MIT机器学习种菜项目永久关停,曾宣称造福难民,不过是“韭菜”收割机罢了

简介: MIT机器学习种菜项目永久关停,首席科学家离职

云栖号资讯:【点击查看更多行业资讯
在这里您可以找到不同行业的第一手的上云资讯,还在等什么,快来!

编者按:本文来自微信公众号“机器之心”(ID:almosthuman2014),参与:蛋酱、张倩、杜伟,36氪经授权发布。

还记得那个声称用机器学习帮难民种菜的 MIT 项目吗?在被曝造假之后,如今又被举报存在化学排放问题。MIT 已将其永久关停,项目带头人也已离职。

v2_e1a0e0718a114edeb033e68ca42560e9_img_000

据外媒报道,由麻省理工媒体实验室首席科学家 Caleb Harper 牵头的「开放农业计划(OpenAg)」已经在 4 月 30 日被永久关停。这也是 Caleb Harper 在学院工作的最后一天,目前他已经从 MIT 正式离职。

这个名叫 OpenAg 的项目始于 2015 年。项目的初衷是非常美好的:一群被称为「书呆子农民(nerd farmer)」的极客聚集在一起,把实验室变成农田,植物生长的所有参数都可以编程控制,看起来可以解决农民「靠天吃饭」的问题。

为此,他们开发了一台专门用来种植农作物的个人食品计算机(PFC)。它是一个密闭室,空间差不多相当于寝室冰箱的大小,装有 LED、传感器、泵、风扇、控制电子设备以及用于种植植物的水培托盘。操作人员可以编程控制室内的光照、湿度和其他参数,从而为栽种植物创造了理想的条件。此外,它的硬件和软件是完全开源的,任何想进行室内农业试验的人都可以免费获得设备规格和代码。

v2_2f833ab2a6b5459e877863c656da94c1_img_000

2019 年 9 月,在库珀·休伊特博物馆展出的个人食物计算机 v3.0,植株背后展示的是「罗勒配方」的代码。

乍看起来,这确实是一个革命性的创意:一个便携式盒子,只需下载食谱并埋下种子,就可以种植任何植物。

不同于其他室内农业项目,这种食物计算机据称可以在任何地区建造,并在任何区域部署。来自世界各地的食物计算机数据将会汇聚到项目的机器学习算法中,不断提升决策水平帮助农作物生长。

用机器学习种菜:理想丰满,现实骨感

从 2015 年开始,Harper 就在各种公开演讲中介绍这个项目。该项目还衍生出了一个名为 Fenome 的创业公司,Harper 自己担任董事长一职。根据 Spectrum 掌握的公司备案文件和 Fenome 内部文件,Harper 为他的公司筹集了 400 万美元资金。

那么,什么地方的人最需要它呢?项目带头人将目光投向了「难民」。

在 2017 年 3 月下旬的佐治亚州技术峰会上,Caleb Harper 对观众说:「我们上周将计算机部署在了约旦安曼的叙利亚难民营中。」

这个难民营项目于 2017 年 1 月底启动,由 Fenome 的一个团队前往约旦组装和安装食物计算机。这些机器已经交付给联合国世界粮食计划署的一个项目,内容主要是在距离叙利亚边界 90 公里的约旦沙漠中的阿兹拉格难民营地内种植农作物,为难民提供援助。

v2_6683c325dbd14d71b2687c0a950dec55_img_000

从规划来看,这个项目是「充满希望」且「对社会有益」的,但 IEEE Spectrum 的调查显示,这件事从未成行,没有任何一台机器成功完成一个单一的生长周期。

那么,中间到底发生了什么?

原计划是,计算机安装后将通过互联网和约旦的三名 NCARE(国家农业研究和推广中心)员工从犹他州对项目进行远程监控。测试的植物包括黄瓜、罗勒和莴苣,Fenome 的团队定期通过电话与约旦的同事沟通。

但计划进行得并不顺利。现场的条件十分恶劣,沙漠气候非常干燥,室内温度很高。电源经常出现故障,导致空调和食物计算机 LED 被关闭。因为空调的故障,实验室内部的温度有时竟然能达到 45°C(113°F)。

而且 Wi-Fi 也不给力。室内装了用来测量温度、湿度和 pH 值的摄像头和传感器,项目组必须通过 Wi-Fi 远程监视生长室内部的一些参数。食物计算机出现故障时,必须连上 Wi-Fi,远程团队才可以重新启动它。

据说,Fenome 团队在首次部署完一个月以后又回来了,因为要修机器以及完善一些功能,包括设置允许在本地重新启动计算机。算了一下,Fenome 团队为了设置食物计算机、培训当地团队,前前后后来了四次。最后一次来是 2017 年 5 月。

负责该项目的官员称,其实早在 2017 年 9 月,这个项目就正式结束了,但没有任何一台机器成功完成一个单一的生长周期。甚至,该计算机也没有部署在大概 35000 名叙利亚难民所居住的阿兹拉克营地。

没有部署,那不就是骗人吗?而且,直到 2017 年 5 月,Harper 还在公开演讲中谈论约旦的一个难民营如何使用食物计算机。他甚至宣称:除了种植出活命的食物,更重要的是让难民找到了精神家园。

「造假」问题的发现还要归功于之前与 OpenAg 有接触的一位科学家 Babak Babakinejad。他在 2018 年 5 月 5 日致 MIT 媒体实验室前主任伊藤襄一的一封邮件中提到,MIT 的食物计算机不过是一项超越原型阶段的实验罢了。

随后 IEEE Spectrum 的调查证实了 Babakinejad 的说法,发现 2017 至 2019 年期间,Harper 在难民营的食物计算机部署上对投资者说了谎。

除了种不好菜,环保也不达标

除了上述难民营项目被曝造假之外,这个机器学习种菜项目还存在环保问题。

该项目始于 MIT 媒体实验室主任伊藤襄一任职期间。去年,伊藤襄一卷入爱泼斯坦丑闻,迫于压力离职,随后 OpenAg 计划也受到了严格的审查。

随着调查的深入,项目的各项问题逐渐浮出水面。

此前有指控称,Harper 令 MIT 职工演示的食物计算机中并没有种植植物,并且 OpenAg 使用的植物营养液排入了马萨诸塞州米德尔顿 Bates 研究与工程中心的一口地下井中,而且排放量超出了马萨诸塞州允许的范畴,因此 MIT 副校长 Maria T. Zuber 对此展开了一项内部调查。在调查期间,OpenAg 的活动受到了限制。

根据核能科学实验室(Laboratory for Nuclear Science)以及 Bates 研究与工程中心主任 Boleslaw Wyslouch 于 5 月 11 日致 Bates 社区的信来看,马萨诸塞州环境保护部(MassDEP)已于 4 月 22 日结束了对 OpenAg 活动的审查。Wyslouch 表示:MassDEP 处罚 MIT 是因为它将使用过的植物生长液和稀释的清洗液排入了地下排放控制井,这违反了地下井登记条款的相关规定。

v2_e9d231126964498e8b222d355a8388b7_img_000

图源:http://bateslab.mit.edu/about/frequently-asked-questions/massdep-review-2019

MassDEP 最初对 MIT 处以 25,125 美元的罚金,但 Bates 网站上一篇详细描述 MassDEP 审查的文章显示,在 OpenAg 永久关停之后,MassDEP 宣布「MIT 可暂停支付罚金中的 10,125 美元,只需支付剩余的 15,000 美元即可。」

而此次问题的揭发也要归功于 Babakinejad。

OpenAg 项目的代码库和论坛还有待后续处理,MIT 方面表示,任何托管在 MIT 媒体实验室服务器上的资料将被关闭或者转移,目前论坛已无法访问。

网友:这颗「烟雾弹」终于爆了

自从去年被举报以及进入调查程序以来,本来在社交媒体上很活跃的 Harper 却一直保持沉默。

Harper 的领英资料显示,他离开 MIT 后加入了一家乳制品企业,目前担任的职位是 DS4G(优质乳制品计划执行总监),职责为「整合创新技术和管理方法,帮助美国乳业减少排放和实现零排放,同时增加农民收入」。

v2_88943b720a4641c493ca778238a56d00_img_000

在 IEEE 正式爆出此事之前,纽约时报就报道了相关的新闻,有网友戏谑地表示,MIT 的一个家伙(Harper)声称他可以在所谓的「食物计算机」中种植作物,并为此募集了很多资金。尽管表面上运作得有模有样,但还是被聪明人揪出来了,MIT 最终也悄摸地永久关停了该项目。

v2_3852e63424004c46be4d0eea4794ac78_img_000

也有人称这个项目就是一颗「超大的烟雾弹」,不过,现在这颗烟雾弹终于爆了。

v2_ad2d4cfbaa254581850236d6bdd695ed_img_000

参考链接:

https://spectrum.ieee.org/tech-talk/computing/hardware/mit-media-lab-food-computer-project-shut-down

https://www.linkedin.com/in/calebharper

【云栖号在线课堂】每天都有产品技术专家分享!
课程地址:https://yqh.aliyun.com/live

立即加入社群,与专家面对面,及时了解课程最新动态!
【云栖号在线课堂 社群】https://c.tb.cn/F3.Z8gvnK

原文发布时间:2020-05-18
本文作者:机器之心
本文来自:“36kr”,了解相关信息可以关注“36kr

相关文章
|
7月前
|
机器学习/深度学习 人工智能 前端开发
机器学习PAI常见问题之web ui 项目启动后页面打不开如何解决
PAI(平台为智能,Platform for Artificial Intelligence)是阿里云提供的一个全面的人工智能开发平台,旨在为开发者提供机器学习、深度学习等人工智能技术的模型训练、优化和部署服务。以下是PAI平台使用中的一些常见问题及其答案汇总,帮助用户解决在使用过程中遇到的问题。
|
7月前
|
机器学习/深度学习 数据采集 监控
大模型开发:描述一个典型的机器学习项目流程。
机器学习项目涉及问题定义、数据收集、预处理、特征工程、模型选择、训练、评估、优化、部署和监控。每个阶段都是确保模型有效可靠的关键,需要细致操作。
99 0
|
7月前
|
TensorFlow 算法框架/工具 开发工具
使用 TensorFlow 构建机器学习项目:6~10(3)
使用 TensorFlow 构建机器学习项目:6~10(3)
54 0
|
25天前
|
机器学习/深度学习 算法 UED
在数据驱动时代,A/B 测试成为评估机器学习项目不同方案效果的重要方法
在数据驱动时代,A/B 测试成为评估机器学习项目不同方案效果的重要方法。本文介绍 A/B 测试的基本概念、步骤及其在模型评估、算法改进、特征选择和用户体验优化中的应用,同时提供 Python 实现示例,强调其在确保项目性能和用户体验方面的关键作用。
29 6
|
27天前
|
机器学习/深度学习 算法 UED
在数据驱动时代,A/B 测试成为评估机器学习项目效果的重要手段
在数据驱动时代,A/B 测试成为评估机器学习项目效果的重要手段。本文介绍了 A/B 测试的基本概念、步骤及其在模型评估、算法改进、特征选择和用户体验优化中的应用,强调了样本量、随机性和时间因素的重要性,并展示了 Python 在 A/B 测试中的具体应用实例。
28 1
|
1月前
|
机器学习/深度学习 数据采集 Python
从零到一:手把手教你完成机器学习项目,从数据预处理到模型部署全攻略
【10月更文挑战第25天】本文通过一个预测房价的案例,详细介绍了从数据预处理到模型部署的完整机器学习项目流程。涵盖数据清洗、特征选择与工程、模型训练与调优、以及使用Flask进行模型部署的步骤,帮助读者掌握机器学习的最佳实践。
111 1
|
3月前
|
机器学习/深度学习 算法 TensorFlow
交通标志识别系统Python+卷积神经网络算法+深度学习人工智能+TensorFlow模型训练+计算机课设项目+Django网页界面
交通标志识别系统。本系统使用Python作为主要编程语言,在交通标志图像识别功能实现中,基于TensorFlow搭建卷积神经网络算法模型,通过对收集到的58种常见的交通标志图像作为数据集,进行迭代训练最后得到一个识别精度较高的模型文件,然后保存为本地的h5格式文件。再使用Django开发Web网页端操作界面,实现用户上传一张交通标志图片,识别其名称。
124 6
交通标志识别系统Python+卷积神经网络算法+深度学习人工智能+TensorFlow模型训练+计算机课设项目+Django网页界面
|
4月前
|
机器学习/深度学习 人工智能 数据处理
【人工智能】项目实践与案例分析:利用机器学习探测外太空中的系外行星
探测外太空中的系外行星是天文学和天体物理学的重要研究领域。随着望远镜观测技术的进步和大数据的积累,科学家们已经能够观测到大量恒星的光度变化,并尝试从中识别出由行星凌日(行星经过恒星前方时遮挡部分光线)引起的微小亮度变化。然而,由于数据量巨大且信号微弱,传统方法难以高效准确地识别所有行星信号。因此,本项目旨在利用机器学习技术,特别是深度学习,从海量的天文观测数据中自动识别和分类系外行星的信号。这要求设计一套高效的数据处理流程、构建适合的机器学习模型,并实现自动化的预测和验证系统。
85 1
【人工智能】项目实践与案例分析:利用机器学习探测外太空中的系外行星
|
4月前
|
机器学习/深度学习 数据处理 定位技术
构建您的首个机器学习项目:从理论到实践
【8月更文挑战第28天】本文旨在为初学者提供一个简明的指南,通过介绍一个基础的机器学习项目——预测房价——来揭示机器学习的神秘面纱。我们将从数据收集开始,逐步深入到数据处理、模型选择、训练和评估等环节。通过实际操作,你将学会如何利用Python及其强大的科学计算库来实现自己的机器学习模型。无论你是编程新手还是有一定经验的开发者,这篇文章都将为你打开一扇通往机器学习世界的大门。
|
4月前
|
机器学习/深度学习 数据可视化 数据处理
Python vs R:机器学习项目中的实用性与生态系统比较
【8月更文第6天】Python 和 R 是数据科学和机器学习领域中最受欢迎的两种编程语言。两者都有各自的优点和适用场景,选择哪种语言取决于项目的具体需求、团队的技能水平以及个人偏好。本文将从实用性和生态系统两个方面进行比较,并提供代码示例来展示这两种语言在典型机器学习任务中的应用。
131 1
下一篇
DataWorks