قادة الفكر

لماذا تُعد مشكلة البيانات في الزراعة مشكلة للذكاء الاصطناعي — وماذا يمكن للنباتات أن تفعل لحلها؟

Dr. Christopher Seifert Chip Franzén, Software Engineer at InnerPlant
أضف Unite.AI إلى مصادرك المفضلة على Google
النقاط الرئيسيةيفشل الذكاء الاصطناعي الزراعي لأنه يعتمد على بيانات بيئية خارجية بدلاً من الإشارات…
عرض المزيد
  • يفشل الذكاء الاصطناعي الزراعي لأنه يعتمد على بيانات بيئية خارجية بدلاً من الإشارات البيولوجية المباشرة للنباتات.
  • النباتات المهندسة للإشارة إلى حالاتها الداخلية مثل المرض تقدم للذكاء الاصطناعي فئة جديدة من البيانات البيولوجية القابلة للتنفيذ.
  • استحواذ شركة Climate Corporation بقيمة 1.1 مليار دولار يُمثل مثالاً على عقد من الضجيج حول استراتيجيات البيانات الخارجية المعيبة.

كل بضع سنوات يظهر في قطاع التكنولوجيا الزراعية حل جديد يُقدَّم بوصفه علاجًا سحريًا. في عام 2013، كانت الرواية السائدة أن البيانات الضخمة ستُحدث تحولًا في إدارة المزارع؛ إذ كان يُفترض أن يفتح استحواذ مونسانتو على شركة The Climate Corporation مقابل 1.1 مليار دولار عصرًا جديدًا من الزراعة التنبؤية. وبعد بضع سنوات، كان يُنتظر من الدفيئات المدعومة بالذكاء الاصطناعي أن تُطلق ثورة خضراء ثانية. ثم جاءت وعود الحصاد بالروبوتات، ثم خبراء الزراعة القائمين على الذكاء الاصطناعي التوليدي، والآن الذكاء الاصطناعي الوكيلي الذي يُفترض أنه سيتخذ قرارات مستقلة نيابة عن المزارعين حول العالم.

هذا النمط مألوف: كل موجة من الضجة تبني على سابقتها، ومع ذلك تواصل استثمارات رأس المال المخاطر في التكنولوجيا الزراعية تخييب الآمال، وتظل النتائج التحويلية بعيدة المنال. لماذا؟ ليس لأن المهندسين يفتقرون إلى الموهبة، ولا لأن العلم الذي يستند إليه الذكاء الاصطناعي معيب. المشكلة أعمق، وتصل إلى البيانات نفسها التي تعتمد عليها أنظمة الذكاء الاصطناعي الزراعي.

ما لم نُعد التفكير جذريًا في نوع البيانات التي نجمعها وكيفية جمعها، ستظل ثورة الذكاء الاصطناعي الزراعي وعدًا دائمًا، بدلًا من أن تصبح واقعًا حاضرًا.

ثلاثة أسباب وراء استمرار إخفاق الذكاء الاصطناعي الزراعي

الزراعة من أصعب البيئات التي يمكن تصورها لتطوير الذكاء الاصطناعي. فالتحديات ليست مشكلات هندسية بسيطة، بل هيكلية. وفيما يلي ما يجعل هذا المجال عصيًا على الأساليب المعتادة في تطوير الذكاء الاصطناعي:

حلقات تغذية راجعة تتحرك بإيقاع الأحياء لا البرمجيات

تُصمَّم أنظمة الذكاء الاصطناعي الحديثة على أساس دورات تطوير سريعة. يمكن إعادة تدريب نموذج برمجي في ساعات، بينما تستغرق تجربة دوائية سنوات. والزراعة أقرب إلى الحالة الثانية. كان من جوانب ابتكار نورمان بورلوغ في سبعينيات القرن الماضي، الذي حظي بتقدير جائزة نوبل، تقصير دورات استنباط أصناف المحاصيل بحيث تصبح دورتين سنويًا بدلًا من دورة واحدة. وتحقق شركات البذور الأكثر تقدمًا اليوم ثلاث دورات سنوية، وهو إيقاع لا يزال شديد البطء بمقاييس الذكاء الاصطناعي. وعندما لا تتوافر البيانات الفعلية المرجعية إلا مع الحصاد، تمتد الجداول الزمنية لتحسين النماذج على مدى سنوات، لا دورات تطوير قصيرة.

تعقيد الزراعة يُخلّ بالافتراضات المعتادة للذكاء الاصطناعي

اطرح سؤالًا يبدو بسيطًا: ما كمية النيتروجين التي ينبغي إعطاؤها لهذا الحقل؟ سرعان ما تتكاثر المتغيرات: تركيب التربة، والدورات الزراعية السابقة، وتاريخ مسببات الأمراض، والمناخ المحلي الدقيق، وتاريخ تربية الماشية الممتد لعقود، والقدرة على الاحتفاظ بالماء، وممارسات الحراثة، وعشرات العوامل الأخرى المتفاعلة. تُظهر الأبحاث المتعلقة بحدود الاستدلال لدى الذكاء الاصطناعي أن دقة النماذج تنهار في البيئات عالية الأبعاد. والزراعة ليست عالية الأبعاد فحسب، بل من أكثر المجالات تعددًا للأبعاد التي حاول البشر نمذجتها على الإطلاق.

كل مزرعة حالة استثنائية قائمة بذاتها

لا توجد بقرة كروية في الزراعة الواقعية. فلكل مزرعة مزيجها الخاص من إتاحة التكنولوجيا، وفلسفة العمل، والقيود الرأسمالية، والقدرة على تحمل المخاطر. والنموذج المدرَّب على مزارع المحاصيل الصفية الكبيرة في الغرب الأوسط الأمريكي سيفشل فشلًا ذريعًا عند تطبيقه على مزرعة صغيرة متنوعة الإنتاج في منطقة شمال غرب المحيط الهادئ. لا شيء يمكن تعميمه بسلاسة، كما أن تصميم الحلول لكل حالة استثنائية يزيد عدد الأبعاد حتى يصبح التعامل معها أقل قابلية للتطبيق.

الحل ليس بيانات أكثر، بل بيانات أفضل

النزعة المعتادة في وادي السيليكون عند مواجهة معظم المشكلات الصعبة هي تخصيص مزيد من القدرة الحاسوبية والبيانات. وفي الزراعة، أفضت هذه النزعة إلى أرقام مذهلة: يُقدَّر أن المزرعة المتوسطة تُنتج اليوم 500,000 نقطة بيانات يوميًا. تُصوِّر الأقمار الصناعية كل حقل على الأرض، وتسجّل المستشعرات درجات الحرارة والرطوبة الجوية ورطوبة التربة بتفصيل دقيق.

ومع ذلك، يُقر مجتمع الذكاء الاصطناعي الزراعي على نطاق واسع بنقص البيانات عالية الجودة. المشكلة ليست في الحجم، بل في مدى صلة البيانات بما نحتاج إلى معرفته. فكل بيانات المستشعرات، وصور الأقمار الصناعية، وتقارير تحليل التربة ترصد ما يحدث حول النبات، ولا يرصد أي منها ما يحدث داخل النبات.

تخيّل مهندس سباقات فورمولا 1 يحاول تحسين زمن اللفة اعتمادًا على بيانات تتبع GPS وحدها. تمنحه السرعة والموقع والمسار أساسًا للعمل، لكن من دون بيانات القياس عن بُعد للمحرك، ومستشعرات حرارة الإطارات، وبيانات تدفق الوقود، سيظل نموذجه يخمّن العلاقات السببية. وينطبق الأمر نفسه تمامًا على البيانات الزراعية الخارجية. فهي تُخبرنا بالظروف القائمة في البيئة، لكنها لا تخبرنا كيف يستجيب المحصول فعليًا لتلك الظروف.

وهذا يفسّر بعضًا من أبرز إخفاقات الذكاء الاصطناعي في الزراعة. فقد جمعت Gro Intelligence أكثر من 120 مليون دولار لبناء أكبر مستودع في العالم لبيانات المناخ الزراعي، ثم أغلقت في نهاية المطاف. إن زيادة البيانات الخارجية، مهما بلغت دقة جمعها، لا تحل المشكلة الأساسية: نحن نقيس الشيء الخطأ.

ما المعنى الفعلي للاستماع إلى النبات؟

تُتيح تقنيات حيوية جديدة الآن، ولأول مرة، الحصول على بيانات مباشرة من داخل المحاصيل التي نزرعها. والفكرة الأساسية هي تعديل المحاصيل لكي تُصدر إشارات تعبّر عن حالاتها البيولوجية الداخلية، فتُفصح عن الإجهاد أو العدوى أو احتياجات الموارد عبر مخرجات قابلة للقياس، بدلًا من الحاجة إلى استنتاجها من مؤشرات خارجية بديلة.

وفي وقت سابق من هذا العام، حقّق أحد هذه الأساليب نتيجة تاريخية: نبتة فول صويا عُدِّلت لإصدار إشارات فلورية كشفت عن عدوى فطرية في الوقت الفعلي قبل ظهور أي أعراض مرئية على النبات. وعلى مدى 10,000 سنة من الزراعة، لم يتمكن المزارعون من اكتشاف المرض في هذه المرحلة. لقد حفّزت الاستجابة المناعية للنبات نفسه الإشارة؛ وكان النبات ذاته مصدر البيانات.

لهذا أهمية في نتائج الزراعة العملية. فالكشف المبكر عن المرض يتيح تدخلًا مبكرًا، ويقلّل الخسائر والمدخلات الكيميائية. لكنه مهم بالقدر نفسه للذكاء الاصطناعي الزراعي، لأنه يمثل فئة جديدة جذريًا من البيانات.

فبدلًا من استنتاج بيولوجيا النبات من الظروف الخارجية، وهي مهمة تتسم بطبيعتها بكثرة التشويش والأبعاد والتأثر بالعوامل المُربِكة، يمكن الآن تدريب أنظمة الذكاء الاصطناعي على قياسات مباشرة لوظائف النبات الفسيولوجية. تتقلص مشكلة تعدد الأبعاد بشدة، وتقصر حلقة التغذية الراجعة. ولا تختفي مشكلة الحالات الاستثنائية، لكنها تصبح أسهل معالجة عندما نعمل بإشارات يصدرها النبات نفسه بدلًا من المتغيرات البديلة في البيئة المحيطة.

نهج جديد للبيانات من أجل عصر جديد للذكاء الاصطناعي الزراعي

تقدّم المقارنة مع تطوير المركبات ذاتية القيادة درسًا مفيدًا. فشركات مثل Waymo لم تنجح بمحاولة تدريب نماذجها على البيانات العامة المتاحة عن الطرق وحدها. بل أنشأت منظومات مستشعرات خاصة بها، وأنتجت مجموعات بيانات ضخمة وعالية الجودة جمعتها بنفسها، والتقطت بدقة ما تحتاج نماذجها إلى تعلّمه. وكانت استراتيجية البيانات بأهمية بنية النموذج نفسها.

يحتاج الذكاء الاصطناعي الزراعي إلى إعادة تفكير مماثلة. فالمضي قدمًا لا يتحقق بتطبيق نماذج أفضل على مجموعات البيانات الزراعية الحالية. تلك المجموعات محدودة جوهريًا لأنها لا ترصد إلا بيئة المحصول، لا المحصول ذاته. والطريق إلى الأمام هو توليد فئة جديدة من البيانات قائمة على البيولوجيا الفعلية للنبات، وبناء أنظمة ذكاء اصطناعي مصممة للتعلّم منها.

هذا النوع من البيانات، أي القياسات البيولوجية المستمرة عن بُعد للمحاصيل طوال الموسم في المناطق الزراعية الرئيسية، لا يوجد حتى الآن على نطاق واسع. لكن تقنيات توليده أصبحت واقعًا ملموسًا. وعندما تتوافر هذه البيانات، ستُمكّن من بناء نماذج ذكاء اصطناعي تساعد المزارعين حقًا في اتخاذ قرارات معقدة، ليس بمعالجة بحر مشوّش من المتغيرات الخارجية بالقوة الحاسوبية وحدها، بل بفهم احتياجات المحصول نفسه بصورة تقترب من الوقت الفعلي.

لقد دار النقاش حول فجوة جودة البيانات في الزراعة لسنوات. وما تغيّر هو أن لدينا الآن إجابة موثوقة عنها، تبدأ بالنباتات نفسها.

الطريق الحقيقي إلى الثورة الخضراء المقبلة

إن إطعام 8 مليارات إنسان بصورة مستدامة، مع توقع زيادة العدد بمليارين آخرين بحلول عام 2050، بالتزامن مع إدارة الاضطرابات المناخية وتكاليف المدخلات وندرة المياه، هو أحد التحديات التي تُحدّد ملامح هذا القرن. وللذكاء الاصطناعي الزراعي قدرة على المساعدة في كل جانب من هذا التحدي، لكن فقط إذا بُني على بيانات تعكس ما يحدث فعلًا داخل المحاصيل التي نحاول زراعتها.

لأكثر من عقد، حاول القطاع حل المشكلة بجمع مزيد من البيانات الخارجية وتخصيص قدرة حاسوبية أكبر لمعالجتها. وقد حقق هذا النهج مكاسب تدريجية، لكنه لم يحقق الاختراق الذي يحتاجه القطاع. ولن يحققه، لأن المشكلة الأساسية للبيانات ما زالت بلا حل.

لن تنبثق الثورة الخضراء المقبلة من بنية نموذج واعدة أخرى، أو من شركة ناشئة أخرى جيدة التمويل تمتلك منظومة أفضل لمعالجة صور الأقمار الصناعية. بل ستبدأ عندما تتمكن أنظمة الذكاء الاصطناعي أخيرًا من سماع ما يحاول المحصول قوله.

الدكتور كريستوفر سيفرت هو رئيس المنتجات البرمجية في InnerPlant، حيث يقود أنظمة البيانات وتعلم الآلة في الشركة. انضم إليها بعد تطوير منتجات ومنصات عبر جميع طبقات منظومة البيانات الزراعية تقريبًا، بخبرة تشمل الاستشعار عن بُعد بالأقمار الصناعية، والتحليلات الجغرافية المكانية، وبرمجيات إدارة المزارع، والبنية التحتية لبيانات البذور وعلوم المحاصيل. وتتضمن خلفيته أدوارًا قيادية في Granular وCorteva Agriscience، وعملًا سابقًا لدى Google وThe Climate Corporation، وخبرة بحثية لدى NASA وبرنامج ستانفورد للأمن الغذائي والبيئة. كما شارك في تأسيس AcreValue وشغل منصب رئيسها التنفيذي، وهي منصة لتقييم الأراضي الزراعية استحوذت عليها Granular. ويمنحه هذا التنوع في الخبرة رؤية واضحة للمجالات التي نجح فيها الذكاء الاصطناعي الزراعي، والمجالات التي تعثّر فيها عند التطبيق الميداني، ومتطلبات تشغيل أنظمة موثوقة وجاهزة للاستخدام الفعلي في الزراعة. ويحمل دكتوراه في علوم نظام الأرض، إضافة إلى ماجستير علوم وبكالوريوس علوم في أنظمة الأرض، من جامعة ستانفورد.

تشيب فرانزين مهندس برمجيات في InnerPlant، حيث يصمم ويبني مسارات معالجة البيانات والتعلم الآلي لتطبيقات الاستشعار الزراعي، مع التركيز على إنترنت الأشياء والرؤية الحاسوبية والاستشعار عن بُعد. قبل انضمامه إلى InnerPlant، أمضى سنوات في تطبيق التعلم الآلي على الزراعة في شركات منها Granular وIndigo، وعمل على تقييم الأراضي وتحديد الغطاء الأرضي بالرؤية الحاسوبية ومسارات معالجة البيانات المكانية وعمليات التعلم الآلي (MLOps) للنماذج الزراعية القائمة على الاستشعار عن بُعد وواجهات برمجة تطبيقات الاستدلال. ويوظف في InnerPlant خبرته الشاملة في تطوير البرمجيات لتحويل الإشارات البيولوجية والجغرافية المكانية المعقدة إلى مخرجات موثوقة وجاهزة للإنتاج، يمكن للفرق استخدامها في مسارات العمل الفعلية. يحمل بكالوريوس آداب من جامعة ديوك وماجستير علوم في علم البيانات من Galvanize.