Mengapa Masalah Data Pertanian Adalah Masalah AI — Dan Apa yang Tanaman Dapat Lakukan Tentang Hal Itu

Setiap beberapa tahun, sektor teknologi pertanian mendapatkan peluru perak baru. Pada tahun 2013, narasi tersebut adalah data besar yang mengubah manajemen pertanian — akuisisi Monsanto senilai $1,1 miliar atas The Climate Corporation seharusnya membawa era baru pertanian prediktif. Beberapa tahun kemudian, rumah kaca yang ditenagai AI akan membawa revolusi hijau kedua. Kemudian datang janji panen robot, kemudian agronomi AI generatif, dan sekarang AI agen yang akan membuat keputusan otonom atas nama petani di seluruh dunia.

Polanya harus familiar: setiap gelombang hipe membangun pada yang sebelumnya, namun investasi ventura AgTech terus mengecewakan, dan hasil transformasional tetap tidak jelas. Mengapa? Bukan karena insinyur tidak berbakat, atau karena ilmu AI yang mendasarinya bermasalah. Masalahnya lebih dalam pada data yang sangat bergantung pada sistem AI pertanian.

Sampai kita secara fundamental memikirkan kembali apa data yang kita kumpulkan dan bagaimana kita mengumpulkannya, revolusi AI pertanian akan tetap menjadi janji abadi daripada kenyataan saat ini.

Tiga Alasan AI Pertanian Terus Gagal

Pertanian adalah salah satu lingkungan yang paling tidak bersahabat untuk mengembangkan AI. Tantangannya tidak trivial — mereka struktural. Berikut adalah apa yang membuat domain ini sangat resisten terhadap playbook AI biasa:

Umpan balik yang bergerak dengan kecepatan biologi, bukan perangkat lunak.

Sistem AI modern dirancang di sekitar iterasi yang cepat. Sebuah model perangkat lunak dapat dilatih ulang dalam beberapa jam; uji coba obat membutuhkan waktu beberapa tahun. Pertanian lebih dekat dengan yang terakhir. Inovasi Norman Borlaug yang diakui Nobel pada tahun 1970-an sebagian tentang mengompresi siklus pemuliaan tanaman dari satu menjadi dua kali setahun. Perusahaan benih paling canggih saat ini mengelola tiga siklus setahun; masih sangat lambat menurut standar AI. Ketika kebenaran dasar Anda tiba dengan panen, timeline perbaikan model meluas selama bertahun-tahun, bukan sprint.

Kompleksitas pertanian memecahkan asumsi AI biasa

Tanyakan pertanyaan yang tampaknya sederhana — berapa banyak nitrogen yang harus diterima ladang ini? — dan variabelnya berkembang biak dengan cepat: komposisi tanah, rotasi tanaman sebelumnya, sejarah patogen, mikroiklim, sejarah hewan ternak selama beberapa dekade, retensi air, praktik pengolahan tanah, dan puluhan faktor lain yang berinteraksi. Penelitian tentang keterbatasan penalaran AI menunjukkan bahwa akurasi model runtuh dalam lingkungan berdimensi tinggi. Pertanian bukan hanya berdimensi tinggi; itu adalah salah satu domain berdimensi tertinggi yang pernah dicoba oleh manusia.

Setiap pertanian adalah kasus ujungnya sendiri.

Tidak ada sapi bola di pertanian nyata. Setiap operasi memiliki kombinasi akses teknologi, filosofi tenaga kerja, kendala modal, dan toleransi risiko yang unik. Sebuah model yang dilatih pada operasi tanaman jagung besar di Midwest akan gagal spektakuler ketika diterapkan pada pertanian kecil yang beragam di Pacific Northwest. Tidak ada yang umum dengan baik, dan membangun untuk setiap kasus ujung mendorong dimensi lebih jauh ke wilayah yang tidak dapat diatasi.

Lebih Banyak Data Bukan Jawabannya — Data yang Lebih Baik Adalah

Insting Silicon Valley untuk sebagian besar masalah sulit adalah melemparkan lebih banyak komputasi dan lebih banyak data ke dalamnya. Dalam pertanian, insting itu telah menghasilkan beberapa angka yang mengesankan: pertanian rata-rata sekarang menghasilkan sekitar 500.000 poin data per hari. Satelit mengimaji setiap ladang di bumi. Sensor mencatat suhu, kelembaban, dan kelembaban tanah dengan detail yang sangat halus.

Namun, komunitas AI pertanian secara luas mengakui defisit data kualitas. Masalahnya bukan volume. Ini adalah relevansi. Semua data sensor itu, semua gambar satelit itu, semua laporan tes tanah itu — mereka merekam apa yang terjadi di sekitar tanaman. Tidak ada yang merekam apa yang terjadi di dalam tanaman.

Pertimbangkan analogi seorang insinyur balap Formula 1 yang mencoba mengoptimalkan waktu lap menggunakan hanya data pelacakan GPS. Kecepatan, posisi, dan trajektori memberi Anda sesuatu untuk bekerja, tetapi tanpa telemetry mesin, sensor suhu ban, dan data aliran bahan bakar, model Anda akan selalu menebak tentang penyebabnya. Data pertanian eksternal sama persis. Ini memberi tahu Anda tentang kondisi yang ada di lingkungan, tetapi tidak dapat memberi tahu Anda bagaimana tanaman sebenarnya merespons kondisi tersebut.

Ini menjelaskan beberapa kegagalan AI pertanian yang paling terlihat. Gro Intelligence mengumpulkan lebih dari $120 juta untuk membangun repositori data iklim pertanian terbesar di dunia dan akhirnya tutup. Lebih banyak data eksternal, bagaimanapun presisi pengumpulannya, tidak menyelesaikan masalah dasar: kita mengukur hal yang salah.

Apa yang Sebenarnya Dimaksud dengan Mendengarkan Tanaman

Teknologi bioteknologi baru sekarang membuatnya mungkin, untuk pertama kalinya, untuk mendapatkan data langsung dari dalam tanaman yang kita tanam. Ide intinya adalah untuk merancang tanaman yang menyampaikan keadaan biologis internal mereka sendiri — mengkomunikasikan stres, infeksi, atau kebutuhan sumber daya melalui output yang dapat diukur daripada memerlukan inferensi dari proksi eksternal.

Awal tahun ini, salah satu pendekatan ini menghasilkan hasil yang benar-benar bersejarah — tanaman kedelai dengan sinyal fluoresen yang dirancang mengungkapkan infeksi jamur dalam waktu nyata sebelum gejala yang terlihat muncul pada tanaman. Dalam 10.000 tahun pertanian, petani tidak pernah dapat mendeteksi penyakit pada tahap itu. Respon imun tanaman itu sendiri memicu sinyal. Tanaman itu sendiri menyediakan data.

Ini penting untuk hasil pertanian praktis. Deteksi penyakit yang lebih awal memungkinkan intervensi yang lebih awal, mengurangi kerugian dan input kimia. Tapi itu sama pentingnya untuk AI pertanian, karena itu mewakili kelas data yang secara fundamental baru.

Bukannya mencoba menyimpulkan biologi tanaman dari kondisi eksternal — tugas yang secara inheren berisik, berdimensi tinggi, dan rentan terhadap faktor pengganggu — sistem AI sekarang dapat dilatih pada pengukuran langsung fisiologi tanaman. Masalah dimensi berkurang secara dramatis. Umpan balik memperketat. Masalah kasus ujung tidak menghilang, tetapi menjadi lebih dapat diatasi ketika Anda bekerja dengan sinyal yang tanaman itu sendiri keluarkan daripada variabel proksi di lingkungan sekitar.

Paradigma Data Baru untuk Era AI Pertanian Baru

Perbandingan dengan pengembangan kendaraan otonom sangat instruktif. Perusahaan seperti Waymo tidak berhasil dengan mencoba melatih model mereka pada data jalan umum yang ada saja. Mereka membangun array sensor propietary dan menghasilkan dataset besar, berkualitas tinggi, dan first-party yang menangkap secara tepat apa yang model mereka butuhkan untuk dipelajari. Strategi data sama pentingnya dengan arsitektur model.

AI pertanian membutuhkan pemikiran ulang yang serupa. Jalan ke depan bukanlah model yang lebih baik yang diterapkan pada dataset pertanian yang ada. Dataset tersebut secara fundamental terbatas oleh kenyataan bahwa mereka hanya mengamati lingkungan tanaman, bukan tanaman itu sendiri. Jalan ke depan adalah menghasilkan kategori data baru, yang didasarkan pada biologi tanaman yang sebenarnya, dan membangun sistem AI yang dirancang untuk belajar dari itu.

Data seperti itu — telemetri biologis berkelanjutan, sepanjang musim, dari tanaman di seluruh jantung pertanian — tidak ada saat ini dalam skala besar. Tapi teknologi untuk menghasilkannya menjadi nyata. Ketika data itu tiba, itu akan memungkinkan model AI yang benar-benar dapat membantu petani mengatasi keputusan yang kompleks: tidak dengan memaksa melalui laut variabel eksternal yang berisik, tetapi dengan memahami, dalam waktu nyata, apa yang tanaman itu sendiri butuhkan.

Celah kualitas data di pertanian telah dibahas selama bertahun-tahun. Apa yang berubah adalah bahwa kita sekarang memiliki jawaban yang kredibel, dan itu dimulai dengan tanaman itu sendiri.

Jalan Sebenarnya Menuju Revolusi Hijau Berikutnya

Menghidupi 8 miliar orang secara berkelanjutan — dengan 2 miliar lagi yang diharapkan pada tahun 2050 — sambil mengelola gangguan iklim, biaya input, dan kelangkaan air adalah salah satu tantangan yang menentukan abad ini. AI pertanian memiliki potensi untuk membantu dengan setiap bagian dari tantangan itu. Tapi hanya jika itu dibangun di atas data yang benar-benar mencerminkan apa yang terjadi di dalam tanaman yang kita coba tanam.

Lebih dari satu dekade, industri telah mencoba menyelesaikan masalah itu dengan mengumpulkan lebih banyak data eksternal dan melemparkan lebih banyak komputasi ke dalamnya. Pendekatan itu telah menghasilkan kemenangan inkremental, tetapi tidak menghasilkan terobosan yang dibutuhkan sektor itu. Itu tidak akan — karena masalah data dasar tetap tidak terpecahkan.

Revolusi hijau berikutnya tidak akan disemai oleh arsitektur model yang menjanjikan atau startup yang dibiayai dengan baik dengan pipa pengimajan satelit yang lebih baik. Itu akan dimulai ketika sistem AI akhirnya dapat mendengar apa yang tanaman itu coba katakan.