🔐 登录 ✍️ 注册

博主头像

AI中的人文故事：西蒙·斯托克霍姆

外来客 • 2026-08-27 03:15:31

声明：本文为对公开内容的摘要整理，未经本站独立核实，可能与原内容存在出入，不代表本站立场、观点或建议；观点与版权归原作者及原平台所有。如涉及版权问题，请联系我们，核实后立即删除。 [ 免责声明 ]

（原标题：Human Stories in AI: Simon Stochholm）

🎓 职业路径与技能习得

嘉宾 Simon Stochholm 现任 UCL 丹麦分校讲师，主要研究方向为深度学习在图像、视频及时间序列数据中的应用。
其编程兴趣源于 10 岁时接触 ELIZA 软件，早期通过图书馆书籍手动抄写代码完成入门学习。
大学期间因原项目关闭，辗转多所大学完成学业，最终转修计算语言学领域。
毕业后获聘开发语音交换机，利用 Dragon Speech 库适配丹麦语发音，在无编码经验情况下于 6 个月内独立完成项目。
经历金融危机失业后，通过教授自闭症人士编程及考取相关认证提升编码能力，9 年前正式加入 UCL。
通过 Datacamp 和 Fast.ai 课程入门机器学习，打破了“需极高天赋”的认知壁垒，现专注于应用深度学习教学。

🚢 船舶调度与时间序列分析

协助航运公司优化柴油转电动船舶的充电调度，核心任务是识别船长驾驶习惯以平衡港口停留时间。
目标是将停留时间控制在 14 分钟左右，避免 8 分钟导致的充电不足或 17 分钟造成的延误。
采用 Gramian Angular Fields 和 Markov Transition Fields 技术，将时间序列推力数据转化为图像形式。
使用包含卷积与最大池化层的 Autoencoder 结构卷积神经网络识别图像模式，成功根据推力模式识别特定船长。
模型在 Google Colab 单 GPU 上运行，处理 5 年数据耗时数小时，图像尺寸约为 512x512。
生成的排班表与实际记录对比验证了算法有效性，但尚未确定“良好航行”的具体量化标准。

🐷 农业监控与生成式 AI 挑战

开发猪舍福利监控系统，通过 Raspberry Pi 和摄像头记录猪只饮水、进食、躺卧等行为，以早期发现腹泻传染风险。
使用 YOLO V8 进行实例分割和行为分类，替代早期的 Trictron 2 系统，实现了对个体的精准追踪。
尝试利用 Stable Diffusion 生成合成数据以解决行为样本不足问题，但实际效果不佳。
使用 Dreambooth 时因猪皮纹理被误判为裸露内容而无法查看结果，Textual Inversion 效果也有限。
Image-to-Image 结合 ControlNet 尝试修改姿态失败，例如将站立猪改为睡觉仅闭合眼睛，或生成无头烤猪、双头猪等错误图像。
这些案例显示了生成式 AI 在特定生物形态控制上的局限性，难以准确理解复杂生物结构。

🦵 医疗影像与硬件资源

参与丹麦腿部截肢预防项目，旨在通过 MR 扫描识别血流问题，避免不必要的截肢手术。
计划采用实例分割技术定位肌肉、骨骼及血管位置，目前项目处于数据等待阶段。
本地开发使用配备 NVIDIA 3090 RTX（10GB 显存）的机器进行调试，后续计划迁移至云端进行大规模训练。

🌩️ 气象预测与太阳能应用

基于卫星图像的云层运动预测可实现无限期的时间序列视频预测，对太阳能发电具有实际应用价值。
某太阳能公司需提前 20 至 30 分钟预测云层遮挡情况以评估阳光透过率，优化发电效率。
该任务需处理大规模实时卫星数据，对 RAM 和云基础设施要求极高，需超级计算机支持。
参考 Thomas Chappell 的研究，利用 Stable Diffusion 处理卫星图像以预测云层移动，展示了生成模型在气象领域的应用潜力。

💡 核心观点与结论

利用 Stable Diffusion 反向提示词可发现模型对特定场景（如猪圈上方视角的猪）缺乏知识，需补充训练数据。
猪作为全球主要食物动物之一，提前预警其健康状况具有显著商业价值，可避免农场损失。
AI 模型在特定垂直领域（如农业监控、气象预测）的应用需结合大规模数据与高性能计算基础设施，才能从概念验证走向实际部署。
职业发展的关键在于克服恐惧、抓住机遇，并具备在多次尝试中坚持不懈的韧性。
不要因自我怀疑而放弃机会，即使感到害怕也应主动尝试，成功源于坚持与勇气，需走出舒适区。
追随内心热情，保持坚定与固执，直至达成目标，这是个人成长与技术突破的共同驱动力。

👤 同一博主

查看该博主全部 28 篇

🧭 类似博主

0 条评论

发表评论

请先登录后参与讨论。