ソートリーダー

農業のデータ問題はなぜAIの問題なのか — 植物自身に何ができるのか

Dr. Christopher Seifert Chip Franzén, Software Engineer at InnerPlant
Unite.AI を Google の優先ソースに追加
要点農業AIは、植物の直接的な生物学的信号ではなく、外部環境データに依存するために失敗する。
もっと見る
  • 農業AIは、植物の直接的な生物学的信号ではなく、外部環境データに依存するために失敗する。
  • 病気などの内部状態を信号化するよう設計された植物は、AIに新たな種類の実用的生物学的データを提供する。
  • クライメート・コーポレーションの11億ドル買収は、欠陥のある外部データ戦略に対する10年間の誇大宣伝の典型例である。

農業技術の分野では、数年ごとに新たな万能策が登場する。2013年には、ビッグデータが農場経営を変革するという物語が語られた。モンサントによるクライメート・コーポレーションの11億ドルでの買収は、予測型農業の新時代を告げるはずだった。その数年後には、AIを活用する温室が第2の緑の革命をもたらすとされた。続いてロボットによる収穫、生成AIの農学専門家、そして今では、世界中の農家に代わって自律的に意思決定するとされるエージェント型AIが期待を集めている。

このパターンには見覚えがあるはずだ。新たな熱狂の波は前の波の上に積み重なるが、農業技術分野のベンチャー投資は期待外れが続き、変革をもたらす成果はいまだ得られていない。なぜか。技術者に才能がないからでも、AIの基礎となる科学に欠陥があるからでもない。問題はさらに深く、農業AIシステムが頼るデータそのものにある。

どのようなデータを、どう集めるかを根本から考え直さない限り、農業AI革命は今ここで実現することなく、いつまでも将来の約束にとどまる。

農業AIが失敗を繰り返す3つの理由

農業は、AI開発にとって想像しうる中でも特に厳しい環境の一つだ。課題は些細な工学上の問題ではなく、構造的なものだ。この分野で通常のAI開発手法が通用しにくい理由は、次のとおりである。

フィードバックはソフトウェアではなく、生物の速度で巡る

現代のAIシステムは、素早く反復改良することを前提に設計されている。ソフトウェアのモデルは数時間で再学習できるが、薬の試験には何年もかかる。農業は後者に近い。ノーベル賞で評価されたノーマン・ボーローグの1970年代の革新には、作物の育種サイクルを年1回から年2回に短縮することも含まれていた。現在、最先端の種子企業は年3回のサイクルを実現しているが、それでもAIの基準では極めて遅い。正解となる実測データが収穫時に初めて得られるなら、モデル改善の時間軸は短い開発スプリントではなく、数年単位になる。

農業の複雑さはAIの通常の前提を崩す

この畑には窒素をどの程度与えるべきか。そんな一見単純な問いでも、変数はすぐに増える。土壌の組成、過去の輪作、病原体の発生履歴、微気候、数十年前までさかのぼる家畜飼育の履歴、保水性、耕起の方法、さらに相互作用する何十もの要因がある。AIの推論能力の限界に関する研究は、高次元の環境でモデルの精度が崩れることを示している。農業は単に高次元なのではない。人間がこれまでモデル化しようとした中でも、最も次元数の多い領域の一つである。

どの農場も、それ自体が例外的なケースである

現実の農業に、球形の牛は存在しない。どの農場にも、利用できる技術、労働に対する考え方、資金面の制約、リスク許容度の独自の組み合わせがある。米国中西部で条播作物を栽培する大規模農場で学習したモデルは、太平洋岸北西部の小規模で多様な生産を行う農場に適用すると、大きく失敗する。何もすんなりとは一般化できず、あらゆる例外に対応しようとすれば、次元数はさらに増え、実用にならない領域へと押しやられる。

必要なのはデータの量ではなく、質の向上

シリコンバレーでは、多くの難問に対し、計算資源とデータを追加投入するのが定石だ。農業では、その発想から驚くような数字が生まれている。現在、平均的な農場では推定で、1日50万件のデータポイントが生成される。衛星は地球上のあらゆる畑を撮影し、センサーは気温、湿度、土壌水分を細かく記録する。

それでも、農業AIの関係者の間では、質の高いデータの不足が広く認められている。問題は量ではなく、必要な事柄を捉えているかどうかだ。センサーデータも、衛星画像も、土壌検査の報告書も、捉えているのは植物の周囲で起きていることだ。そのどれも、植物の内部で起きていることは捉えていない。

GPS追跡データだけでラップタイムを最適化しようとするF1のレースエンジニアを考えてみよう。速度、位置、走行軌跡は手掛かりになるが、エンジンのテレメトリー、タイヤの温度センサー、燃料流量のデータがなければ、モデルは因果関係を推測し続けるしかない。外部の農業データもまったく同じだ。環境にどのような条件があるかは分かっても、作物がその条件に実際にどう反応しているかは分からない。

これは、農業で目立ったAIの失敗例の一部を説明する。Gro Intelligenceは世界最大の農業気候データベースを構築するために1億2,000万ドル超を調達したが、最終的に事業を停止した。外部データをいくら増やしても、どれほど精密に収集しても、根本問題は解決しない。測っている対象が間違っているのだ。

植物の声を聞くとは、実際に何を意味するのか

新しいバイオテクノロジーにより、栽培する作物の内部から直接データを得ることが、今初めて可能になりつつある。中心となる考え方は、作物を改変し、自らの内部の生物学的状態を信号で示すようにすることだ。外部の代替指標から推測するのではなく、ストレス、感染、必要な資源を測定可能な出力で伝える。

今年に入り、その手法の一つが歴史的な成果を生んだ。蛍光シグナルを発するよう改変された大豆が、真菌感染をリアルタイムで明らかにしたのである。植物に目に見える症状が出る前のことだった。1万年に及ぶ農業の歴史で、農家がこの段階で病気を検出することは、これまでできなかった。植物自身の免疫反応がシグナルを引き起こした。データを提供したのは、植物そのものだった。

これは農業の実際の成果に関わる。病気を早く見つければ、早く対処でき、損失や化学資材の投入を減らせる。しかし農業AIにとっても、同じくらい重要だ。根本的に新しい種類のデータだからである。

外部条件から植物の生物学的状態を推測する作業は、本質的にノイズが多く、高次元で、交絡因子の影響を受けやすい。今ではその代わりに、植物の生理状態の直接測定を使ってAIを学習させられる。次元数の問題は大幅に縮小し、フィードバックループも短くなる。例外的ケースの問題が消えるわけではないが、周辺環境の代理変数ではなく植物自身の発する信号を扱うことで、対処しやすくなる。

農業AIの新時代に向けた、新たなデータの枠組み

自動運転車の開発との比較は示唆に富む。Waymoのような企業は、既存の公開道路データだけでモデルを学習させようとして成功したわけではない。独自のセンサー群を構築し、モデルが学ぶ必要のあるものを的確に捉える、大量で質の高い自社収集データを生成した。データ戦略はモデルのアーキテクチャと同じほど重要だった。

農業AIにも同様の発想転換が必要だ。既存の農業データセットに、より優れたモデルを適用することが進むべき道ではない。それらのデータセットには、作物そのものではなく周辺環境しか観測していないという根本的な制約がある。実際の植物生物学に根差す新たな種類のデータを生成し、そこから学ぶよう設計したAIシステムを構築することが、進むべき道だ。

主要な農業地帯の作物から、栽培シーズンを通じて継続的に得られる生物学的テレメトリー。そうしたデータは、まだ大規模には存在しない。しかし、それを生み出す技術は現実のものになりつつある。そのデータが得られれば、複雑な意思決定に直面する農家を本当に支援できるAIモデルが可能になる。外部変数のノイズに満ちた海を力任せに処理するのではなく、作物自身が必要とするものを、ほぼリアルタイムで理解するのである。

農業におけるデータ品質の隔たりは何年も議論されてきた。変わったのは、今では信頼できる答えがあるということだ。その出発点は、植物そのものにある。

次の緑の革命への、本当の道筋

80億人、さらに2050年までに増えると予想される20億人を、持続可能な方法で養う。同時に、気候の混乱、生産資材のコスト、水不足にも対処する。これは今世紀を特徴づける課題の一つだ。農業AIは、そのすべての側面に役立つ可能性を持つ。ただし、栽培しようとする作物の内部で実際に起きていることを反映するデータに基づく場合に限られる。

この業界は10年以上、外部データを蓄積し、計算資源を追加投入することで問題を解こうとしてきた。その方法は少しずつ成果を生んだが、業界が必要とする突破口は開いていない。今後も開かないだろう。根本的なデータ問題が未解決のままだからだ。

次の緑の革命の種をまくのは、新たな有望なモデルアーキテクチャでも、優れた衛星画像処理パイプラインを持つ資金豊富な新興企業でもない。AIシステムが、作物の伝えようとすることをついに聞き取れるようになったとき、その革命は始まる。

クリストファー・ザイフェルト博士は、InnerPlantのソフトウェア製品責任者であり、同社のデータおよび機械学習システムを率いています。彼は、InnerPlantに入社する前に、衛星リモートセンシング、地理空間分析、農場管理ソフトウェア、種子および農業データインフラストラクチャを含むほぼすべての農業データスタックのレイヤーで製品やプラットフォームを構築しました。彼の背景には、GranularおよびCorteva Agriscienceでのリーダーシップ役割、GoogleおよびThe Climate Corporationでの以前の仕事、NASAおよびスタンフォード大学の食糧安全保障および環境プログラムでの研究経験があります。また、Granularによって買収された農地評価プラットフォームAcreValueの共同創設者およびCEOでもありました。この幅広い経験により、農業AIがどのように機能してきたか、どのようにしてフィールドで課題に直面しているか、農業で信頼性の高い生産グレードのシステムを実行するために何が必要かを明確に理解しています。彼は、スタンフォード大学から地球システム科学の博士号および地球システムの修士号と学士号を取得しています。

チップ・フランゼンはInnerPlantのソフトウェアエンジニアで、農業センシング向けのデータ・機械学習パイプラインを設計・構築しています。重点分野はIoT、コンピュータービジョン、リモートセンシングです。入社前はGranularやIndigoなどで長年、農業への機械学習応用に携わり、土地評価、コンピュータービジョンによる土地被覆の識別、空間データパイプライン、リモートセンシングを基にした農学モデルと推論APIのMLOpsに取り組みました。InnerPlantではフルスタックの経験を生かし、複雑な生物学的・地理空間的信号を、チームが実際の業務フローで使える信頼性の高い本番運用向けの出力へ変換しています。デューク大学のBAとGalvanizeのデータサイエンス修士号(M.Sc.)を取得しています。