Почему проблема данных сельского хозяйства является проблемой ИИ — и что растения могут сделать с этим

Каждые несколько лет сектор сельскохозяйственных технологий получает новый серебряный пуля. В 2013 году повествование было большие данные, меняющие управление фермой — приобретение Monsanto компании The Climate Corporation за 1,1 миллиарда долларов должно было ознаменовать начало новой эры прогностического сельского хозяйства. Через несколько лет ИИ-обеспеченные теплицы должны были принести вторую Зеленую революцию. Затем появилась обещание роботизированной уборки, затем генеративные ИИ-агрономы, и теперь агентный ИИ, который якобы будет принимать решения самостоятельно от имени фермеров всего мира.

Шаблон должен быть знакомым: каждая волна хайпа строится на предыдущей, но инвестиции в AgTech продолжают разочаровывать, и трансформационные результаты остаются неуловимыми. Почему? Не потому, что инженеры не талантливы, или потому, что основная наука ИИ ошибочна. Проблема идет глубже к самим данным, на которых зависят системы сельскохозяйственного ИИ.

До тех пор, пока мы не фундаментально переосмыслим, какие данные мы собираем и как мы их собираем, революция сельскохозяйственного ИИ останется постоянным обещанием, а не настоящей реальностью.

Три причины, по которым сельскохозяйственный ИИ продолжает терпеть неудачи

Сельское хозяйство является одной из самых негостеприимных сред для разработки ИИ. Проблемы не являются тривиальными инженерными проблемами — они структурны. Вот что делает эту область такой устойчивой к обычной игре ИИ:

Петли обратной связи, которые движутся со скоростью биологии, а не программного обеспечения.

Современные системы ИИ предназначены для быстрой итерации. Модель программного обеспечения может быть переобучена за несколько часов; испытания на лекарства занимают годы. Сельское хозяйство находится ближе к последнему. Инновация Нормана Борлауга, признанная Нобелевской премией в 1970-х годах, частично заключалась в сжатии циклов выращивания культур с одного до двух раз в год. Сегодня наиболее передовые компании по производству семян управляют тремя циклами в год; все еще очень медленно по стандартам ИИ. Когда ваша основная правда приходит с урожаем, сроки улучшения модели растягиваются на годы, а не на спринты.

Сельскохозяйственная сложность нарушает обычные предположения ИИ

Задайте, казалось бы, простой вопрос — сколько азота должно получить это поле? — и переменные быстро умножаются: состав почвы, предыдущие севообороты, история патогенов, микроклимат, история скота за десятилетия, водоудержание, методы обработки почвы и десятки других взаимодействующих факторов. Исследования по ограничениям рассуждений ИИ показывают, что точность модели разрушается в высокоразмерных средах. Сельское хозяйство не только высокоразмерно; это одна из самых высокоразмерных областей, которые люди когда-либо пытались смоделировать.

Каждая ферма является своим собственным краевым случаем.

В реальном сельском хозяйстве нет сферического корова. Каждая операция имеет свою собственную комбинацию доступа к технологиям, философии труда, ограничений капитала и толерантности к риску. Модель, обученная на больших фермах Среднего Запада, потерпит поражение зрелищно, когда будет применена к небольшой диверсифицированной ферме в Тихоокеанском Северо-Западе. Ничто не обобщается чисто, и построение для каждого краевого случая толкает размерность еще дальше в неработоспособную территорию.

Больше данных не является ответом — лучше данные являются

Инстинкт Кремниевой долины для большинства сложных проблем заключается в том, чтобы бросить больше вычислительной мощности и больше данных на них. В сельском хозяйстве этот инстинкт произвел некоторые поразительные цифры: средняя ферма теперь генерирует оценочные 500 000 данных в день. Спутники изображают каждое поле на земле. Датчики регистрируют температуру, влажность и влажность почвы в подробных деталях.

И все же, сельскохозяйственное сообщество ИИ широко признает дефицит качественных данных. Проблема не в объеме. Это актуальность. Все эти данные датчиков, все эти спутниковые изображения, все эти отчеты о тестировании почвы — они захватывают то, что происходит вокруг растения. Ни один из них не захватывает то, что происходит внутри растения.

Рассмотрите аналогию с инженером гонок Формулы 1, пытающимся оптимизировать время круга, используя только данные GPS-отслеживания. Скорость, положение и траектория дают вам что-то, с чем можно работать, но без телеметрии двигателя, датчиков температуры шин и данных о потоке топлива ваша модель всегда будет угадывать о причинно-следственной связи. Внешние сельскохозяйственные данные точно такие же. Они говорят вам, какие условия существуют в окружающей среде, но они не могут сказать вам, как культура на самом деле реагирует на эти условия.

Это объясняет некоторые из наиболее видимых неудач ИИ в сельском хозяйстве. Gro Intelligence привлекла более 120 миллионов долларов, создавая крупнейший репозиторий сельскохозяйственных климатических данных, и в конечном итоге закрыла свою деятельность. Больше внешних данных, однако точно собранных, не решает основную проблему: мы измеряем не то, что нужно.

Что на самом деле означает слушать растение

Новые биотехнологии теперь делают возможным впервые получить данные直接 из внутренней части культур, которые мы выращиваем. Основная идея заключается в том, чтобы сконструировать культуры, которые сигнализируют о своих собственных внутренних биологических состояниях — передавая стресс, инфекцию или потребности в ресурсах через измеримые выходы, а не требуя вывода из внешних прокси.

Ранее в этом году один из этих подходов произвел по-настоящему исторический результат — соевое растение с сконструированным флуоресцентным сигналом раскрыло грибковое заражение в реальном времени до появления любых видимых симптомов на растении. За 10 000 лет сельского хозяйства фермеры никогда не могли обнаружить болезнь на этой стадии. Собственный иммунный ответ растения спровоцировал сигнал. Растение само предоставило данные.

Это имеет значение для практических результатов в сельском хозяйстве. Ранняя детекция болезни позволяет проводить более раннее вмешательство, снижая потери и химические добавки. Но это имеет значение не менее для сельскохозяйственного ИИ, поскольку оно представляет собой фундаментально новый класс данных.

Вместо того, чтобы пытаться сделать вывод о биологии растений из внешних условий — задаче, которая является внутренне шумной, высокоразмерной и склонной к конфounding-факторам — системы ИИ теперь могут быть обучены на прямых измерениях физиологии растений. Проблема размерности значительно уменьшается. Петля обратной связи сужается. Проблема краевого случая не исчезает, но она становится более управляемой, когда вы работаете с сигналами, которые само растение излучает, а не с прокси-переменными в окружающей среде.

Новая парадигма данных для новой эры сельскохозяйственного ИИ

Сравнение с разработкой автономных транспортных средств является поучительным. Компании, такие как Waymo, не добились успеха, пытаясь обучить свои модели только на существующих публичных данных о дорогах. Они построили проприетарные массивы датчиков и сгенерировали огромные, высококачественные, первичные наборы данных, которые захватывали именно то, что их модели должны были узнать. Стратегия данных была такой же важной, как и архитектура модели.

Сельскохозяйственный ИИ нуждается в подобной переоценке. Путь вперед не является лучшими моделями, применяемыми к существующим сельскохозяйственным наборам данных. Эти наборы данных фундаментально ограничены тем, что они только наблюдают окружающую среду культуры, а не саму культуру. Путь вперед заключается в генерации нового класса данных, основанного на реальной биологии растений, и построении систем ИИ, предназначенных для обучения на них.

Такие данные — непрерывная, сезонная биологическая телеметрия от культур по всей сельскохозяйственной территории — еще не существуют в масштабе. Но технологии для их генерации становятся реальными. Когда эти данные появятся, они сделают возможными такие модели ИИ, которые действительно смогут помочь фермерам ориентироваться в сложных решениях: не путем грубой силы через шумную море внешних переменных, а путем понимания, в чем-то близком к реальному времени, что культура сама нуждается.

В качественном разрыве данных в сельском хозяйстве обсуждается уже несколько лет. Что изменилось, так это то, что теперь у нас есть достоверный ответ на него, и он начинается с самих растений.

Фактический путь к следующей Зеленой революции

Кормление 8 миллиардов человек устойчиво — с еще 2 миллиардами ожидаемыми к 2050 году — при управлении климатическим разрушением, затратами на вход и нехваткой воды является одной из определяющих проблем этого века. Сельскохозяйственный ИИ имеет потенциал помочь с каждой частью этой проблемы. Но только если он построен на данных, которые действительно отражают то, что происходит внутри культур, которые мы пытаемся выращивать.

Более десяти лет отрасль пыталась решить эту проблему, накапливая больше внешних данных и бросая больше вычислительной мощности на нее. Этот подход произвел инкрементальные победы, но он не принес прорыва, в котором нуждается отрасль. Он не принесет — потому что фундаментальная проблема данных остается нерешенной.

Следующая Зеленая революция не будет посеяна другой перспективной моделью архитектуры или другим хорошо финансируемым стартапом с лучшим спутниковым изображением. Она начнется, когда системы ИИ наконец смогут услышать, что говорит культура.