Tankeledere
Hvorfor landbrukets dataproblem er et KI-problem — og hvordan plantene kan hjelpe

Viktige punkterLandbruks-AI mislykkes fordi den er avhengig av ekstern miljødata i stedet for direkte…
Vis mer
- Landbruks-AI mislykkes fordi den er avhengig av ekstern miljødata i stedet for direkte plantebiologiske signaler.
- Planter som er konstruert til å signalisere interne tilstander som sykdom, tilbyr AI en ny klasse av handlingsoppfordrende biologisk data.
- Climate Corporations oppkjøp på 1,1 milliarder dollar illustrerer et tiår med overhyping rundt feilaktige strategier basert på ekstern data.
Med noen års mellomrom får landbruksteknologien en ny angivelig vidunderløsning. I 2013 var fortellingen at stordata skulle forandre gårdsdriften — Monsantos oppkjøp av The Climate Corporation for 1,1 milliarder dollar skulle innlede en ny æra for prediktivt landbruk. Noen år senere skulle KI-drevne veksthus gi oss en andre grønn revolusjon. Deretter kom løftene om robotisert innhøsting, generative KI-agronomer og nå agentbasert KI som visstnok skal ta selvstendige beslutninger på vegne av bønder verden over.
Mønsteret burde være kjent: hver bølge av overdrevne forventninger bygger på den forrige, men risikokapitalinvesteringene i landbruksteknologi fortsetter å skuffe, og de gjennomgripende resultatene lar fortsatt vente på seg. Hvorfor? Ikke fordi ingeniørene mangler talent eller fordi vitenskapen bak KI er feil. Problemet går dypere, til selve dataene som landbrukets KI-systemer er avhengige av.
Før vi grunnleggende tenker nytt om hvilke data vi samler inn og hvordan, vil KI-revolusjonen i landbruket forbli et evig løfte fremfor å bli virkelighet i dag.
Tre grunner til at landbrukets KI stadig mislykkes
Landbruk er blant de mest krevende miljøene man kan forestille seg for utvikling av KI. Utfordringene er ikke ubetydelige ingeniørproblemer, men strukturelle. Dette forklarer hvorfor de vanlige KI-metodene fungerer så dårlig på dette området:
Tilbakemeldingssløyfer følger biologiens tempo, ikke programvarens
Moderne KI-systemer er utformet for raske utviklingsrunder. En programvaremodell kan trenes på nytt i løpet av timer, mens en legemiddelstudie tar år. Landbruket ligger nærmere det siste. Norman Borlaugs innovasjon på 1970-tallet, som ble anerkjent med Nobelprisen, handlet delvis om å korte ned planteforedlingssyklusene fra én til to i året. Dagens mest avanserte frøselskaper klarer tre sykluser årlig, fortsatt svært langsomt etter KI-målestokk. Når referansedataene som viser det faktiske utfallet, først kommer ved innhøstingen, tar modellforbedring år fremfor korte utviklingssprinter.
Landbrukets kompleksitet bryter med KIs vanlige antakelser
Still et tilsynelatende enkelt spørsmål — hvor mye nitrogen bør dette jordet få? — og antallet variabler øker raskt: jordas sammensetning, tidligere vekstskifter, sykdomsfremkallende organismers historie, mikroklima, tiår med husdyrhold, vannlagringsevne, jordarbeidingsmetoder og dusinvis av andre faktorer som påvirker hverandre. Forskning på begrensninger i KIs resonnering viser at modellenes nøyaktighet kollapser i høydimensjonale miljøer. Landbruk er ikke bare høydimensjonalt; det er blant områdene med flest dimensjoner som mennesker noen gang har forsøkt å modellere.
Hver gård er sitt eget særtilfelle
Det finnes ingen sfærisk ku i virkelig landbruk. Hver virksomhet har sin egen kombinasjon av teknologitilgang, syn på arbeid, kapitalbegrensninger og risikotoleranse. En modell trent på store gårder med radkulturer i den amerikanske Midtvesten vil mislykkes ettertrykkelig på en liten gård med variert produksjon i det nordvestlige USA ved Stillehavet. Ingenting kan generaliseres problemfritt, og å bygge for hvert særtilfelle øker dimensjonaliteten enda mer, til det blir praktisk uhåndterlig.
Svaret er bedre data, ikke mer data
Silicon Valleys instinkt overfor de fleste vanskelige problemer er å tilføre mer regnekraft og mer data. I landbruket har dette gitt oppsiktsvekkende tall: en gjennomsnittlig gård anslås nå å generere 500 000 datapunkter per dag. Satellitter fotograferer hvert jorde på kloden. Sensorer registrerer temperatur, luftfuktighet og jordfuktighet i detalj.
Likevel erkjenner fagmiljøet for landbruks-KI bredt at det mangler data av høy kvalitet. Problemet er ikke mengden, men relevansen. Alle disse sensordataene, satellittbildene og jordprøverapportene fanger opp hva som skjer rundt planten. Ingen av dem fanger opp hva som skjer inni planten.
Tenk på en Formel 1-ingeniør som prøver å optimalisere rundetiden med bare GPS-sporingsdata. Fart, posisjon og kjørebane gir noe å arbeide med, men uten motortelemetri, dekktemperatursensorer og data om drivstoffstrøm vil modellen alltid måtte gjette på årsakssammenhenger. Eksterne landbruksdata fungerer akkurat slik. De forteller hvilke forhold som finnes i miljøet, men ikke hvordan planten faktisk reagerer på dem.
Dette forklarer noen av de mest synlige KI-fiaskoene i landbruket. Gro Intelligence hentet inn over 120 millioner dollar for å bygge verdens største lager av klimadata for landbruket, men ble til slutt lagt ned. Flere eksterne data løser ikke grunnproblemet, uansett hvor nøyaktig de samles inn: vi måler feil ting.
Hva det egentlig betyr å lytte til planten
Ny bioteknologi gjør det nå for første gang mulig å få data direkte fra innsiden av plantene vi dyrker. Kjernen i ideen er å modifisere planter slik at de signaliserer sin egen indre biologiske tilstand. De formidler stress, infeksjon eller ressursbehov gjennom målbare signaler, fremfor at tilstanden må utledes fra eksterne erstatningsmål.
Tidligere i år ga en av disse metodene et historisk resultat: en soyaplante modifisert for fluorescerende signalering avslørte en soppinfeksjon i sanntid før noen synlige symptomer oppsto. Gjennom landbrukets 10 000-årige historie har bønder aldri tidligere kunnet oppdage sykdom på dette stadiet. Plantens egen immunrespons utløste signalet. Planten selv leverte dataene.
Dette er viktig for praktiske resultater i landbruket. Tidligere oppdagelse av sykdom gir mulighet for tidligere tiltak og reduserer tap og bruk av kjemiske innsatsmidler. Men det er like viktig for landbrukets KI, fordi det representerer en grunnleggende ny kategori data.
Å utlede plantebiologi fra ytre forhold er en oppgave som i seg selv er støyfylt, høydimensjonal og utsatt for konfunderende faktorer. I stedet kan KI-systemer nå trenes på direkte målinger av plantefysiologi. Dimensjonalitetsproblemet krymper dramatisk, og tilbakemeldingssløyfen blir kortere. Særtilfellene forsvinner ikke, men blir mer håndterbare når man arbeider med signaler fra planten selv fremfor proxyvariabler i omgivelsene.
Et nytt dataparadigme for en ny æra med landbruks-KI
Sammenligningen med utviklingen av autonome kjøretøy er lærerik. Selskaper som Waymo lyktes ikke ved å prøve å trene modellene bare på eksisterende offentlige veidata. De bygde egne sensoroppsett og skapte enorme datamengder av høy kvalitet som de samlet inn selv, og som fanget nøyaktig det modellene trengte å lære. Datastrategien var like viktig som modellarkitekturen.
Landbrukets KI trenger en tilsvarende nytenkning. Veien fremover er ikke bedre modeller anvendt på eksisterende landbruksdata. Disse datasettene er grunnleggende begrenset av at de bare observerer plantens miljø, ikke selve planten. Veien videre er å skape en ny kategori data med grunnlag i faktisk plantebiologi og bygge KI-systemer utformet for å lære av den.
Slike data — kontinuerlig biologisk telemetri fra planter gjennom hele vekstsesongen i sentrale landbruksområder — finnes ennå ikke i stor skala. Men teknologiene for å skape dem blir virkelighet. Når dataene kommer, vil de muliggjøre KI-modeller som virkelig hjelper bønder med komplekse beslutninger: ikke ved å bruke rå regnekraft på et støyfylt hav av eksterne variabler, men ved å forstå, nesten i sanntid, hva planten selv trenger.
Datakvalitetsgapet i landbruket har vært diskutert i årevis. Det som har endret seg, er at vi nå har et troverdig svar, og det begynner med plantene selv.
Den virkelige veien til den neste grønne revolusjonen
Å skaffe bærekraftig mat til 8 milliarder mennesker, med ytterligere 2 milliarder ventet innen 2050, samtidig som vi håndterer klimaforstyrrelser, kostnader til innsatsmidler og vannmangel, er en av dette århundrets avgjørende utfordringer. Landbrukets KI kan bidra til alle deler av utfordringen, men bare hvis den bygger på data som faktisk gjenspeiler hva som skjer inni plantene vi prøver å dyrke.
I over et tiår har bransjen forsøkt å løse problemet ved å samle flere eksterne data og tilføre mer regnekraft. Dette har gitt gradvise forbedringer, men ikke gjennombruddet sektoren trenger. Det vil det heller ikke gjøre, fordi det grunnleggende dataproblemet fortsatt er uløst.
Den neste grønne revolusjonen vil ikke spire fra enda en lovende modellarkitektur eller enda en velfinansiert oppstartsbedrift med en bedre behandlingskjede for satellittbilder. Den begynner når KI-systemer endelig kan høre hva planten prøver å si.













