人工智能在农业中的应用被大部分忽视，本文通过对机器学习在农业中的应用进行全面综述，旨在探索其在农业实践和效率提升中的转型潜力，以优化作物产量并减少环境影响。通过分析和分类农业数据，本研究突出了机器学习能够提高农场生产力和盈利能力的例子，并讨论了在农业应用中显示有希望结果的重要机器学习模型及其独特特点。通过系统综述现有文献，本文填补了人工智能在农业领域的研究空白，为新手和研究者提供了有价值的信息，更深入地了解人工智能在农业中的重要贡献和潜力，最终受益于研究界。

May, 2024

通过在多个地理空间子领域进行测试，发现在某些文本模态的地理任务中，基于任务不可知的大型语言模型可以在零样本或少样本学习设置中胜过基于任务特定的全监督模型，但是在其他涉及多种数据模态的地理任务上，现有的基础模型仍然不如基于任务特定的模型表现。因此，通过处理不同的地理数据模态，建议可能性使用能够通过地理对齐来推理各种类型的地理数据的多模态基础模型来应对地理人工智能挑战的多模态特征。

Apr, 2023

基于对代理与基础模型互动模式的分类和对该模式的扩展架构提出的综述性论文，为实现基础模型在实际人工智能系统中的潜力提供了指导。

Feb, 2024

基于人工智能的大规模基础模型在自主驾驶中具有着巨大的应用潜力，能够提升场景理解和推理能力，增强语言和行动命令的认知推理，并改善自主驾驶系统的准确性和可靠性。同时，通过自我监督学习范式下的大规模数据，世界模型可以生成看似真实的未见过的驾驶环境，促进对道路使用者行为的预测和驾驶策略的离线训练，从而提高自主驾驶的安全性和处理长尾分布问题的能力。

Dec, 2023

这篇综述论文通过系统调查和总结生物信息学中的基础模型对于特定生物问题的应用以及面临的挑战和限制，并提出了基础模型在未来生物研究中的发展方向和策略。

Feb, 2024

应用人工智能和深度学习在智能制造领域仍面临挑战，大规模基础模型（LSFMs）能够解决深度学习面临的挑战，并显示出强大的泛化能力，在智能制造中呈现出广泛应用的潜力。

Dec, 2023

通过整合 AI 基础模型在多种粮食安全应用中的应用，利用不同数据类型解决当前深度学习和机器学习方法的局限性，本研究探讨了其在作物类型映射、农田映射、作物产量预测等方面的应用。通过利用多光谱图像、气象数据、土壤特性、历史记录和高分辨率卫星图像，AI 基础模型提供了一种多功能的解决途径，能够提供准确的预测，改善资源配置，支持明智决策，从而增强粮食安全。这些模型在解决全球粮食安全局限性方面起到了变革性的作用，标志着迈向可持续、安全粮食未来的重要一步。

Oct, 2023

综合调查了联邦基础模型（FedFM）领域，阐明了其与联邦学习（FL）的协同关系，并探索了 FL 研究领域在基础模型时代需要关注的新方法、挑战和未来方向。提出了一种系统的多层次分类法，对现有的 FedFM 方法进行了分类。全面讨论了关键挑战，包括如何使 FL 处理高复杂性的计算需求、隐私考虑、贡献评估和通信效率。这项调查强调了在 FedFM 领域进行进一步研究以推动创新的重要性，强调了开发可信解决方案的需求。作为研究人员和从业者参与这个跨学科和快速发展领域的基础指南。

Apr, 2024

基于联邦学习与基础模型的潜力和挑战以及核心技术、未来方向和应用的综述。

Jun, 2024

本文旨在探讨基础模型（FMs）在数据清洗和集成等传统数据任务中的表现，研究发现大型 FM 模型可以在这些任务中取得 SoTA 表现，并针对这一发现提出了相关挑战和机遇。

May, 2022