Лидеры мнений
Почему проблема аграрных данных — это проблема ИИ и как могут помочь растения

Ключевые моментыСельскохозяйственный ИИ терпит неудачу, потому что полагается на внешние данные об…
Показать больше
- Сельскохозяйственный ИИ терпит неудачу, потому что полагается на внешние данные об окружающей среде, а не на прямые биологические сигналы растений.
- Растения, спроектированные для передачи внутренних состояний, таких как болезнь, предоставляют ИИ новый класс практических биологических данных.
- Поглощение компании The Climate Corporation за 1,1 млрд долларов наглядно демонстрирует десятилетие ажиотажа вокруг ошибочных стратегий работы с внешними данными.
Каждые несколько лет в агротехнологиях появляется новое якобы универсальное решение. В 2013 году говорили о том, что большие данные преобразят управление фермами — покупка The Climate Corporation компанией Monsanto за 1,1 млрд долларов должна была открыть новую эру прогнозного сельского хозяйства. Через несколько лет теплицы с искусственным интеллектом должны были принести вторую Зелёную революцию. Затем появились обещания роботизированной уборки урожая, агрономов на основе генеративного ИИ, а теперь — агентного ИИ, который якобы будет самостоятельно принимать решения от имени фермеров всего мира.
Эта закономерность должна быть знакома: каждая волна ажиотажа опирается на предыдущую, однако венчурные инвестиции в AgTech продолжают разочаровывать, а преобразующие отрасль результаты остаются недостижимыми. Почему? Не потому, что инженерам недостаёт таланта или научные основы ИИ ошибочны. Проблема глубже — в самих данных, от которых зависят сельскохозяйственные системы ИИ.
Пока мы коренным образом не переосмыслим, какие данные собираем и как, революция сельскохозяйственного ИИ останется вечным обещанием, а не сегодняшней реальностью.
Три причины, по которым сельскохозяйственный ИИ постоянно терпит неудачи
Сельское хозяйство — одна из самых неблагоприятных сред для разработки ИИ, какие можно представить. Речь не о мелких инженерных проблемах, а о структурных препятствиях. Вот почему привычные методы ИИ здесь так трудно применить:
Циклы обратной связи идут в темпе биологии, а не программного обеспечения
Современные системы ИИ рассчитаны на быстрые итерации. Программную модель можно переобучить за несколько часов, а испытание лекарства занимает годы. Сельское хозяйство ближе ко второму случаю. Инновация Нормана Борлоуга 1970-х годов, отмеченная Нобелевской премией, частично заключалась в сокращении циклов селекции растений с одного до двух в год. Сегодня самые передовые семенные компании проводят три цикла ежегодно, что по меркам ИИ всё ещё чрезвычайно медленно. Когда эталонные данные о фактическом результате появляются только при сборе урожая, улучшение моделей занимает годы, а не короткие спринты разработки.
Сложность сельского хозяйства нарушает привычные предположения ИИ
Задайте на первый взгляд простой вопрос — сколько азота следует внести на это поле? — и число переменных быстро увеличится: состав почвы, предыдущие севообороты, история патогенов, микроклимат, история животноводства за десятилетия, способность удерживать воду, методы обработки почвы и десятки других взаимодействующих факторов. Исследования ограничений способности ИИ рассуждать показывают, что точность моделей рушится в средах с большим числом измерений. Сельское хозяйство не просто многомерно: это одна из областей с наибольшим числом измерений, которые люди когда-либо пытались моделировать.
Каждая ферма — отдельный пограничный случай
В реальном сельском хозяйстве нет сферической коровы. Каждое хозяйство имеет собственное сочетание доступа к технологиям, подхода к труду, ограничений капитала и готовности рисковать. Модель, обученная на крупных хозяйствах с рядовыми посевами на Среднем Западе США, с треском провалится на небольшой ферме с разнообразным производством на северо-западном побережье США у Тихого океана. Ничто не обобщается без проблем, а учёт каждого пограничного случая ещё увеличивает число измерений до практически неуправляемого уровня.
Ответ — более качественные данные, а не больше данных
Привычная реакция Кремниевой долины на большинство сложных проблем — добавить вычислительных мощностей и данных. В сельском хозяйстве это привело к поразительным цифрам: по оценкам, средняя ферма сегодня генерирует 500 000 точек данных в день. Спутники фотографируют каждое поле на Земле. Датчики подробно регистрируют температуру, влажность воздуха и почвы.
И всё же сообщество сельскохозяйственного ИИ широко признаёт нехватку качественных данных. Проблема не в объёме, а в релевантности. Все данные датчиков, спутниковые снимки и отчёты почвенных анализов фиксируют происходящее вокруг растения. Ни один из этих источников не фиксирует происходящее внутри растения.
Представим гоночного инженера Формулы-1, который пытается оптимизировать время круга только по данным GPS. Скорость, положение и траектория дают основу для работы, но без телеметрии двигателя, датчиков температуры шин и данных о потоке топлива модель всегда будет лишь угадывать причинно-следственные связи. Внешние сельскохозяйственные данные работают так же. Они описывают условия среды, но не показывают, как растение на самом деле на них реагирует.
Это объясняет некоторые из самых заметных неудач ИИ в сельском хозяйстве. Gro Intelligence привлекла более 120 млн долларов для создания крупнейшего в мире хранилища агроклиматических данных, но в итоге закрылась. Больший объём внешних данных, как бы точно их ни собирали, не решает основную проблему: мы измеряем не то.
Что на самом деле значит слушать растение
Новые биотехнологии впервые позволяют получать данные непосредственно изнутри выращиваемых растений. Основная идея — модифицировать растения так, чтобы они сигнализировали о собственном внутреннем биологическом состоянии. Они сообщают о стрессе, инфекции или потребности в ресурсах через измеримые сигналы, вместо того чтобы эти состояния приходилось выводить из внешних косвенных показателей.
Ранее в этом году один из таких подходов дал исторический результат: растение сои, модифицированное для флуоресцентной сигнализации, выявило грибковую инфекцию в реальном времени ещё до появления любых видимых симптомов. За 10 000 лет сельского хозяйства фермеры никогда прежде не могли обнаружить болезнь на этой стадии. Сигнал запустил собственный иммунный ответ растения. Данные предоставило само растение.
Это важно для практических результатов земледелия. Более раннее обнаружение болезни позволяет раньше вмешаться, уменьшая потери и применение химических средств производства. Но для сельскохозяйственного ИИ это не менее важно, поскольку речь идёт о принципиально новой категории данных.
Выводить биологию растений из внешних условий — задача, которой по своей природе свойственны шум, высокая размерность и чувствительность к смешивающим факторам. Вместо этого системы ИИ теперь можно обучать на прямых измерениях физиологии растений. Проблема размерности резко сокращается, а цикл обратной связи становится короче. Пограничные случаи не исчезают, но становятся управляемее, когда мы используем сигналы самого растения, а не замещающие переменные окружающей среды.
Новая парадигма данных для новой эры сельскохозяйственного ИИ
Сравнение с разработкой автономных автомобилей поучительно. Такие компании, как Waymo, добились успеха не благодаря попыткам обучать модели только на существующих общедоступных дорожных данных. Они создали собственные комплексы датчиков и сформировали огромные высококачественные наборы самостоятельно собранных данных, точно отражавших то, чему моделям нужно было научиться. Стратегия данных была так же важна, как архитектура модели.
Сельскохозяйственный ИИ нуждается в подобном переосмыслении. Путь вперёд — не более совершенные модели на существующих аграрных наборах данных. Эти наборы имеют фундаментальное ограничение: они наблюдают только среду культуры, а не саму культуру. Нужно создавать новую категорию данных, основанную на реальной биологии растений, и системы ИИ, предназначенные учиться на ней.
Такие данные — непрерывная биологическая телеметрия с культур в основных сельскохозяйственных регионах на протяжении всего сезона — ещё не существуют в большом масштабе. Но технологии их получения становятся реальностью. Когда данные появятся, они позволят создавать модели ИИ, которые действительно помогают фермерам принимать сложные решения: не перебирая грубой вычислительной силой зашумлённое море внешних переменных, а понимая почти в реальном времени, что нужно самому растению.
Разрыв в качестве аграрных данных обсуждают годами. Изменилось то, что теперь у нас есть убедительный ответ, и он начинается с самих растений.
Настоящий путь к следующей Зелёной революции
Устойчиво обеспечивать едой 8 миллиардов человек, к которым, по прогнозам, к 2050 году добавятся ещё 2 миллиарда, одновременно справляясь с климатическими нарушениями, затратами на производственные ресурсы и нехваткой воды, — одна из определяющих задач века. Сельскохозяйственный ИИ способен помочь в каждой её части, но только если основан на данных, действительно отражающих внутренние процессы в выращиваемых растениях.
Более десятилетия отрасль пытается решить проблему, накапливая внешние данные и добавляя вычислительные мощности. Это принесло постепенные улучшения, но не прорыв, который нужен сектору. И не принесёт, потому что фундаментальная проблема данных остаётся нерешённой.
Следующая Зелёная революция не вырастет из очередной перспективной архитектуры модели или хорошо финансируемого стартапа с более совершенным процессом обработки спутниковых снимков. Она начнётся, когда системы ИИ наконец услышат, что пытается сказать растение.













