Nature Fresh Farms 是加拿大最大的独立温室农产品种植商之一,多年来一直致力于不断发展技术和实践,以种植对环境更友善的食物。为了能够为消费者提供味道更好、保存时间更长的优质食品,Nature Fresh Farms采用了多种VMware产品与解决方案扩大了种植和经营范围,实现了员工随处办公,优化了运输与配送流程。通过IT整合完成了全方位的提升。
Nature Fresh Farms由机械工程师Peter Quiring于1999年创立,致力于利用科技来提高农产品的质量。Nature Fresh Farms全年种植黄瓜、西红柿、辣椒和草莓。其目标是以最快的速度将最新鲜、最美味的农产品送到顾客手中,让它们能够在采摘后的24-48小时内出现在顾客的购物筐里。Nature Fresh Farms正是利用科技来做到这一点。
那么科技是如何创造出更美味的农产品呢?从动植物的驯化到犁的发明,现代农业是一万多年技术创新的产物。土壤肥力、降雨、虫害等人类无法控制的自然力量令现代农民和古代农民面临着相同的挑战,这些挑战也让同样困扰着Nature Fresh Farms。
Nature Fresh Farms的 IT和安全副总裁Keith Bradley在位于加拿大安大略省利明顿市的公司总部管理着一个庞大的IT部门,控制着分布在加拿大、美国和墨西哥的约250英亩的温室。Bradley表示:“我们必须实时监测大约170万株植物。我们精细控制每一株植物,乃至每一毫升的水,一旦这个过程被打乱,我们的种植周期和质量就都会受到影响。”
通过最大程度地利用其经营的每一寸土地,Nature Fresh Farms为可持续温控农业树立了绿色标准。现代温室采用了各种创新农业技术,比如使用LED照射种植的作物、垂直耕作、使用物联网设备检查灌溉精度、循环用水、二氧化碳回收和施肥,以及养殖大黄蜂、瓢虫和草蜻蛉等益虫。该公司还将温室建在靠近零售点的地方,以将自身的碳足迹降到最低。
Bradley表示:“我们利用科技手段来准确了解农产品的情况,比如从藤上采摘下来的时间、什么时候需要包装,以及我们能够多快把它送到您的商店。”只要你在窗台上种过罗勒,就会明白保持一株植物的活力和健康有多难。而要保持数百万株植物的健康、高产和全年丰收,从种植到包装的方方面面都必须精心安排。
Nature Fresh Farms所面临的最大挑战之一是对数百英亩分散地块保持监视。其温室分布在安大略、俄亥俄和墨西哥,但它们被作为一个整体来管理。通过VMware SD-WAN,Nature Fresh Farms可以将所有设施绑定到一起,扩大其的种植和经营范围,并保持其流程统一,实现所有环节的无缝衔接。
IT的整合带来了互联与便捷。Bradley表示:“我们仍然是一家以人为本的企业,而科技手段能够帮助员工更好地发挥他们的作用。我的工作之一就是利用科技帮助员工平衡工作和生活。VMware Horizon就能使我们的员工能够在任何地方工作。”
这么多端点会引起安全问题吗?Bradley解释道:“我们使用VMware Carbon Black每时每刻保护我们的终端用户以及端点,让每个人都能安全登录、控制并运行他们的温室。”
为了使与外部承包商的合作更加安全高效,Nature Fresh Farms使用VMware Workspace ONE UEM实现了零接触取货和送货。“我们用它来与我们的卡车司机沟通。卡车司机在停入车位后给我们发短信,然后在手机上签名。随后辣椒明天就会送到您的手里。”
Nature Fresh Farms一直追求先进技术,并不断挑战极限,寻找更加高效的种植方法。正是这一理念推动着Nature Fresh Farms锐意进取,尝试新的事物。
好文章,需要你的鼓励
Carma Technology 针对 Uber 提起专利侵权诉讼,称其侵犯了涉及拼车系统的五项专利。案情回溯至十年前,凸显专利保护对创新者的重要性,可能对 Uber 及其他公司带来巨大影响。
东京大学研究团队开发的WebChoreArena是一个全新的网页代理评估基准,它包含532个精心设计的任务,专注于测试AI代理处理繁琐、复杂网页任务的能力。研究结果显示,即使是最先进的语言模型(如Gemini 2.5 Pro)在这些挑战性任务上的表现也比常规任务降低了约14个百分点,证明了这一基准有效区分了不同模型的能力。WebChoreArena通过设计海量记忆、计算、长期记忆等类型的任务,为评估AI代理在实际应用场景中的表现提供了更严格的标准。
经过暂停战略调整,Automattic 宣布重返 WordPress 开发,包括核心、Gutenberg、Playground 等模块,计划今年推出 6.9 版本,并涉及与 WP Engine 的法律争端。
这项研究提出了一种名为LIFT的新型微调方法,通过在低秩近似后识别大语言模型中的主要权重进行稀疏微调。研究表明,仅更新5%的主要权重就能在推理任务上超越全参数微调,同时保持与LoRA相当的内存效率。LIFT在常识推理、算术推理等多项任务上表现优异,还能更好地平衡学习新知识与保留原有能力。这一方法揭示了大语言模型中关键参数的重要性,为资源高效的模型定制提供了新思路。