Chip Insight 資料庫
#Food Security
找到 3 篇文章
當糧食開始消失：AI 已經在模擬飢荒、戰爭與社會系統如何一起失去穩定
真正危險的糧食危機往往不是農田突然全部失去產量，而是多個系統同時開始失靈：戰爭切斷道路與港口，能源價格推高肥料與運輸成本，糧價上升侵蝕家庭購買力，人口開始遷徙，人道援助又因物流與資金受阻而變慢。2026 年多項研究正在嘗試把這些原本分散的訊號放進同一套分析框架。Sahel 與 Lake Chad 的研究顯示，衝突區直接覆蓋的耕地只有 3.9%，卻與 91.3% 的模擬糧食運輸路徑相交；WFP 情境分析則估計，中東衝突若持續透過能源與食品價格向外傳導，53 個有資料國家可能新增約 4,500 萬名急性飢餓人口。另一方面，AI 與 Machine Learning 已被用於食品安全 Early Warning，結合衛星、降雨、植被、糧價、家庭調查與衝突事件，試圖在真正進入 Famine 以前數週甚至數月發出警報。這不是一台能預測『文明何時崩潰』的神諭，而是一套逐漸成形的 Systemic Risk Radar。
AI 能解決糧食危機嗎？從蝗蟲預警、智慧灌溉到 AI 育種，人類正在替全球農業裝上一套「預警系統」
2025 年全球仍約有 6.45 億人面臨飢餓，2026 年食物危機國家中約有 2.66 億人面臨急性飢餓。AI 不可能單獨結束戰爭、貧困與糧食分配不均，但它正在攻擊糧食系統裡另一批長期存在的問題：我們太晚知道病蟲害爆發、太晚發現乾旱與作物壓力、灌溉和肥料使用不精準、產量難以預測、育種週期漫長，以及大量食物在抵達消費者以前就已經損失。從最新 RNN Maxent 沙漠蝗蟲研究，到 AI 智慧灌溉、衛星遙測、作物育種、食物保存期限預測與供應鏈最佳化，目前研究顯示 AI 真正可能改變的不是『憑空製造更多食物』，而是讓整個食物系統更早看到風險、更精準使用資源，並減少已經生產出來的食物被浪費。
不是把 Maxent 丟掉，而是替它裝上一顆 GRU：AI 如何用 50 天天氣序列預測沙漠蝗蟲適生區
arXiv:2609.03603 提出 RNN Maxent，把生態學常用的 Maxent 物種分布模型與 Gated Recurrent Unit 結合，讓模型不再把降雨、土壤濕度、植被與溫度的時間序列攤平成一堆獨立欄位，而能直接學習環境如何隨時間演變。研究使用 ERA5-Land、MODIS 與 Sentinel-3 建立 50 天環境序列，並在環境資料與蝗蟲出現紀錄間留下 7 天 gap，使模型具有類似預報的設定。結果顯示，RNN Maxent 的 ROC AUC 從標準 Maxent 的 0.792 提升至 0.862，F1 則從 0.590 提升至 0.671。更值得注意的是，這不是把傳統統計框架全部換成黑盒神經網路，而是保留 Maxent 的 presence-only、背景正規化與機率校準，只把最難人工設計的時間特徵交給 GRU 學習。