Tankeledare

Varför jordbrukets dataproblem är ett AI-problem — och vad växterna kan göra åt det

Dr. Christopher Seifert Chip Franzén, Software Engineer at InnerPlant
Lägg till Unite.AI bland dina föredragna källor på Google
Viktiga punkterJordbruks-AI misslyckas eftersom den förlitar sig på extern miljödata istället för…
Visa mer
  • Jordbruks-AI misslyckas eftersom den förlitar sig på extern miljödata istället för direkta biologiska signaler från växter.
  • Genetiskt modifierade växter som signalerar interna tillstånd som sjukdom erbjuder AI en ny klass av användbar biologisk data.
  • Climate Corporations förvärv för 1,1 miljarder dollar exemplifierar ett decennium av hype kring bristfälliga externa datastrategier.

Med några års mellanrum får jordbrukstekniken en ny påstådd universallösning. År 2013 var berättelsen att stordata skulle förändra gårdsdriften — Monsantos förvärv av The Climate Corporation för 1,1 miljarder dollar skulle inleda en ny era av prediktivt jordbruk. Några år senare skulle AI-drivna växthus ge oss en andra grön revolution. Sedan kom löftet om robotskörd, därefter generativa AI-agronomer och nu agentbaserad AI som påstås kunna fatta självständiga beslut åt jordbrukare världen över.

Mönstret borde vara bekant: varje hajpvåg bygger på den föregående, men riskkapitalinvesteringarna i jordbruksteknik fortsätter att göra investerarna besvikna, och de omvälvande resultaten låter fortfarande vänta på sig. Varför? Inte för att ingenjörerna saknar talang eller för att den bakomliggande AI-vetenskapen är felaktig. Problemet går djupare, till själva datan som jordbrukets AI-system är beroende av.

Om vi inte i grunden tänker om kring vilka data vi samlar in och hur vi gör det, kommer AI-revolutionen i jordbruket att förbli ett evigt löfte i stället för att bli verklighet här och nu.

Tre skäl till att jordbrukets AI fortsätter att misslyckas

Jordbruket är en av de mest ogynnsamma miljöer man kan föreställa sig för AI-utveckling. Utmaningarna är inte obetydliga ingenjörsproblem, utan strukturella. Följande förklarar varför området är så svårt att hantera med AI:s vanliga metoder:

Återkopplingsloopar som följer biologins takt, inte programvarans

Moderna AI-system bygger på snabba utvecklingscykler. En programvarumodell kan tränas om på några timmar, medan en läkemedelsprövning tar år. Jordbruket ligger närmare det senare. Den innovation som gav Norman Borlaug Nobelprisets erkännande på 1970-talet handlade delvis om att korta växtförädlingscyklerna från en till två per år. Dagens mest avancerade utsädesföretag klarar tre cykler årligen, vilket fortfarande är oerhört långsamt med AI-mått mätt. När de faktiska referensdata som visar utfallet kommer först vid skörden tar modellförbättringar år, inte korta utvecklingssprintar.

Jordbrukets komplexitet bryter mot AI:s vanliga antaganden

Ställ en till synes enkel fråga — hur mycket kväve behöver det här fältet? — så ökar antalet variabler snabbt: jordens sammansättning, tidigare växtföljder, historik över sjukdomsframkallande organismer, mikroklimat, årtionden av djurhållning, vattenhållande förmåga, jordbearbetning och dussintals andra samverkande faktorer. Forskning om begränsningar i AI:s resonemang visar att modellernas träffsäkerhet kollapsar i högdimensionella miljöer. Jordbruket är inte bara högdimensionellt, utan ett av de mest högdimensionella områden som människor någonsin har försökt modellera.

Varje gård är ett eget specialfall

Det finns ingen sfärisk ko i verkligt jordbruk. Varje verksamhet har sin egen kombination av tekniktillgång, syn på arbete, kapitalbegränsningar och risktolerans. En modell som tränats på stora gårdar med radodlade grödor i USA:s mellanvästern kommer att misslyckas ordentligt på en liten gård med diversifierad produktion i den amerikanska Stillahavsnordvästern. Inget kan generaliseras problemfritt, och att utforma lösningar för varje specialfall driver antalet dimensioner ännu längre bortom vad som är hanterbart.

Svaret är bättre data, inte mer data

Silicon Valleys instinkt inför de flesta svåra problem är att tillföra mer beräkningskraft och mer data. I jordbruket har det lett till häpnadsväckande siffror: en genomsnittlig gård uppskattas nu generera 500 000 datapunkter per dag. Satelliter fotograferar varje fält på jorden. Sensorer registrerar temperatur, luftfuktighet och markfuktighet i detalj.

Ändå medger jordbrukets AI-aktörer allmänt att det råder brist på data av hög kvalitet. Problemet är inte mängden, utan relevansen. Alla sensordata, satellitbilder och rapporter från jordprover fångar vad som händer runt växten. Inget av detta fångar vad som händer inuti växten.

Tänk på en Formel 1-ingenjör som försöker optimera varvtider med enbart GPS-spårningsdata. Hastighet, position och körlinje ger något att arbeta med, men utan motortelemetri, däcktemperatursensorer och bränsleflödesdata måste modellen alltid gissa sig till orsakssambanden. Externa jordbruksdata fungerar precis likadant. De visar vilka förhållanden som råder i miljön, men inte hur grödan faktiskt reagerar på dem.

Det förklarar några av jordbrukets mest uppmärksammade AI-misslyckanden. Gro Intelligence tog in över 120 miljoner dollar för att bygga världens största datalager för jordbruksklimatdata, men lades till slut ned. Mer externa data löser inte grundproblemet, oavsett hur noggrant de samlas in: vi mäter fel sak.

Vad det egentligen innebär att lyssna på växten

Ny bioteknik gör det nu för första gången möjligt att få data direkt inifrån grödorna vi odlar. Grundidén är att modifiera grödor så att de signalerar sina egna inre biologiska tillstånd. De kan förmedla stress, infektion eller resursbehov genom mätbara signaler, i stället för att tillståndet måste härledas från externa ersättningsmått.

Tidigare i år gav en av dessa metoder ett historiskt resultat: en sojabönsväxt som modifierats för fluorescerande signalering avslöjade en svampinfektion i realtid innan några synliga symtom hade uppstått. Under jordbrukets 10 000-åriga historia har jordbrukare aldrig kunnat upptäcka sjukdom i det skedet. Växtens eget immunsvar utlöste signalen. Växten själv gav oss datan.

Detta har betydelse för jordbrukets praktiska resultat. Tidigare sjukdomsupptäckt möjliggör tidigare åtgärder och minskar förluster och användningen av kemiska insatsmedel. Men det är lika viktigt för jordbrukets AI, eftersom det är en i grunden ny kategori av data.

Att härleda växtbiologi ur yttre förhållanden är en uppgift med mycket brus, många dimensioner och stor känslighet för förväxlingsfaktorer. I stället kan AI-system nu tränas på direkta mätningar av växtfysiologi. Dimensionsproblemet krymper dramatiskt och återkopplingsloopen blir kortare. Problemet med specialfall försvinner inte, men blir mer hanterbart när man arbetar med signaler från växten själv i stället för med proxyvariabler i den omgivande miljön.

Ett nytt dataparadigm för en ny era av jordbruks-AI

Jämförelsen med utvecklingen av självkörande fordon är lärorik. Företag som Waymo lyckades inte genom att försöka träna sina modeller enbart på befintliga offentliga vägdata. De byggde egna sensoruppsättningar och skapade enorma, högkvalitativa egeninsamlade datamängder som fångade precis det modellerna behövde lära sig. Datastrategin var lika viktig som modellarkitekturen.

Jordbrukets AI behöver ett liknande nytänkande. Vägen framåt är inte bättre modeller tillämpade på befintliga jordbruksdata. Dessa datamängder begränsas i grunden av att de bara observerar grödans miljö, inte själva grödan. Vägen framåt är att skapa en ny kategori av data förankrad i verklig växtbiologi och bygga AI-system som är utformade för att lära sig av den.

Sådana data — kontinuerlig biologisk telemetri från grödor under hela odlingssäsongen i de stora jordbruksbygderna — finns ännu inte i stor skala. Men tekniken för att skapa dem håller på att bli verklighet. När dessa data blir tillgängliga möjliggör de AI-modeller som verkligen kan hjälpa jordbrukare att fatta komplexa beslut. Det sker inte genom att med rå beräkningskraft ta sig igenom ett brusigt hav av yttre variabler, utan genom att förstå nästan i realtid vad grödan själv behöver.

Datakvalitetsgapet i jordbruket har diskuterats i åratal. Det som har förändrats är att vi nu har ett trovärdigt svar på problemet, och det börjar med växterna själva.

Den verkliga vägen till nästa gröna revolution

Att hållbart försörja 8 miljarder människor med mat, och ytterligare 2 miljarder som väntas till 2050, samtidigt som klimatstörningar, insatskostnader och vattenbrist hanteras, är en av detta århundrades avgörande utmaningar. Jordbrukets AI kan bidra till varje del av utmaningen, men bara om den bygger på data som faktiskt återspeglar vad som händer inuti grödorna vi försöker odla.

I mer än ett årtionde har branschen försökt lösa problemet genom att samla mer externa data och tillföra mer beräkningskraft. Det har gett stegvisa framsteg, men inte det genombrott sektorn behöver. Det kommer det inte heller att göra, eftersom det grundläggande dataproblemet förblir olöst.

Nästa gröna revolution kommer inte att gro ur ännu en lovande modellarkitektur eller ännu en välfinansierad startup med en bättre kedja för bearbetning av satellitbilder. Den börjar när AI-system till slut kan höra vad grödan försöker säga.

Dr. Christopher Seifert är chef för mjukvaruprodukter på InnerPlant, där han leder företagets data- och maskinlärningssystem. Han gick med i InnerPlant efter att ha byggt produkter och plattformar över nästan varje lager i jordbruksdatastacken, med erfarenhet som omfattar satellitbaserad fjärranalys, geospatial analys, jordbruksledningssystem och utsädes- och agronomidatainfrastruktur. Hans bakgrund omfattar ledande roller på Granular och Corteva Agriscience, tidigare arbete på Google och The Climate Corporation, samt forskningserfarenhet på NASA och Stanford Program on Food Security and the Environment. Han var också med och grundade och var VD för AcreValue, en plattform för värdering av jordbruksmark som förvärvades av Granular. Denna bredd ger honom en tydlig vy över var jordbruks-AI har fungerat, var den har kämpat för att leverera på fältet och vad det kräver för att köra tillförlitliga, produktionsklara system inom jordbruk. Han har en doktorsexamen i jordsystemvetenskap samt en master- och kandidatexamen i jordsystem från Stanford University.

Chip Franzén är mjukvaruingenjör på InnerPlant, där han utformar och bygger företagets data- och maskininlärningspipelines för sensortillämpningar inom jordbruk, med fokus på IoT, datorseende och fjärranalys. Före InnerPlant arbetade han i flera år med maskininlärning inom jordbruk på företag som Granular och Indigo. Han arbetade med markvärdering, identifiering av marktäcke med datorseende, rumsliga datapipelines och MLOps för fjärranalysbaserade agronomiska modeller och inferens-API:er. På InnerPlant använder han sin fullstackerfarenhet för att omvandla komplexa biologiska och geospatiala signaler till tillförlitliga, produktionsklara resultat som team kan använda i verkliga arbetsflöden. Han har en BA från Duke University och en M.Sc. i Data Science från Galvanize.