Dlaczego problem danych w rolnictwie jest problemem sztucznej inteligencji — i co rośliny mogą zrobić w tej kwestii

Każde kilka lat sektor technologii rolniczych otrzymuje nowy srebrny pocisk. W 2013 roku narracja dotyczyła dużych danych przekształcających zarządzanie gospodarstwem rolnym — zakup The Climate Corporation przez Monsanto za 1,1 miliarda dolarów miał zapoczątkować nową erę rolnictwa predykcyjnego. Kilka lat później szklarnie zasilane przez sztuczną inteligencję miały dostarczyć drugą Zieloną Rewolucję. Następnie pojawiła się obietnica zbioru robotycznego, a następnie agronomów generatywnych sztucznej inteligencji, a teraz agenci sztucznej inteligencji, którzy mają podejmować decyzje autonomicznie w imieniu rolników na całym świecie.

Wzorzec powinien być znany: każda fala hossy buduje na poprzedniej, a jednak inwestycje venture w AgTech nadal są rozczarowujące, a przełomowe wyniki pozostają nieuchwytne. Dlaczego? Nie dlatego, że inżynierowie nie są utalentowani, lub dlatego, że podstawowa nauka sztucznej inteligencji jest wadliwa. Problem jest głębszy i dotyczy samych danych, na których opierają się systemy sztucznej inteligencji rolniczej.

Do czasu, gdy nie przebudujemy fundamentalnie, jakie dane zbieramy i w jaki sposób je zbieramy, rewolucja sztucznej inteligencji rolniczej pozostanie obietnicą, a nie rzeczywistością.

Trzy powody, dla których sztuczna inteligencja rolnicza nie powiodła się

Rolnictwo jest jednym z najmniej przyjaznych środowisk dla rozwoju sztucznej inteligencji. Wyzwania nie są trywialnymi problemami inżynieryjnymi — są strukturalne. Oto, co sprawia, że ten obszar jest tak oporny wobec zwykłego podejścia sztucznej inteligencji:

Pętle sprzężenia zwrotnego, które poruszają się z prędkością biologii, a nie oprogramowania.

Nowoczesne systemy sztucznej inteligencji są zaprojektowane wokół szybkiej iteracji. Model oprogramowania może być ponownie przeszkolony w ciągu kilku godzin; badanie kliniczne trwa lata. Rolnictwo jest bliższe temu drugiemu. Innowacja Nagrody Nobla Normana Borlauga w latach 70. dotyczyła częściowo kompresji cykli hodowli roślin z jednego do dwóch cykli rocznie. Dziś najbardziej zaawansowane firmy produkujące nasiona zarządzają trzema cyklami rocznie; wciąż jest to bardzo wolno w porównaniu z standardami sztucznej inteligencji. Kiedy Twoja podstawowa prawda przychodzi z żniwami, terminy poprawy modelu rozciągają się na lata, a nie na sprinty.

Złożoność rolnictwa łamie zwykłe założenia sztucznej inteligencji

Zadaj pozornie prostą pytanie — ile azotu powinno otrzymać to pole? — i zmienne mnożą się szybko: skład gleby, poprzednie rotacje upraw, historia patogenów, mikroklimat, historia bydła sięgająca kilkudziesięciu lat, retencja wody, praktyki uprawy i kilkadziesiąt innych współoddziałujących czynników. Badania nad ograniczeniami wnioskowania sztucznej inteligencji pokazują, że dokładność modelu maleje w środowiskach o wysokiej wymiarowości. Rolnictwo nie jest tylko środowiskiem o wysokiej wymiarowości; jest to jedno z najwyższych środowisk, jakie ludzie próbowali modelować.

Każde gospodarstwo rolne jest swoim własnym przypadkiem brzegowym.

Nie ma krowy sferycznej w prawdziwym rolnictwie. Każda operacja ma swoją własną kombinację dostępu do technologii, filozofii pracy, ograniczeń kapitałowych i tolerancji ryzyka. Model opracowany dla dużych gospodarstw rolnych w Midwest będzie zawodził spektakularnie, gdy zostanie zastosowany w małym, zróżnicowanym gospodarstwie w północno-zachodniej części Pacyfiku. Nic nie uogólnia się czysto, a budowanie dla każdego przypadku brzegowego powoduje dalsze zwiększenie wymiarowości w niepracującym terytorium.

Więcej danych nie jest odpowiedzią — lepsze dane są

Instynkt Doliny Krzemowej w przypadku większości trudnych problemów polega na tym, aby rzucić więcej obliczeń i więcej danych. W rolnictwie ten instynkt wytworzył pewne oszałamiające liczby: przeciętne gospodarstwo rolne generuje obecnie szacunkowo 500 000 punktów danych dziennie. Satelity obrazują każde pole na ziemi. Czujniki rejestrują temperaturę, wilgotność i wilgotność gleby w szczegółach.

I jednak, społeczność sztucznej inteligencji rolniczej powszechnie uznaje deficyt danych jakościowych. Problemem nie jest objętość. Jest to istotność. Wszystkie te dane sensoryczne, wszystkie te obrazy satelitarne, wszystkie te raporty z testów gleby — rejestrują, co dzieje się wokół rośliny. Żadne z nich nie rejestruje, co dzieje się wewnątrz rośliny.

Rozważmy analogię inżyniera wyścigów Formuły 1, który próbuje zoptymalizować czas okrążenia, używając tylko danych z systemu GPS. Prędkość, położenie i trajektoria dają ci coś do pracy, ale bez danych telemetrycznych silnika, czujników temperatury opon i danych o przepływie paliwa, twój model będzie zawsze zgadywał o przyczynowości. Zewnętrzne dane rolnicze są dokładnie takie same. Mówią ci, jakie warunki panują w środowisku, ale nie mogą powiedzieć, jak roślina naprawdę reaguje na te warunki.

To wyjaśnia niektóre z najbardziej widocznych niepowodzeń sztucznej inteligencji w rolnictwie. Gro Intelligence zebrało ponad 120 milionów dolarów, budując największy na świecie repozytorium danych klimatycznych rolnictwa, a ostatecznie zakończyło działalność. Więcej zewnętrznych danych, niezależnie od tego, jak dokładnie zebrane, nie rozwiązuje podstawowego problemu: mierzymy nieodpowiednią rzecz.

Co to znaczy naprawdę słuchać rośliny

Nowe biotechnologie pozwalają po raz pierwszy uzyskać dane bezpośrednio z wnętrza uprawianych przez nas roślin. Podstawowa idea polega na tym, aby inżynierowie roślin sygnalizowali swoje własne stany biologiczne — komunikując stres, infekcję lub potrzeby zasobów za pomocą mierzalnych wyników, zamiast wymagać inferencji z zewnętrznych proxy.

Wcześniej tego roku jeden z tych podejść wyprodukował naprawdę historyczny wynik — soję z fluorescencyjnym sygnałem inżynieryjnym ujawnił infekcję grzybiczą w czasie rzeczywistym przed pojawieniem się widocznych objawów na roślinie. W 10 000 lat rolnictwa rolnicy nigdy nie byli w stanie wykryć choroby na tym etapie. Własna odpowiedź immunologiczna rośliny wyzwoliła sygnał. Roślina sama dostarczyła dane.

To ma znaczenie dla praktycznych wyników rolnictwa. Wcześniejsze wykrywanie choroby umożliwia wcześniejsze interwencje, redukując straty i wprowadzanie chemikaliów. Ale ma to znaczenie również dla sztucznej inteligencji rolniczej, ponieważ reprezentuje fundamentalnie nową klasę danych.

Zamiast próbować inferować biologię rośliny z zewnętrznych warunków — zadanie, które jest z natury szumne, o wysokiej wymiarowości i podatne na czynniki zakłócające — systemy sztucznej inteligencji mogą teraz być szkolone na bezpośrednich pomiarach fizjologii rośliny. Problem wymiarowości maleje dramatycznie. Pętla sprzężenia zwrotnego się zamyka. Problem przypadku brzegowego nie znika, ale staje się bardziej rozwiązywalny, gdy pracujesz z sygnałami, które sama roślina emituje, a nie zmiennymi proxy w otoczeniu.

Nowy paradygmat danych dla nowej ery sztucznej inteligencji rolniczej

Porównanie do rozwoju pojazdów autonomicznych jest pouczające. Firmy takie jak Waymo nie powiodły się, próbując szkolić swoje modele wyłącznie na istniejących publicznych danych drogowych. Zbudowali własne sensoryczne tablice i wygenerowali ogromne, wysokiej jakości, pierwszorzędne zestawy danych, które dokładnie odzwierciedlały to, czego ich modele potrzebowały do nauki. Strategia danych była równie ważna jak architektura modelu.

Sztuczna inteligencja rolnicza potrzebuje podobnego przemyślenia. Ścieżka do przodu nie polega na lepszych modelach stosowanych do istniejących zestawów danych rolniczych. Te zestawy danych są fundamentalnie ograniczone tym, że obserwują tylko środowisko rośliny, a nie samą roślinę. Ścieżka do przodu polega na generowaniu nowej kategorii danych, opartej na rzeczywistej biologii roślin, oraz na budowaniu systemów sztucznej inteligencji zaprojektowanych do nauki od nich.

Tego rodzaju dane — ciągła, sezonowa telemetria biologiczna z roślin z całego rolniczego serca — nie istnieją jeszcze w skali. Ale technologie do ich generowania stają się realne. Kiedy te dane przyjdą, umożliwią stworzenie modeli sztucznej inteligencji, które mogą naprawdę pomóc rolnikom w podejmowaniu skomplikowanych decyzji: nie przez forsowanie się przez szumne morze zewnętrznych zmiennych, ale przez zrozumienie, w czymś zbliżonym do czasu rzeczywistego, czego sama roślina potrzebuje.

Przewidywany lukę w jakości danych w rolnictwie omawiano przez lata. To, co się zmieniło, to fakt, że mamy już wiarygodną odpowiedź na to, i zaczyna się od samych roślin.

Rzeczywista ścieżka do następnej Zielonej Rewolucji

Żywienie 8 miliardów ludzi w sposób zrównoważony — przy oczekiwanych kolejnych 2 miliardach do 2050 roku — przy zarządzaniu perturbacjami klimatycznymi, kosztami wejścia i niedoborami wody jest jednym z największych wyzwań tego stulecia. Sztuczna inteligencja rolnicza ma potencjał, aby pomóc w każdym aspekcie tego wyzwania. Ale tylko wtedy, gdy zostanie zbudowana na danych, które naprawdę odzwierciedlają to, co dzieje się wewnątrz roślin, które próbujemy uprawiać.

Przez ponad dekadę branża próbowała rozwiązać ten problem, gromadząc więcej zewnętrznych danych i rzucając więcej obliczeń. To podejście przyniosło przyrostowe zwycięstwa, ale nie dostarczyło przełomu, którego sektor potrzebuje. Nie dostarczy — ponieważ fundamentalny problem danych pozostaje nierozwiązany.

Następna Zielona Rewolucja nie zostanie zainicjowana przez kolejną obiecującą architekturę modelu lub kolejny dobrze finansowany startup z lepszym potokiem obrazowania satelitarnego. Zacznie się, gdy systemy sztucznej inteligencji w końcu usłyszą, co roślina próbuje powiedzieć.