농업의 데이터 문제는 AI 문제입니다 — 그리고 식물이 무엇을 할 수 있는지

매년 농업 기술 분야에는 새로운 은탄이 나타납니다. 2013년에는 대규모 데이터가 농장 관리를変える 이야기였습니다 — 몬산토의 11억 달러의 氣候 기업 인수는 예측 농업의 새로운 시대를 예고했습니다. 몇 년 후, AI 기반溫室은 제2의 녹색 혁명을 가져올 것입니다. 그런 다음 로봇 수확, 생성적 AI 농업가, 그리고 세계 농민을 대신해 자율적으로 결정을 내릴 수 있는 에이전트 AI가 나타났습니다.

이 패턴은 익숙해야 합니다. 각 하이프의 물결은 이전 것을 기반으로 합니다. 그러나 AgTech 벤처 투자는 여전히 실망스럽습니다. 그리고 변혁적인 결과는 아직도 어려운 문제입니다. 왜일까요? 엔지니어들이 재능이 없거나, 또는 기본 AI 과학이 결함이 있는 것이 아닙니다. 문제는 더 깊이 있는 데이터에 있습니다.

우리가 수집하는 데이터와 데이터를 수집하는 방법을 근본적으로 재고하지 않는다면, 농업 AI 혁명은 영원한 약속으로 남을 것입니다.

농업 AI가 계속 실패하는 세 가지 이유

농업은 개발 가능한 AI의 가장 불리한 환경 중 하나입니다. 도전은 사소한 엔지니어링 문제가 아닙니다 — 구조적인 문제입니다. 농업 분야가 इतन도 AI 플레이북에 저항하는 이유는 무엇일까요?

생물학의 속도로 움직이는 피드백 루프, 소프트웨어의 속도가 아닙니다.

현대 AI 시스템은 빠른 반복을 기반으로 설계되었습니다. 소프트웨어 모델은 몇 시간 안에 재학습할 수 있습니다. 그러나 농업은 더 느린 속도로 진행됩니다. 노르만 보를라그의 노벨상 수상한 혁신은 1970년대에 작물 번식 주기를 1년에서 2년으로 압축하는 것이었습니다. 오늘날 가장 발전된 종자 회사는 1년에 3번의 주기를 관리합니다. 그러나 AI 표준으로는 여전히 너무 느립니다. 지면 진실이 수확과 함께 도착하면 모델 개선 타임라인은 몇 년으로 연장됩니다.

농업의 복잡성이 AI의 일반적인 가정에 도전합니다

간단한 질문을 묻습니다 — 이 필드에는 얼마나 많은 질소가 필요할까요? — 변수는 빠르게 증가합니다: 토양 구성, 이전 작물 순환, 병원체 역사, 미세 기후, 가축 역사, 수분 보유, 경운 실천, 그리고 수십 가지 다른 상호 작용하는 요인입니다. AI 推論 제한에 대한 연구는 높은 차원 환경에서 모델 정확도가崩壊한다는 것을 보여줍니다. 농업은 높은 차원 환경이 아닙니다. 인간이 모델링하려고 시도한 가장 높은 차원 환경 중 하나입니다.

모든 농장은 자신의 에지 케이스입니다.

실제 농업에는 구형 우유가 없습니다. 모든 작물에는 자신의 기술 접근 방식, 노동 철학, 자본 제한, 그리고 위험 감수성이 있습니다. 대규모 미드웨스트 행렬 작물 운영에 대한 모델을 교육하면 태평양 북서부의 작은 다양화된 농장에 적용할 때 惨敗합니다. 아무 것도 깨끗하게 일반화되지 않습니다. 모든 에지 케이스를 위한 빌드를 하는 것은 차원을 더 작업할 수 없는 영역으로 밀어냅니다.

더 많은 데이터가 답이 아닙니다 — 더 나은 데이터가 필요합니다

실리콘 밸리의 대부분의 어려운 문제에 대한 본능은 더 많은 컴퓨팅과 더 많은 데이터를 던지는 것입니다. 농업에서 그 본능은 일부驚人的 숫자를 생성했습니다: 평균 농장은現在 하루에 약 50만 개의 데이터 포인트를 생성합니다. 위성은 지구上的 모든 필드를 이미지합니다. 센서는 온도, 습도, 토양 수분을 세부적으로 로깅합니다.

그러나 농업 AI 커뮤니티는廣く 質의 데이터 부족을 인정합니다. 문제는 볼륨이 아닙니다. 관련성이 문제입니다. 모든 센서 데이터, 모든 위성 이미지, 모든 토양 테스트 보고서는 작물周围의 상황을 캡처합니다. 그러나 작물 내부에서 발생하는 상황을 캡처하지 못합니다.

공식 1 경주 엔지니어가 라ップ 타임을 최적화하기 위해 GPS 추적 데이터만 사용하는 경우를 고려해 보십시오. 속도, 위치, 궤적은 어떤 정보를 제공하지만, 엔진 텔레메트리, 타이어 온도 센서, 연료 흐름 데이터 없이 모델은 언제나 원인이 무엇인지猜測해야 합니다. 농업의 외부 데이터는 정확히 같습니다. 환경中的 상황을 알려줄 수 있지만, 작물이 실제로 그 상황에 어떻게 반응하는지 알려줄 수 없습니다.

이것은 농업의 가장 눈에 띄는 AI 실패를 설명합니다. Gro Intelligence는 농업 기후 데이터의 세계最大 저장소를 구축하기 위해 1억 2천만 달러를 투자했지만 결국 폐쇄되었습니다. 더 많은 외부 데이터, 그러나 더 정교하게 수집된 데이터는 근본적인 문제를 해결하지 못합니다: 우리는 잘못된 것을 측정하고 있습니다.

식물이 말하는 것을 듣는다는 것은 무엇을 의미하는지

새로운 생명 공학은現在 처음으로 작물 내부에서 직접 데이터를 얻을 수 있게 해줍니다. 핵심 아이디어는 작물이 자신의 내부 생물학적 상태를 신호로 전달하는 것을 가능하게 하는 것입니다 — 스트레스, 감염, 또는 자원需求을 측정 가능한 출력으로 전달하는 것을 가능하게 합니다.

이번 년초, 이러한 접근 방식 중 하나는 진정으로 역사적인 결과를 생산했습니다 — 공학적으로 설계된 형광 신호를 가진 대두 작물이 실제로 감염을 실시간으로 감지했습니다. 1만 년의 농업 역사에서 농민들은 아직도 질병을 그러한 단계에서 감지할 수 없습니다. 작물의 면역 반응이 신호를 트리거했습니다. 작물 자체가 데이터를 제공했습니다.

이것은 실제 농업 결과에 중요합니다. 질병을 더 일찍 감지하면 손실과 화학적 입력을 줄일 수 있습니다. 그러나 농업 AI에도 중요합니다. 왜냐하면 이것은 근본적으로 새로운 클래스의 데이터를 나타내기 때문입니다.

외부 조건으로부터 작물 생물학을 추론하려고 시도하는 대신에, AI 시스템은 직접 작물 생리학의 측정을 기반으로 훈련될 수 있습니다. 차원성 문제는 크게 축소됩니다. 피드백 루프는 더緊密합니다. 에지 케이스 문제는 사라지지 않지만, 작물 자체가 내보내는 신호와 함께 작업할 때 더 다루기 쉽습니다.

새로운 농업 AI 시대 위한 새로운 데이터 패러다임

자율 주행 자동차 개발과의 비교는 교훈을 줍니다. Waymo와 같은 회사들은 기존의 공공 도로 데이터만으로 모델을 훈련시킴으로써 성공하지 못했습니다. 그들은 대규모, 고품질, 1차 데이터셋을 생성하기 위해 독점적인 센서 어레이를 구축했습니다. 데이터 전략은 모델 아키텍처와同等하게 중요했습니다.

농업 AI도 비슷한 재고가 필요합니다. 앞으로의 길은 기존 농업 데이터셋에 더好的 모델을 적용하는 것이 아닙니다. 그 데이터셋은 근본적으로 제한됩니다. 왜냐하면 그것들은 작물 환경만을 관찰하고, 작물 자체를 관찰하지 않기 때문입니다. 앞으로의 길은 새로운 데이터 카테고리를 생성하는 것입니다. 그것은 실제 작물 생물학에 기반한 데이터입니다. 그리고 그것으로부터 학습하는 AI 시스템을 구축하는 것입니다.

그런 데이터 — 농업 중심부의 작물에서 계절 동안 지속적인 생물학적 텔레메트리 — 아직 대규모로 존재하지 않습니다. 그러나 그것을 생성하기 위한 기술이 실현되고 있습니다. 그 데이터가 도착하면, 농민이 복잡한 결정에 대한 도움을 줄 수 있는 AI 모델이 가능해질 것입니다. 그것은 외부 변수의 시끄러운 바다를 강제로 통과하는 것이 아닙니다. 작물이 실제로 무엇을 필요로 하는지 이해하는 것입니다.

농업의 데이터 품질 격차는 여러 해 동안 논의되어 왔습니다. 그러나 이제 우리는 그것에 대한 신뢰할 수 있는 답을 가지고 있습니다. 그것은 작물 자체에서 시작합니다.

다음 녹색 혁명의 실제 경로

8억 명의 사람들을 지속 가능하게养育하는 것 — 2050년까지 추가 20억 명을 관리하는 것 — 기후 혼란, 입력 비용, 그리고 물 부족을 관리하는 것은 이 세기의 가장 큰 도전 중 하나입니다. 농업 AI는 그 도전의 모든 부분에 도움이 될 수 있습니다. 그러나 그것은 실제로 작물이 무엇을 말하는지 듣는 것을 기반으로 해야 합니다.

10년 이상 동안 산업은 외부 데이터를 축적하고 더 많은 컴퓨팅을 던지는 방식으로 그 문제를 해결하려고 시도했습니다. 그러나 그것은 아직도 필요한 돌파구를 제공하지 못했습니다. 그것은 제공하지 못할 것입니다 — 왜냐하면 근본적인 데이터 문제가 아직도 해결되지 않았기 때문입니다.

다음 녹색 혁명은 또 다른 약속하는 모델 아키텍처나 더好的 위성 이미지 파이프라인을 가진 잘 자금을 갖춘 스타트업으로 시작되지 않을 것입니다. 그것은 작물이 실제로 무엇을 말하는지 듣는 AI 시스템이 가능해질 때 시작될 것입니다.

ough 농업 분야는 필요한 돌파구를 제공하지 못할 것입니다 — 왜냐하면 근본적인 데이터 문제가 아직도 해결되지 않았기 때문입니다. 다음 녹색 혁명은 또 다른 약속하는 모델 아키텍처나 더好的 위성 이미지 파이프라인을 가진 잘 자금을 갖춘 스타트업으로 시작되지 않을 것입니다. 그것은 작물이 실제로 무엇을 말하는지 듣는 AI 시스템이 가능해질 때 시작될 것입니다.