Γιατί το πρόβλημα δεδομένων της γεωργίας είναι ένα πρόβλημα AI — και τι μπορούν τα φυτά να κάνουν γι’ αυτό

Κάθε λίγα χρόνια, ο τομέας της γεωργικής τεχνολογίας παίρνει ένα νέο μαγικό φακό. Το 2013, η αφήγηση ήταν η μεταμόρφωση της διαχείρισης των φυτειών από τα μεγάλα δεδομένα — η απόκτηση της The Climate Corporation από τη Monsanto για 1,1 δισεκατομμύριο δολάρια ήταν υποτιθέμενο να σημάνει μια νέα εποχή προβλέψιμης γεωργίας. Λίγα χρόνια αργότερα, θερμοκοιτοστάθες με ενίσχυση AI θα έφερναν μια δεύτερη Πράσινη Επανάσταση. Στη συνέχεια ήρθε η υπόσχεση της συγκομιδής με ρομπότ, στη συνέχεια γενετικά μηχανικοί αγρότες και τώρα AI που θα λάβουν αποφάσεις αυτονομamente για λογαριασμό των γεωργών παγκοσμίως.

Το μοτίβο πρέπει να είναι οικείο: κάθε κύμα υπερβολής χτίζει πάνω στο προηγούμενο, ωστόσο η επένδυση της AgTech συνεχίζει να απογοητεύει, και τα μεταμορφωτικά αποτελέσματα παραμένουν απρόσιτα. Γιατί; Όχι因为 οι μηχανικοί δεν είναι ταλαντούχοι, ή因为 η υποκείμενη επιστήμη AI είναι ελαττωματική. Το πρόβλημα chạy sâu hơn στο ίδιο δεδομένο που εξαρτώνται τα συστήματα γεωργικής AI.

Μέχρι να ξανασκεφτούμε θεμελιωδώς τι δεδομένα συλλέγουμε και πώς τα συλλέγουμε, η επανάσταση της γεωργικής AI θα παραμείνει μια διαρκής υπόσχεση αντί για μια παρούσα πραγματικότητα.

Τρεις λόγοι για τους οποίους η γεωργική AI συνεχίζει να αποτυγχάνει

Η γεωργία είναι ένας από τους πιο εχθρικούς περιβάλλοντες που μπορεί να φανταστεί κανείς για την ανάπτυξη AI. Οι προκλήσεις δεν είναι τριβές προβλήματα μηχανικής — είναι δομικές. Αυτό που κάνει αυτό το domaine τόσο ανθεκτικό στο συνηθισμένο playbook της AI:

Βρόχοι ανατροφοδότησης που κινούνται με το ρυθμό της βιολογίας, όχι του λογισμικού.

Τα σύγχρονα συστήματα AI σχεδιάζονται γύρω από τη γρήγορη επανάληψη. Ένα μοντέλο λογισμικού μπορεί να επαναποκατασταθεί σε λίγες ώρες· μια κλινική δοκιμή διαρκεί χρόνια. Η γεωργία βρίσκεται πιο κοντά στο δεύτερο. Η καινοτομία του Νόρμαν Μπορλόγκ που αναγνωρίστηκε με το Νόμπελ την δεκαετία του ’70 ήταν εν μέρει σχετικά με τη συμπίεση των κυκλών φυτικής αναπαραγωγής από μία σε δύο φορές το χρόνο. Σήμερα, οι πιο προηγμένες εταιρείες σπόρων διαχειρίζονται τρεις κύκλους ετησίως· ακόμη πολύ αργά με τα πρότυπα της AI. Όταν η αλήθεια του εδάφους φτάνει με τη συγκομιδή, τα χρονοδιαγράμματα βελτίωσης του μοντέλου εκτείνεται σε χρόνια, όχι σε σπρίντ.

Η γεωργική πολυπλοκότητα σπάει τις συνήθεις υποθέσεις της AI

Ρωτήστε μια φαινομενικά απλή ερώτηση — πόσο άζωτο πρέπει να λάβει αυτό το πεδίο; — και οι μεταβλητές πολλαπλασιάζονται γρήγορα: σύνθεση εδάφους, προηγούμενες περιστροφές καλλιέργειας, ιστορία παθογόνων, μικροκλίμα, ιστορία ζωικού κεφαλαίου που χρονολογείται δεκαετίες, αποθήκευση νερού, πρακτικές καλλιέργειας και δεκάδες άλλων αλληλεπιδραστικών παραγόντων. Ερευνες σχετικά με τις περιορισμούς του λόγου της AI δείχνουν ότι η ακρίβεια του μοντέλου καταρρέει σε περιβάλλοντα υψηλής διάστασης. Η γεωργία δεν είναι μόνο υψηλής διάστασης· είναι ένα από τα υψηλότερα περιβάλλοντα που οι άνθρωποι έχουν προσπαθήσει να μοντελοποιήσουν.

Κάθε φάρμα είναι η δική της περίπτωση.

Δεν υπάρχει σφαιρική αγελάδα στη πραγματική γεωργία. Κάθε λειτουργία έχει τη δική της συνδυασμένη τεχνολογία, φιλοσοφία εργασίας, περιορισμούς κεφαλαίου και ανεκτικότητα κινδύνου. Ένα μοντέλο που έχει εκπαιδευτεί σε μεγάλες επιχειρήσεις καλλιέργειας στο Μιντγουέστ θα αποτύχει θεαματικά όταν εφαρμοστεί σε μια μικρή ποικιλόμορφη φάρμα στο Pacific Northwest. Τίποτα δεν γενικεύεται καθαρά, και η κατασκευή για κάθε περίπτωση οδηγεί την διαστατικότητα ακόμη περισσότερο σε ακατάλληλο έδαφος.

Περισσότερα δεδομένα δεν είναι η απάντηση — Καλύτερα δεδομένα είναι

Το ένστικτο του Silicon Valley για τα meisten δύσκολα προβλήματα είναι να ρίχνει περισσότερη υπολογιστική ισχύ και περισσότερα δεδομένα σε αυτά. Στη γεωργία, αυτό το ένστικτο έχει παράγει κάποια εκπληκτικά νούμερα: η μέση φάρμα παράγει τώρα περίπου 500.000 σημεία δεδομένων την ημέρα. Δορυφόροι εικονίζουν κάθε πεδίο στη γη. Αισθητήρες καταγράφουν τη θερμοκρασία, την υγρασία και την υγρασία του εδάφους με λεπτομερή λεπτομέρεια.

Και όμως, η κοινότητα γεωργικής AI αναγνωρίζει ευρέως ένα έλλειμμα ποιότητας δεδομένων. Το πρόβλημα δεν είναι ο όγκος. Είναι η σχετικότητα. Όλα αυτά τα δεδομένα αισθητήρων, όλες αυτές οι εικόνες δορυφόρου, όλες αυτές οι αναφορές ελέγχου εδάφους — καταγράφουν τι συμβαίνει γύρω από το φυτό. Κανένα από αυτά δεν καταγράφει τι συμβαίνει μέσα στο φυτό.

Σκεφτείτε την αναλογία ενός μηχανικού αγώνων Formula 1 που προσπαθεί να βελτιώσει τον χρόνο γύρου χρησιμοποιώντας μόνο δεδομένα GPS. Ταχύτητα, θέση και τροχιά σας δίνουν κάτι να δουλέψετε, αλλά χωρίς τηλεμετρία κινητήρα, αισθητήρες θερμοκρασίας ελαστικών και δεδομένα ροής καυσίμου, το μοντέλο σας θα μαντεύει πάντα σχετικά με την αιτία. Τα εξωτερικά γεωργικά δεδομένα είναι ακριβώς το ίδιο. Λένε τι συνθήκες υπάρχουν στο περιβάλλον, αλλά δεν μπορούν να πουν πώς το φυτό ανταποκρίνεται πραγματικά σε αυτές τις συνθήκες.

Αυτό εξηγεί κάποιες από τις πιο ορατές αποτυχίες της AI στη γεωργία. Gro Intelligence raised πάνω από 120 εκατομμύρια δολάρια κατασκευάζοντας το μεγαλύτερο αποθετήριο γεωργικών κλιματικών δεδομένων και τελικά έκλεισε. Περισσότερα εξωτερικά δεδομένα, όσο ακριβώς συλλέγονται, δεν λύνουν το υποκείμενο πρόβλημα: μετράμε το λάθος πράγμα.

Τι σημαίνει να ακούτε το φυτό

Νέα βιοτεχνολογίες κάνουν τώρα δυνατό, για πρώτη φορά, να λάβετε δεδομένα απευθείας από το εσωτερικό των φυτών που καλλιεργούμε. Η βασική ιδέα είναι να κατασκευαστούν φυτά που στέλνουν τις δικές τους εσωτερικές βιολογικές καταστάσεις — επικοινωνώντας तनίσεις, μόλυνση ή ανάγκες πόρων μέσω μετρήσιμων εξόδων αντί να απαιτούν εικασία από εξωτερικούςproxies.

Νωρίτερα φέτος, μια από αυτές τις προσεγγίσεις παρήγαγε ένα πραγματικά ιστορικό αποτέλεσμα — ένα φυτό σόγιας με μηχανική φθοριζόμενη σήμανση αποκάλυψε μια μυκητιακή μόλυνση σε πραγματικό χρόνο πριν από την εμφάνιση ορατών συμπτωμάτων στο φυτό. Σε 10.000 χρόνια γεωργίας, οι γεωργοί δεν έχουν ποτέ μπορέσει να ανιχνεύσουν ασθένεια σε αυτό το στάδιο. Η ανοσοαπόκριση του φυτού herself εύλεξε το σήμα. Το φυτό ίδιο παρείχε τα δεδομένα.

Αυτό έχει σημασία για τα πρακτικά αποτελέσματα της γεωργίας. Η νωρίτερη ανίχνευση ασθένειας επιτρέπει νωρίτερη παρέμβαση, μειώνοντας τις απώλειες και τις χημικές εισροές. Αλλά έχει σημασία εξίσου για τη γεωργική AI,因为 αντιπροσωπεύει μια θεμελιωδώς νέα κατηγορία δεδομένων.

Αντί να προσπαθήσουμε να εικαστούμε τη βιολογία του φυτού από εξωτερικές συνθήκες — μια εργασία που είναι εγγενώς θορυβώδης, υψηλής διάστασης και ευαίσθητη σε παραπλανητικές παραμέτρους — τα συστήματα AI μπορούν τώρα να εκπαιδευτούν σε άμεσες μετρήσεις της φυτικής φυσιολογίας. Το πρόβλημα διαστατικότητας συρρικνώνεται δραματικά. Ο βρόχος ανατροφοδότησης στενεύει. Το πρόβλημα της περιπτώσεως δεν εξαφανίζεται, αλλά γίνεται πιο εφικτό όταν εργάζεστε με σήματα που το φυτό ίδιο εκπέμπει αντί για μεταβλητέςproxies στο περιβάλλον.

Ένας νέος парадигματικός προσανατολισμός δεδομένων για μια νέα εποχή γεωργικής AI

Η σύγκριση με την ανάπτυξη αυτόνομων οχημάτων είναι διδακτική. Εταιρείες όπως η Waymo δεν κατάφεραν να εκπαιδεύσουν τα μοντέλα τους χρησιμοποιώντας μόνο τα υπάρχοντα δεδομένα δημοσίων οδών. Κατασκεύασαν ιδιωτικά συστοιχίες αισθητήρων και παρήγαγαν τεράστια, υψηλής ποιότητας, πρωτογενή σύνολα δεδομένων που κατέγραφαν ακριβώς τι χρειαζόταν να μάθουν τα μοντέλα τους. Η στρατηγική δεδομένων ήταν τόσο σημαντική όσο και η αρχιτεκτονική του μοντέλου.

Η γεωργική AI χρειάζεται μια παρόμοια ανασκόπηση. Ο δρόμος προς τα εμπρός δεν είναι καλύτερα μοντέλα που εφαρμόζονται σε υπάρχοντα γεωργικά σύνολα δεδομένων. Αυτά τα σύνολα δεδομένων είναι θεμελιωδώς περιορισμένα από το γεγονός ότι παρατηρούν μόνο το περιβάλλον της καλλιέργειας, όχι την καλλιέργεια ίδια. Ο δρόμος προς τα εμπρός είναι η δημιουργία μιας νέας κατηγορίας δεδομένων, εδραιωμένης στην πραγματική βιολογία φυτών, και η κατασκευή συστημάτων AI που σχεδιάζονται να μάθουν από αυτά.

Τα δεδομένα αυτά — συνεχής, εποχιακή βιοτελεμετρία φυτών σε όλη τη γεωργική καρδιά — δεν υπάρχουν ακόμη σε κλίμακα. Αλλά οι τεχνολογίες για να τα παράγουν γίνονται πραγματικές. Όταν αυτά τα δεδομένα φτάσουν, θα κάνουν δυνατά τα είδη μοντέλων AI που μπορούν πραγματικά να βοηθήσουν τους γεωργούς να διαπεράσουν σύνθετες αποφάσεις: όχι βιάζοντας το θορυβώδες πέλαγος των εξωτερικών μεταβλητών, αλλά κατανοώντας, σε κάτι κοντά στο πραγματικό χρόνο, τι χρειάζεται πραγματικά η καλλιέργεια.

Το κενό ποιότητας δεδομένων στη γεωργία έχει συζητηθεί για χρόνια. Τι έχει αλλάξει είναι ότι τώρα έχουμε μια πιστευτή απάντηση σε αυτό, και αρχίζει με τα φυτά ίδια.

Ο πραγματικός δρόμος προς την επόμενη Πράσινη Επανάσταση

Η τροφοδοσία 8 δισεκατομμυρίων ανθρώπων με βιώσιμο τρόπο — με άλλα 2 δισεκατομμύρια αναμενόμενα μέχρι το 2050 — जबकαι διαχειρίζεται τη διαταραχή του κλίματος, το κόστος εισροών και τη σπανιότητα νερού είναι μια από τις οριζόντες προκλήσεις του αιώνα. Η γεωργική AI έχει το δυναμικό να βοηθήσει σε κάθε μέρος αυτής της πρόκλησης. Αλλά μόνο αν είναι κατασκευασμένη σε δεδομένα που πραγματικά αντανακλούν τι συμβαίνει μέσα στις καλλιέργειες που προσπαθούμε να καλλιεργήσουμε.

Για πάνω από μια δεκαετία, ο τομέας έχει προσπαθήσει να λύσει αυτό το πρόβλημα συλλέγοντας περισσότερα εξωτερικά δεδομένα και ρίχνοντας περισσότερη υπολογιστική ισχύ σε αυτά. Αυτή η προσέγγιση έχει παράγει μερικά σταδιακά κέρδη, αλλά δεν έχει παραδώσει το прорывτικό που χρειάζεται ο τομέας. Δεν θα το κάνει —因为 το θεμελιώδες πρόβλημα δεδομένων παραμένει ανεπίλυτο.

Η επόμενη Πράσινη Επανάσταση δεν θα ξεκινήσει από μια άλλη υποσχόμενη αρχιτεκτονική μοντέλου ή μια άλλη καλά χρηματοδοτούμενη εταιρεία με μια καλύτερη διαδικασία εικόνων δορυφόρου. Θα ξεκινήσει όταν τα συστήματα AI μπορέσουν τελικά να ακούσουν τι προσπαθεί να πει η καλλιέργεια.