농업의 데이터 문제는 AI 문제이며, 식물은 무엇을 할 수 있는가

몇 년마다 농업 기술 부문에는 새로운 은탄이 등장한다. 2013년에는 대규모 데이터가 농장 관리를 변革할 것이라는 것이었다. 몬산토의 Climate Corporation 인수는 예측 농업의 새로운 시대를 열 것이라고 생각했다. 몇 년 후, AI 기반 온실이 두 번째 녹색 혁명을 가져올 것이라고 했다. 그런 다음 로봇 수확, 생성적 AI 농업 전문가, 그리고 농민을 대신하여 자율적으로 결정할 수 있는 에이전트 AI가 등장했다.

이 패턴은 익숙해야 한다. 각 하이프의 물결은 이전 것을 기반으로 하지만, AgTech 벤처 투자는 계속 실망을 안겨주고, 변혁적 결과는 아직도 희박하다. 왜일까? 엔지니어가 재능이 없거나, 또는 기본 AI 과학이 결함이 있는 것이 아니다. 문제는 더 깊이 있는 것으로, 농업 AI 시스템이 의존하는 데이터 자체에 있다.

우리가 수집하는 데이터와 어떻게 수집하는지에 대한 근본적인 재고가 없다면, 농업 AI 혁명은 영원한 약속으로 남을 것이다.

농업 AI가 계속 실패하는 세 가지 이유

농업은 AI를 개발하기에는 가장 적합하지 않은 환경 중 하나이다. 도전은 사소한 엔지니어링 문제가 아니다. 구조적인 문제이다. 이 도메인이 일반적인 AI 플레이북에 저항하는 이유는 다음과 같다:

생물학의 속도로 움직이는 피드백 루프.

현대 AI 시스템은 빠른 반복을 중심으로 설계되었다. 소프트웨어 모델은 몇 시간 안에 재훈련할 수 있다. 약물 시험은 몇 년이 걸린다. 농업은 후자에 더 가깝다. 1970년대 노르만 보를라우그의 노벨상 수상 혁신은 부분적으로 작물 번식 주기를 1년에서 2년으로 압축하는 것이었다. 오늘날 가장 발전된 종자 회사는 매년 3회 주기를 관리하지만, AI 기준으로는 여전히 매우 느리다. 땅의 진실이 수확과 함께 도착하면, 모델 개선 타임라인은 몇 년에 걸쳐서, 스프린트가 아니라, 연장된다.

농업의 복잡성이 AI의 일반적인 가정들을 깨뜨린다.

간단한 질문을 하나 하자. 이 필드에는 얼마나 많은 질소가 필요할까? 변수는 빠르게 증가한다. 토양 구성, 이전 작물 회전, 병원체 역사, 미세 기후, 가축의 역사, 수분 보유, 경운 관행 등 수십 가지 상호 작용하는 요인들이 있다. AI 推論 제한에 대한 연구는 모델 정확도가 높은 차원 환경에서 붕괴한다는 것을 보여준다. 농업은 높은 차원이 아니다. 인간이 모델링하려고 시도한 가장 높은 차원 도메인 중 하나이다.

모든 농장은 자체 에지 케이스이다.

실제 농업에는 구형 소가 없다. 모든 작업에는 자체 기술 접근, 노동 철학, 자본 제약 및 위험 감수성이 있다. 대규모 미드웨스트 작물 작물 운영에 대한 모델을 훈련시키면, 태평양 북서부의 작은 다각화된 농장에 적용할 때 비참한 실패를 초래할 것이다. 아무것도 깨끗하게 일반화되지 않으며, 모든 에지 케이스를 구축하면 차원성이 더 작업할 수 없는 영역으로 밀려난다.

더 많은 데이터가 답이 아니다. 더 나은 데이터가 답이다.

실리콘밸리의 대부분의 어려운 문제에 대한 본능은 그것들에 더 많은 컴퓨팅과 더 많은 데이터를 던지는 것이다. 농업에서, 그 본능은 일부 놀라운 숫자를 생성했다. 평균 농장은現在 하루에 약 500,000개의 데이터 포인트를 생성한다. 위성은 지구上的 모든 필드를 이미지화한다. 센서는 온도, 습도 및 토양 습기를 세부적으로 기록한다.

그리고 아직, 농업 AI 커뮤니티는 널리 품질 데이터 부족을 인정한다. 문제는 볼륨이 아니다. 관련성이 아니다. 모든 센서 데이터, 모든 위성 이미지, 모든 토양 테스트 보고서 — 그것들은 작물 주변에서 발생하는 것을 캡처한다. 작물 내부에서 발생하는 것을 캡처하지 않는다.

공식 1 경주 엔지니어가 엔진 텔레메트리, 타이어 온도 센서 및 연료 흐름 데이터 없이 GPS 추적 데이터만을 사용하여 랩 타임을 최적화하려고 하는 아나로지를 고려하라. 속도, 위치 및 궤적은 작업할 수 있는 것을 제공한다. 그러나 원인에 대한 모델은 항상 추측할 것이다. 외부 농업 데이터는 정확히 동일하다. 그것은 환경에서 존재하는 조건을 알려준다. 그러나 작물이 실제로 그 조건에 어떻게 반응하는지에 대해 말해줄 수 없다.

이것은 농업의 가장 눈에 띄는 AI 실패를 설명한다. Gro Intelligence는 세계에서 가장大的 농업 기후 데이터 저장소를 구축하기 위해 1억 2000만 달러 이상을 모금했지만, 결국 문을 닫았다. 더 많은 외부 데이터, 그러나 정확하게 수집된, 기본적인 문제를 해결하지 않는다. 우리가 측정하는 것이 잘못된 것이다.

식물에게 듣는 것이 실제로 무엇을 의미하는지

새로운 생명공학은 이제 처음으로 우리가 키우는 작물 내부에서 데이터를 얻을 수 있게 한다. 핵심 아이디어는 작물이 스트레스, 감염 또는 자원需求을 측정 가능한 출력을 통해 자신의 내부 생물학적 상태를 신호하는 작물을 설계하는 것이다.

이번 년초, 이러한 접근법 중 하나는真正로 역사적인 결과를 만들어 냈다. — 대豆 식물이 공학적 형광 신호를 통해 실제로 보이지 않는 증상이 나타나기 전에 진균 감염을 실시간으로 보여주었다. 10,000 년의 농업에서, 농민들은 그 단계에서 질병을 감지할 수 없었다. 식물의 면역 반응이 신호를觸發했다. 식물 자체가 데이터를 제공했다.

이것은 실제 농업 결과에 중요하다. 더 빠른 질병 감지로 더 빠른 개입이 가능해지며, 손실과 화학적 입력을 줄일 수 있다. 그러나 이것은 농업 AI에도 중요하다. 왜냐하면 그것은 근본적으로 새로운 클래스의 데이터를 나타내기 때문이다.

외부 조건에서 작물 생물학을 추론하려고 시도하는 대신 — 이는 본질적으로 노이즈가 많고, 차원이 높으며, 혼동 변수에 취약한 작업이다 — AI 시스템은 작물 생리학의 직접적인 측정을 훈련시킬 수 있다. 차원성 문제는劇的に 축소된다. 피드백 루프가 조밀해진다. 에지 케이스 문제는消滅하지 않는다. 그러나 작물 자체가 내보내는 신호로 작업을 할 때, 환경周围의 프록시 변수보다 더 다루기 쉽다.

새로운 농업 AI 시대 위한 새로운 데이터 패러다임

자율 주행차 개발과의 비교는 교훈이 있다. Waymo와 같은 회사들은 기존의 공공 도로 데이터만으로 모델을 훈련시키려고 시도하지 않았다. 그들은 자체 센서 어레이를 구축하고, 정확하게 무엇을 배울 수 있는지에 대한 거대한, 고품질의 1차 데이터セット을 생성했다. 데이터 전략은 모델 아키텍처만큼 중요했다.

농업 AI는 유사한 재고가 필요하다. 앞으로의 길은 기존의 농업 데이터셋에 더好的 모델을 적용하는 것이 아니다. 그 데이터셋은 본질적으로 작물 자체가 아니라, 작물의 환경만을 관찰하기 때문에 제한된다. 앞으로의 길은 새로운 类别의 데이터를 생성하는 것이다. 실제 작물 생물학에 근거한 데이터를 생성하는 것이다. 그리고 그것으로부터 배울 수 있는 AI 시스템을 구축하는 것이다.

그런 데이터 — 연중무휴, 계절적인 작물 생물학 텔레메트리 — 는 아직 대규모로 존재하지 않는다. 그러나 그것을 생성하기 위한 기술은 실제로 되고 있다. 그 데이터가 도착하면, 농민이 복잡한 결정에 대한 도움을 줄 수 있는 AI 모델이 가능해질 것이다. 외부 변수의 노이즈한 바다를 강제로 통과하는 것이 아니라, 거의 실시간으로, 작물이 실제로 무엇을 필요로 하는지 이해하는 것이다.

농업의 데이터 품질 갭은 수년간 논의되었다. 무엇이 바뀐 것은, 이제 그것에 대한 신뢰할 수 있는 답이 있으며, 그것은 식물 자체에서 시작한다.

실제적인 다음 녹색 혁명의 길

8억 명의 사람들을 지속 가능하게养育하는 것 — 2050년까지 20억 명이 더 늘어날 것으로 예상됨 — 기후 혼란, 입력 비용 및 수자 부족을 관리하는 것은 이 세기의 가장 중요한 도전 중 하나이다. 농업 AI는 그 도전의 모든 부분에서 도움을 줄 수 있다. 그러나 그것은 실제로 작물이 무엇을 말하려고 하는지 들을 수 있는 경우에만 가능하다.

10년 이상 동안, 산업은 그 문제를 해결하기 위해 더 많은 외부 데이터를 축적하고, 더 많은 컴퓨팅을 던져서 시도해왔다. 그 접근법은 점진적인 승리를 가져왔지만, 부문이 필요한 돌파구를 제공하지 못했다. 그것은 할 수 없다. 왜냐하면 기본적인 데이터 문제는 아직도 해결되지 않았기 때문이다.

다음 녹색 혁명은 더好的 모델 아키텍처나 더好的 위성 이미지 파이프라인을 가진 또 다른 유망한 모델 또는 더好的 자금을 가진 스타트업에서 시작되지 않을 것이다. 그것은 AI 시스템이终于 작물이 무엇을 말하려고 하는지 들을 수 있을 때 시작될 것이다.