良好的升級渠道。

　　據了解，未來，該係統還可對草莓的生產、運輸、 交易、消費等重要環節進行跟蹤監控。“通過電子標簽、二維碼等信息技術手段，實現草莓整個生命周期的溯源，如查詢草莓是誰種的，何時發芽，何時結果，何時 採摘，何時運到市場上售賣，有沒有打農藥等。 ”夏永年說，隨著“物聯網”技術研究的深入，農業生產將越來越“智慧”，老百姓更能吃得放心，農戶也賺得開心。（作者：汪超群）

資料來源：http://big5.xinhuanet.com/…/news.xinhuanet.com/info/2013-12…