Vordenker

Warum das Datenproblem der Landwirtschaft ein KI-Problem ist — und wie Pflanzen helfen können

Dr. Christopher Seifert Chip Franzén, Software Engineer at InnerPlant
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
Wichtige PunkteAgrar-KI scheitert, weil sie sich auf externe Umweltdaten statt auf direkte pflanzliche…
Mehr anzeigen
  • Agrar-KI scheitert, weil sie sich auf externe Umweltdaten statt auf direkte pflanzliche biologische Signale verlässt.
  • Pflanzen, die so konstruiert sind, dass sie interne Zustände wie Krankheiten signalisieren, bieten der KI eine neue Klasse verwertbarer biologischer Daten.
  • Die Übernahme von The Climate Corporation für 1,1 Milliarden Dollar verdeutlicht ein Jahrzehnt des Hypes um fehlerhafte Strategien mit externen Daten.

Alle paar Jahre taucht in der Agrartechnologie ein neues vermeintliches Wundermittel auf. 2013 lautete die Erzählung, dass Big Data das Management landwirtschaftlicher Betriebe verändern werde — Monsantos Übernahme von The Climate Corporation für 1,1 Milliarden Dollar sollte eine neue Ära der vorausschauenden Landwirtschaft einläuten. Einige Jahre später sollten KI-gesteuerte Gewächshäuser eine zweite Grüne Revolution bringen. Dann folgten Versprechen über robotergestützte Ernten, Agronomen auf Basis generativer KI und nun agentische KI, die angeblich weltweit eigenständig Entscheidungen für Landwirte treffen wird.

Das Muster dürfte bekannt sein: Jede neue Welle überzogener Erwartungen baut auf der vorherigen auf, doch Risikokapitalinvestitionen in AgTech enttäuschen weiterhin, und umwälzende Ergebnisse bleiben schwer erreichbar. Warum? Nicht, weil den Ingenieuren Talent fehlt oder die wissenschaftlichen Grundlagen der KI fehlerhaft sind. Das Problem liegt tiefer, in den Daten selbst, von denen landwirtschaftliche KI-Systeme abhängen.

Solange wir nicht grundlegend überdenken, welche Daten wir sammeln und wie wir das tun, bleibt die KI-Revolution in der Landwirtschaft ein ewiges Versprechen statt gegenwärtiger Realität.

Drei Gründe, warum landwirtschaftliche KI immer wieder scheitert

Die Landwirtschaft gehört zu den denkbar ungünstigsten Umgebungen für die Entwicklung von KI. Die Herausforderungen sind keine kleinen technischen Probleme, sondern strukturell. Folgende Faktoren erklären, warum die üblichen KI-Methoden in diesem Bereich so schlecht greifen:

Rückkopplungsschleifen folgen dem Tempo der Biologie, nicht dem der Software

Moderne KI-Systeme sind auf schnelle Iterationen ausgelegt. Ein Softwaremodell lässt sich binnen Stunden neu trainieren; ein Arzneimittelversuch dauert Jahre. Die Landwirtschaft liegt näher am zweiten Fall. Norman Borlaugs Innovation der 1970er-Jahre, die mit dem Nobelpreis gewürdigt wurde, bestand teilweise darin, Pflanzenzüchtungszyklen so zu verkürzen, dass jährlich zwei Zyklen statt nur eines möglich wurden. Die fortschrittlichsten Saatgutunternehmen schaffen heute drei jährliche Zyklen, was nach KI-Maßstäben weiterhin extrem langsam ist. Wenn die tatsächlichen Referenzdaten erst bei der Ernte vorliegen, dauert die Modellverbesserung Jahre statt kurzer Entwicklungssprints.

Die Komplexität der Landwirtschaft widerspricht den üblichen KI-Annahmen

Stellen Sie eine scheinbar einfache Frage — wie viel Stickstoff sollte dieses Feld erhalten? — und die Zahl der Variablen wächst rasch: Bodenzusammensetzung, frühere Fruchtfolgen, die Vorgeschichte von Krankheitserregern, Mikroklima, Jahrzehnte der Tierhaltung, Wasserspeichervermögen, Bodenbearbeitung und Dutzende weiterer Faktoren, die miteinander wechselwirken. Forschung zu den Grenzen des Schlussfolgerns bei KI zeigt, dass die Modellgenauigkeit in hochdimensionalen Umgebungen zusammenbricht. Die Landwirtschaft ist nicht nur hochdimensional; sie gehört zu den Bereichen mit den meisten Dimensionen, die Menschen je zu modellieren versucht haben.

Jeder Hof ist ein eigener Sonderfall

In der realen Landwirtschaft gibt es keine kugelförmige Kuh. Jeder Betrieb hat seine eigene Kombination aus Technologiezugang, Arbeitsphilosophie, Kapitalbeschränkungen und Risikotoleranz. Ein Modell, das an großen Betrieben mit Reihenkulturen im Mittleren Westen der USA trainiert wurde, wird auf einem kleinen, vielfältig wirtschaftenden Hof im pazifischen Nordwesten kläglich scheitern. Nichts lässt sich problemlos verallgemeinern. Für jeden Sonderfall eine Lösung zu entwickeln, steigert die Dimensionalität noch weiter über das praktisch Machbare hinaus.

Die Antwort sind bessere Daten, nicht mehr Daten

Bei den meisten schwierigen Problemen reagiert das Silicon Valley instinktiv mit mehr Rechenleistung und mehr Daten. In der Landwirtschaft hat das erstaunliche Zahlen hervorgebracht: Ein durchschnittlicher Betrieb erzeugt heute schätzungsweise 500.000 Datenpunkte pro Tag. Satelliten fotografieren jedes Feld der Erde. Sensoren erfassen Temperatur, Luftfeuchtigkeit und Bodenfeuchte bis ins Detail.

Dennoch erkennt die Fachgemeinschaft für landwirtschaftliche KI weithin einen Mangel an hochwertigen Daten an. Das Problem ist nicht die Menge, sondern die Relevanz. All diese Sensordaten, Satellitenbilder und Bodenanalyseberichte erfassen, was um die Pflanze herum geschieht. Nichts davon erfasst, was in der Pflanze geschieht.

Stellen Sie sich einen Formel-1-Renningenieur vor, der die Rundenzeit ausschließlich anhand von GPS-Trackingdaten optimieren will. Geschwindigkeit, Position und Fahrlinie liefern Ansatzpunkte. Ohne Motortelemetrie, Reifentemperatursensoren und Daten zum Kraftstofffluss muss das Modell jedoch ständig über Ursache und Wirkung spekulieren. Externe Agrardaten funktionieren genauso: Sie zeigen die Umweltbedingungen, aber nicht, wie die Pflanze tatsächlich darauf reagiert.

Das erklärt einige der sichtbarsten KI-Fehlschläge in der Landwirtschaft. Gro Intelligence sammelte über 120 Millionen Dollar ein, um das weltweit größte Archiv landwirtschaftlicher Klimadaten aufzubauen, und stellte schließlich den Betrieb ein. Mehr externe Daten lösen das Grundproblem nicht, so präzise sie auch erhoben werden: Wir messen das Falsche.

Was es wirklich bedeutet, der Pflanze zuzuhören

Neue Biotechnologien ermöglichen es jetzt erstmals, Daten direkt aus dem Inneren der angebauten Pflanzen zu gewinnen. Die Grundidee ist, Pflanzen so zu verändern, dass sie ihren eigenen inneren biologischen Zustand signalisieren. Stress, Infektionen oder Ressourcenbedarf werden durch messbare Signale mitgeteilt, statt aus externen Ersatzindikatoren erschlossen werden zu müssen.

Anfang dieses Jahres erzielte einer dieser Ansätze ein historisches Ergebnis: Eine für fluoreszierende Signale veränderte Sojapflanze machte eine Pilzinfektion in Echtzeit sichtbar, bevor irgendwelche erkennbaren Symptome auftraten. In 10.000 Jahren Landwirtschaft konnten Landwirte Krankheiten noch nie in diesem Stadium erkennen. Die eigene Immunantwort der Pflanze löste das Signal aus. Die Pflanze selbst lieferte die Daten.

Das ist für praktische landwirtschaftliche Ergebnisse wichtig. Eine frühere Krankheitserkennung erlaubt frühere Eingriffe und senkt Verluste sowie den Einsatz chemischer Betriebsmittel. Für landwirtschaftliche KI ist es ebenso wichtig, weil es sich um eine grundlegend neue Datenkategorie handelt.

Pflanzenbiologie aus äußeren Bedingungen abzuleiten, ist eine von Natur aus verrauschte, hochdimensionale und für konfundierende Faktoren anfällige Aufgabe. Stattdessen können KI-Systeme nun mit direkten Messungen der Pflanzenphysiologie trainiert werden. Das Dimensionalitätsproblem schrumpft drastisch, und die Rückkopplungsschleife wird kürzer. Das Problem der Sonderfälle verschwindet nicht, wird aber beherrschbarer, wenn man mit Signalen der Pflanze selbst statt mit Ersatzvariablen der Umgebung arbeitet.

Ein neues Datenparadigma für eine neue Ära landwirtschaftlicher KI

Der Vergleich mit der Entwicklung autonomer Fahrzeuge ist aufschlussreich. Unternehmen wie Waymo hatten nicht deshalb Erfolg, weil sie versuchten, ihre Modelle allein mit vorhandenen öffentlichen Straßendaten zu trainieren. Sie bauten eigene Sensoranordnungen und erzeugten riesige, hochwertige, selbst erhobene Datensätze, die genau erfassten, was ihre Modelle lernen mussten. Die Datenstrategie war ebenso wichtig wie die Modellarchitektur.

Landwirtschaftliche KI braucht ein ähnliches Umdenken. Der Weg nach vorn besteht nicht darin, bessere Modelle auf bestehende Agrardatensätze anzuwenden. Diese Datensätze haben eine grundlegende Begrenzung: Sie beobachten nur die Umgebung der Pflanze, nicht die Pflanze selbst. Nötig sind eine neue Datenkategorie auf Grundlage tatsächlicher Pflanzenbiologie und KI-Systeme, die dafür ausgelegt sind, daraus zu lernen.

Solche Daten — kontinuierliche biologische Telemetrie von Pflanzen in den großen Agrarregionen über die gesamte Anbausaison — existieren noch nicht in großem Maßstab. Die Technologien zu ihrer Erzeugung werden jedoch Realität. Wenn die Daten vorliegen, ermöglichen sie KI-Modelle, die Landwirten wirklich bei komplexen Entscheidungen helfen: nicht durch bloße Rechengewalt in einem verrauschten Meer äußerer Variablen, sondern indem sie nahezu in Echtzeit verstehen, was die Pflanze selbst braucht.

Die Qualitätslücke bei landwirtschaftlichen Daten wird seit Jahren diskutiert. Neu ist, dass wir nun eine glaubwürdige Antwort haben, und sie beginnt bei den Pflanzen selbst.

Der tatsächliche Weg zur nächsten Grünen Revolution

Acht Milliarden Menschen nachhaltig zu ernähren, zu denen bis 2050 voraussichtlich zwei Milliarden hinzukommen, und dabei Klimastörungen, Betriebsmittelkosten und Wasserknappheit zu bewältigen, ist eine der prägenden Herausforderungen dieses Jahrhunderts. Landwirtschaftliche KI kann bei jedem Teil davon helfen, aber nur auf Grundlage von Daten, die tatsächlich die Vorgänge im Inneren der angebauten Pflanzen widerspiegeln.

Seit über einem Jahrzehnt versucht die Branche, das Problem durch mehr externe Daten und mehr Rechenleistung zu lösen. Das hat schrittweise Verbesserungen gebracht, aber nicht den benötigten Durchbruch. Es wird ihn auch nicht bringen, weil das grundlegende Datenproblem ungelöst bleibt.

Die nächste Grüne Revolution wird nicht aus einer weiteren vielversprechenden Modellarchitektur oder einem weiteren gut finanzierten Startup mit einer besseren Verarbeitungskette für Satellitenbilder entstehen. Sie beginnt, wenn KI-Systeme endlich hören können, was die Pflanze zu sagen versucht.

Dr. Christopher Seifert ist Leiter der Software-Produktentwicklung bei InnerPlant, wo er die Daten- und Machine-Learning-Systeme des Unternehmens leitet. Er kam zu InnerPlant, nachdem er Produkte und Plattformen über fast alle Ebenen des landwirtschaftlichen Datenstapels hinweg entwickelt hatte, mit Erfahrungen, die von der satellitengestützten Fernerkundung bis hin zu geospatialen Analysen, Farm-Management-Software und Saat- und Agronomie-Dateninfrastruktur reichten. Sein Hintergrund umfasst Führungspositionen bei Granular und Corteva Agriscience, frühere Tätigkeiten bei Google und The Climate Corporation sowie Forschungserfahrungen bei NASA und dem Stanford-Programm für Ernährungssicherheit und Umwelt. Er war auch Mitbegründer und CEO von AcreValue, einer Plattform für die Bewertung von Ackerland, die von Granular übernommen wurde. Diese Breite gibt ihm einen klaren Blick darauf, wo landwirtschaftliche KI funktioniert hat, wo sie Schwierigkeiten hatte, in der landwirtschaftlichen Praxis Ergebnisse zu erzielen, und was es braucht, um zuverlässige, produktionsreife Systeme in der Landwirtschaft zu betreiben. Er hält einen PhD in Erdsystemwissenschaften sowie einen MS und BS in Erd-Systemen von der Stanford University.

Chip Franzén ist Softwareentwickler bei InnerPlant. Dort entwirft und entwickelt er die Daten- und Machine-Learning-Pipelines des Unternehmens für landwirtschaftliche Sensoranwendungen, insbesondere in den Bereichen IoT, Computer Vision und Fernerkundung. Zuvor wandte er bei Unternehmen wie Granular und Indigo über Jahre maschinelles Lernen in der Landwirtschaft an. Er arbeitete an Bewertungen von Landflächen, der Erkennung der Landbedeckung mittels Computer Vision, räumlichen Datenpipelines sowie MLOps für fernerkundungsbasierte agronomische Modelle und Inferenz-APIs. Bei InnerPlant nutzt er seine Full-Stack-Erfahrung, um komplexe biologische und georäumliche Signale in verlässliche, produktionsreife Ergebnisse umzuwandeln, die Teams in realen Arbeitsabläufen einsetzen können. Er hat einen BA der Duke University und einen M.Sc. in Data Science von Galvanize.