Liderzy opinii
Dlaczego problem danych w rolnictwie jest problemem AI — i jak mogą pomóc rośliny

Kluczowe punktySztuczna inteligencja w rolnictwie zawodzi, ponieważ opiera się na zewnętrznych danych…
Zobacz więcej
- Sztuczna inteligencja w rolnictwie zawodzi, ponieważ opiera się na zewnętrznych danych środowiskowych, a nie na bezpośrednich sygnałach biologicznych roślin.
- Rośliny zmodyfikowane tak, aby sygnalizowały stany wewnętrzne, takie jak choroba, oferują SI nową klasę użytecznych danych biologicznych.
- Przejęcie Climate Corporation za 1,1 mld dolarów ilustruje dekadę przesadnych oczekiwań wobec wadliwych strategii opartych na danych zewnętrznych.
Co kilka lat w sektorze technologii rolniczych pojawia się nowe rzekomo cudowne rozwiązanie. W 2013 roku mówiono o tym, że big data odmieni zarządzanie gospodarstwami — przejęcie The Climate Corporation przez Monsanto za 1,1 miliarda dolarów miało zapoczątkować nową erę rolnictwa predykcyjnego. Kilka lat później szklarnie wykorzystujące AI miały przynieść drugą Zieloną Rewolucję. Następnie pojawiły się obietnice zrobotyzowanych zbiorów, agronomów opartych na generatywnej AI, a teraz agentowej AI, która podobno będzie samodzielnie podejmować decyzje w imieniu rolników na całym świecie.
Ten schemat powinien być znajomy: każda fala nadmiernego entuzjazmu wyrasta z poprzedniej, a jednak inwestycje venture capital w AgTech nadal rozczarowują, a przełomowe rezultaty pozostają nieuchwytne. Dlaczego? Nie dlatego, że inżynierom brakuje talentu ani że naukowe podstawy AI są wadliwe. Problem sięga głębiej — do samych danych, od których zależą rolnicze systemy AI.
Dopóki gruntownie nie przemyślimy, jakie dane zbieramy i w jaki sposób, rewolucja AI w rolnictwie pozostanie wieczną obietnicą zamiast obecną rzeczywistością.
Trzy powody, dla których rolnicza AI wciąż zawodzi
Rolnictwo jest jednym z najmniej sprzyjających środowisk, jakie można sobie wyobrazić dla rozwoju AI. Nie chodzi o drobne problemy inżynieryjne, lecz o wyzwania strukturalne. Oto co sprawia, że zwykłe metody rozwijania AI tak słabo się tu sprawdzają:
Pętle informacji zwrotnej działają w tempie biologii, nie oprogramowania
Nowoczesne systemy AI projektuje się z myślą o szybkich iteracjach. Model oprogramowania można ponownie wytrenować w kilka godzin; badanie leku trwa latami. Rolnictwo jest bliższe temu drugiemu przypadkowi. Innowacja Normana Borlauga z lat 70., doceniona Nagrodą Nobla, polegała częściowo na skróceniu cykli hodowli nowych odmian roślin tak, by zamiast jednego odbywały się dwa rocznie. Najbardziej zaawansowane firmy nasienne osiągają dziś trzy cykle w roku, co według standardów AI nadal jest niezwykle wolne. Gdy dane referencyjne pokazujące rzeczywisty wynik pojawiają się dopiero podczas zbiorów, ulepszanie modeli zajmuje lata, a nie krótkie sprinty rozwojowe.
Złożoność rolnictwa podważa zwykłe założenia AI
Wystarczy zadać pozornie proste pytanie — ile azotu powinno otrzymać to pole? — a liczba zmiennych szybko rośnie: skład gleby, wcześniejszy płodozmian, historia patogenów, mikroklimat, sięgająca dziesięcioleci historia utrzymywania zwierząt gospodarskich, zdolność zatrzymywania wody, metody uprawy gleby i dziesiątki innych oddziałujących na siebie czynników. Badania nad ograniczeniami rozumowania AI pokazują, że dokładność modeli załamuje się w środowiskach o dużej liczbie wymiarów. Rolnictwo nie jest tylko wielowymiarowe — to jedna z dziedzin o największej liczbie wymiarów, jakie ludzie kiedykolwiek próbowali modelować.
Każde gospodarstwo jest odrębnym przypadkiem brzegowym
W prawdziwym rolnictwie nie ma kulistej krowy. Każde gospodarstwo ma własne połączenie dostępu do technologii, podejścia do pracy, ograniczeń kapitałowych i tolerancji ryzyka. Model wytrenowany na dużych gospodarstwach z uprawami rzędowymi na amerykańskim Środkowym Zachodzie spektakularnie zawiedzie w małym, zróżnicowanym gospodarstwie na północno-zachodnim wybrzeżu USA nad Pacyfikiem. Nic nie daje się łatwo uogólnić, a uwzględnianie każdego przypadku brzegowego zwiększa liczbę wymiarów jeszcze bardziej, aż rozwiązanie staje się niewykonalne w praktyce.
Odpowiedzią są lepsze dane, a nie większa ich ilość
Instynktowną reakcją Doliny Krzemowej na większość trudnych problemów jest dokładanie mocy obliczeniowej i danych. W rolnictwie przyniosło to zdumiewające liczby: szacuje się, że przeciętne gospodarstwo generuje obecnie 500 000 punktów danych dziennie. Satelity fotografują każde pole na Ziemi. Czujniki szczegółowo rejestrują temperaturę, wilgotność powietrza i wilgotność gleby.
A jednak środowisko rolniczej AI powszechnie przyznaje, że brakuje danych wysokiej jakości. Problemem nie jest ilość, lecz istotność danych. Wszystkie odczyty czujników, zdjęcia satelitarne i raporty z badań gleby pokazują, co dzieje się wokół rośliny. Żadne z nich nie pokazuje, co dzieje się wewnątrz rośliny.
Wyobraźmy sobie inżyniera wyścigowego Formuły 1, który próbuje zoptymalizować czas okrążenia wyłącznie na podstawie śledzenia GPS. Prędkość, położenie i tor jazdy dają punkt wyjścia, ale bez telemetrii silnika, czujników temperatury opon i danych o przepływie paliwa model zawsze będzie zgadywał związki przyczynowe. Zewnętrzne dane rolnicze działają dokładnie tak samo. Pokazują warunki w środowisku, ale nie mówią, jak uprawiane rośliny faktycznie na nie reagują.
To wyjaśnia niektóre z najbardziej widocznych niepowodzeń AI w rolnictwie. Gro Intelligence pozyskała ponad 120 milionów dolarów na budowę największego na świecie repozytorium danych klimatycznych dla rolnictwa, po czym ostatecznie zakończyła działalność. Większa ilość zewnętrznych danych, choćby zbieranych najdokładniej, nie rozwiązuje podstawowego problemu: mierzymy niewłaściwą rzecz.
Co naprawdę oznacza słuchanie rośliny
Nowe biotechnologie po raz pierwszy pozwalają teraz uzyskać dane bezpośrednio z wnętrza uprawianych roślin. Podstawowa idea polega na zmodyfikowaniu roślin tak, by sygnalizowały własny wewnętrzny stan biologiczny. Mają informować o stresie, infekcji czy zapotrzebowaniu na zasoby za pomocą mierzalnych sygnałów, zamiast zmuszać nas do wnioskowania z zewnętrznych wskaźników zastępczych.
Wcześniej w tym roku jedna z tych metod przyniosła historyczny rezultat: roślina soi zmodyfikowana tak, by emitowała sygnały fluorescencyjne, ujawniła infekcję grzybiczą w czasie rzeczywistym zanim pojawiły się jakiekolwiek widoczne objawy. Przez 10 000 lat rolnictwa rolnicy nigdy wcześniej nie mogli wykryć choroby na tym etapie. Sygnał uruchomiła własna odpowiedź immunologiczna rośliny. To sama roślina dostarczyła danych.
Ma to znaczenie dla praktycznych wyników gospodarowania. Wcześniejsze wykrycie choroby umożliwia wcześniejszą interwencję, zmniejszając straty i zużycie chemicznych środków produkcji. Jest jednak równie ważne dla rolniczej AI, ponieważ stanowi fundamentalnie nową kategorię danych.
Wnioskowanie o biologii roślin z warunków zewnętrznych to zadanie z natury obarczone szumem, wielowymiarowe i podatne na czynniki zakłócające. Zamiast tego systemy AI można teraz trenować na bezpośrednich pomiarach fizjologii roślin. Problem liczby wymiarów gwałtownie się zmniejsza, a pętla informacji zwrotnej skraca. Problem przypadków brzegowych nie znika, ale łatwiej sobie z nim radzić, korzystając z sygnałów emitowanych przez samą roślinę, a nie ze zmiennych zastępczych w otoczeniu.
Nowy paradygmat danych dla nowej ery rolniczej AI
Porównanie z rozwojem pojazdów autonomicznych jest pouczające. Firmy takie jak Waymo nie odniosły sukcesu dzięki próbom trenowania modeli wyłącznie na istniejących publicznych danych drogowych. Zbudowały własne zestawy czujników i wygenerowały ogromne, wysokiej jakości zbiory danych zebranych samodzielnie, które dokładnie ujmowały to, czego modele musiały się nauczyć. Strategia danych była równie ważna jak architektura modelu.
Rolnicza AI wymaga podobnej zmiany myślenia. Drogą naprzód nie jest stosowanie lepszych modeli do istniejących danych rolniczych. Te zbiory mają zasadnicze ograniczenie: obserwują tylko środowisko roślin, nie same rośliny. Drogą naprzód jest tworzenie nowej kategorii danych zakorzenionych w rzeczywistej biologii roślin oraz budowanie systemów AI zaprojektowanych tak, by się z nich uczyły.
Takie dane — ciągła telemetria biologiczna z upraw w głównych regionach rolniczych, obejmująca cały sezon — nie istnieją jeszcze na dużą skalę. Technologie ich pozyskiwania stają się jednak rzeczywistością. Gdy dane się pojawią, umożliwią budowę modeli AI, które naprawdę pomogą rolnikom podejmować złożone decyzje: nie przez siłowe przetwarzanie pełnego szumu morza zmiennych zewnętrznych, ale przez zrozumienie niemal w czasie rzeczywistym, czego potrzebuje sama roślina.
Lukę w jakości danych w rolnictwie omawia się od lat. Zmieniło się to, że mamy teraz wiarygodną odpowiedź, która zaczyna się od samych roślin.
Rzeczywista droga do następnej Zielonej Rewolucji
Zapewnienie zrównoważonego wyżywienia 8 miliardom ludzi, do których według prognoz dołączą kolejne 2 miliardy do 2050 roku, przy jednoczesnym radzeniu sobie z zaburzeniami klimatu, kosztami środków produkcji i niedoborem wody, to jedno z najważniejszych wyzwań tego stulecia. Rolnicza AI może pomóc w każdym jego aspekcie, ale tylko wtedy, gdy będzie oparta na danych rzeczywiście odzwierciedlających to, co dzieje się wewnątrz uprawianych roślin.
Od ponad dekady branża próbuje rozwiązać problem, gromadząc więcej danych zewnętrznych i dokładając moc obliczeniową. Takie podejście przyniosło stopniowe postępy, ale nie zapewniło przełomu, którego sektor potrzebuje. I nie zapewni, ponieważ podstawowy problem danych pozostaje nierozwiązany.
Następna Zielona Rewolucja nie wyrośnie z kolejnej obiecującej architektury modelu ani z kolejnego dobrze finansowanego startupu z lepszym procesem przetwarzania zdjęć satelitarnych. Zacznie się, gdy systemy AI wreszcie usłyszą, co roślina próbuje powiedzieć.













