ผู้นำทางความคิด
เหตุใดปัญหาข้อมูลการเกษตรจึงเป็นปัญหา AI — และพืชจะช่วยแก้ได้อย่างไร

ประเด็นสำคัญเอไอด้านการเกษตรล้มเหลวเพราะพึ่งพาข้อมูลสิ่งแวดล้อมภายนอก…
ดูเพิ่มเติม
- เอไอด้านการเกษตรล้มเหลวเพราะพึ่งพาข้อมูลสิ่งแวดล้อมภายนอก แทนที่จะใช้สัญญาณทางชีวภาพจากพืชโดยตรง
- พืชที่ถูกดัดแปลงให้ส่งสัญญาณแสดงสถานะภายใน เช่น การเกิดโรค เป็นการจัดหาข้อมูลชีวภาพเชิงปฏิบัติการรูปแบบใหม่ให้กับเอไอ
- การเข้าซื้อกิจการของ Climate Corporation มูลค่า 1.1 พันล้านดอลลาร์ เป็นตัวอย่างของความตื่นตัวตลอดทศวรรษที่ผ่านมาเกี่ยวกับกลยุทธ์ข้อมูลภายนอกที่มีข้อบกพร่อง
ทุกไม่กี่ปี วงการเทคโนโลยีการเกษตรจะมีวิธีใหม่ที่ถูกเสนอว่าแก้ปัญหาได้สารพัด ในปี 2013 เรื่องเล่าที่ได้รับความสนใจคือ บิ๊กดาต้าจะพลิกโฉมการบริหารฟาร์ม — การที่ Monsanto ซื้อ The Climate Corporation ด้วยมูลค่า 1.1 พันล้านดอลลาร์นั้นควรจะเปิดยุคใหม่ของการเกษตรเชิงพยากรณ์ อีกไม่กี่ปีต่อมา โรงเรือนที่ขับเคลื่อนด้วย AI ก็ถูกคาดหวังว่าจะนำมาซึ่งการปฏิวัติเขียวครั้งที่สอง จากนั้นมีคำมั่นเรื่องการเก็บเกี่ยวด้วยหุ่นยนต์ ตามด้วยนักวิชาการเกษตรเสมือนที่ขับเคลื่อนด้วย AI เชิงสร้างสรรค์ และปัจจุบันคือ AI แบบเอเจนต์ที่อ้างว่าจะตัดสินใจด้วยตนเองแทนเกษตรกรทั่วโลก
รูปแบบนี้น่าจะคุ้นเคยดี กระแสความตื่นเต้นแต่ละระลอกต่อยอดจากระลอกก่อน แต่ การลงทุนร่วมทุนในเทคโนโลยีการเกษตรยังคงน่าผิดหวัง และผลลัพธ์ที่สร้างการเปลี่ยนแปลงอย่างแท้จริงก็ยังเกิดขึ้นได้ยาก เพราะเหตุใด? ไม่ใช่เพราะวิศวกรขาดความสามารถ หรือวิทยาศาสตร์พื้นฐานของ AI มีข้อบกพร่อง ปัญหาลึกลงไปถึงตัวข้อมูลที่ระบบ AI การเกษตรต้องพึ่งพา
หากเราไม่ทบทวนอย่างถึงรากว่าเก็บข้อมูลอะไรและเก็บอย่างไร การปฏิวัติ AI ในการเกษตรก็จะเป็นเพียงคำสัญญาที่เลื่อนออกไปเรื่อยๆ แทนที่จะเป็นความจริงในปัจจุบัน
สามเหตุผลที่ AI การเกษตรยังล้มเหลวซ้ำๆ
การเกษตรเป็นหนึ่งในสภาพแวดล้อมที่ยากที่สุดเท่าที่จะนึกออกสำหรับการพัฒนา AI ความท้าทายไม่ใช่ปัญหาวิศวกรรมเล็กน้อย แต่เป็นปัญหาเชิงโครงสร้าง ต่อไปนี้คือสาเหตุที่ทำให้วิธีพัฒนา AI ตามปกติใช้กับด้านนี้ได้ยาก:
วงจรป้อนกลับเดินตามจังหวะของชีววิทยา ไม่ใช่ซอฟต์แวร์
ระบบ AI สมัยใหม่ออกแบบมาเพื่อการปรับปรุงซ้ำอย่างรวดเร็ว โมเดลซอฟต์แวร์อาจฝึกใหม่ได้ในไม่กี่ชั่วโมง แต่การทดลองยาต้องใช้เวลาหลายปี การทำฟาร์มใกล้เคียงกับกรณีหลัง นวัตกรรมของ Norman Borlaug ในทศวรรษ 1970 ซึ่งได้รับการยอมรับด้วยรางวัลโนเบล ส่วนหนึ่งคือการย่นรอบการปรับปรุงพันธุ์พืชจากปีละหนึ่งรอบเป็นสองรอบ ปัจจุบันบริษัทเมล็ดพันธุ์ที่ก้าวหน้าที่สุดทำได้ปีละสามรอบ ซึ่งยังช้ามากเมื่อเทียบกับมาตรฐาน AI เมื่อข้อมูลอ้างอิงที่ยืนยันผลจริงได้มาพร้อมการเก็บเกี่ยว ระยะเวลาปรับปรุงโมเดลจึงยาวเป็นปี ไม่ใช่รอบพัฒนาระยะสั้น
ความซับซ้อนของการเกษตรทำให้สมมติฐานทั่วไปของ AI ใช้ไม่ได้
ลองถามคำถามที่ดูง่ายว่า แปลงนี้ควรได้รับไนโตรเจนเท่าใด? ตัวแปรจะเพิ่มขึ้นทันที ทั้งองค์ประกอบดิน การปลูกพืชหมุนเวียนที่ผ่านมา ประวัติเชื้อก่อโรค จุลภูมิอากาศ ประวัติการเลี้ยงปศุสัตว์ย้อนหลังหลายสิบปี ความสามารถในการอุ้มน้ำ วิธีไถพรวน และปัจจัยที่ส่งผลต่อกันอีกหลายสิบประการ งานวิจัยเกี่ยวกับข้อจำกัดด้านการให้เหตุผลของ AI แสดงให้เห็นว่าความแม่นยำของโมเดลลดฮวบในสภาพแวดล้อมที่มีมิติสูง การเกษตรไม่ได้มีเพียงมิติสูงเท่านั้น แต่ยังเป็นหนึ่งในด้านที่มีมิติสูงที่สุดที่มนุษย์เคยพยายามสร้างแบบจำลอง
ทุกฟาร์มเป็นกรณีเฉพาะของตนเอง
ในการเกษตรจริงไม่มี วัวทรงกลม ฟาร์มแต่ละแห่งมีส่วนผสมเฉพาะของการเข้าถึงเทคโนโลยี แนวคิดเรื่องแรงงาน ข้อจำกัดเงินทุน และความสามารถในการยอมรับความเสี่ยง โมเดลที่ฝึกด้วยข้อมูลฟาร์มขนาดใหญ่ซึ่งปลูกพืชเป็นแถวในแถบมิดเวสต์ของสหรัฐฯ จะล้มเหลวอย่างหนักเมื่อนำไปใช้กับฟาร์มขนาดเล็กที่ผลิตหลากหลายในแถบชายฝั่งแปซิฟิกตะวันตกเฉียงเหนือ ไม่มีอะไรนำไปใช้ทั่วไปได้อย่างราบรื่น และการออกแบบให้รองรับทุกกรณีเฉพาะยิ่งเพิ่มจำนวนมิติจนเกินกว่าจะใช้งานได้จริง
คำตอบไม่ใช่ข้อมูลมากขึ้น แต่คือข้อมูลที่ดีขึ้น
สัญชาตญาณของซิลิคอนวัลเลย์เมื่อเจอปัญหายากส่วนใหญ่คือเพิ่มกำลังประมวลผลและข้อมูล ในการเกษตร แนวคิดนี้สร้างตัวเลขที่น่าทึ่ง ปัจจุบันมีการประมาณว่าฟาร์มโดยเฉลี่ยสร้างข้อมูล 500,000 จุดต่อวัน ดาวเทียมถ่ายภาพทุกแปลงบนโลก เซ็นเซอร์บันทึกอุณหภูมิ ความชื้นอากาศ และความชื้นดินอย่างละเอียด
ถึงกระนั้น ชุมชน AI การเกษตรก็ยอมรับกันอย่างกว้างขวางว่ายังขาดข้อมูลคุณภาพดี ปัญหาไม่ได้อยู่ที่ปริมาณ แต่อยู่ที่ข้อมูลตอบโจทย์หรือไม่ ข้อมูลเซ็นเซอร์ ภาพดาวเทียม และรายงานวิเคราะห์ดินทั้งหมดบอกสิ่งที่เกิดขึ้น รอบตัว พืช แต่ไม่มีอย่างใดบอกสิ่งที่เกิดขึ้น ภายใน พืช
ลองนึกถึงวิศวกรรถแข่ง Formula 1 ที่พยายามทำเวลาแต่ละรอบให้ดีที่สุดโดยใช้เพียงข้อมูลติดตาม GPS ความเร็ว ตำแหน่ง และแนววิ่งเป็นจุดเริ่มต้นได้ แต่หากไม่มีข้อมูลโทรมาตรจากเครื่องยนต์ เซ็นเซอร์อุณหภูมิยาง และข้อมูลอัตราการไหลของเชื้อเพลิง โมเดลก็ต้องคาดเดาความสัมพันธ์เชิงเหตุและผลอยู่เสมอ ข้อมูลการเกษตรจากภายนอกก็เหมือนกัน ข้อมูลบอกได้ว่าสภาพแวดล้อมเป็นอย่างไร แต่บอกไม่ได้ว่าพืชตอบสนองต่อสภาพนั้นจริงๆ อย่างไร
สิ่งนี้อธิบายความล้มเหลวของ AI ในการเกษตรที่เด่นชัดบางกรณี Gro Intelligence ระดมทุนกว่า 120 ล้านดอลลาร์เพื่อสร้างคลังข้อมูลภูมิอากาศเพื่อการเกษตรที่ใหญ่ที่สุดในโลก แต่สุดท้ายก็ปิดกิจการ ข้อมูลภายนอกที่มากขึ้น ต่อให้รวบรวมแม่นยำเพียงใด ก็ไม่แก้ปัญหาพื้นฐาน นั่นคือเรากำลังวัดผิดสิ่ง
การฟังพืชหมายถึงอะไรอย่างแท้จริง
เทคโนโลยีชีวภาพใหม่กำลังทำให้การได้ข้อมูลโดยตรงจากภายในพืชที่เราปลูกเป็นไปได้เป็นครั้งแรก แนวคิดหลักคือดัดแปลงพืชให้ส่งสัญญาณสภาวะชีวภาพภายในของตน โดยสื่อความเครียด การติดเชื้อ หรือความต้องการทรัพยากรผ่านสัญญาณที่วัดได้ แทนการอนุมานจากตัวชี้วัดภายนอกที่ใช้แทน
เมื่อต้นปีนี้ วิธีหนึ่งสร้างผลลัพธ์ครั้งประวัติศาสตร์ ต้นถั่วเหลืองที่ถูกดัดแปลงให้ส่งสัญญาณเรืองแสง เผยการติดเชื้อราแบบเรียลไทม์ ก่อนที่พืชจะแสดงอาการให้เห็น ตลอดประวัติศาสตร์การเกษตร 10,000 ปี เกษตรกรไม่เคยตรวจพบโรคได้ในระยะนี้มาก่อน การตอบสนองทางภูมิคุ้มกันของพืชเองเป็นตัวกระตุ้นสัญญาณ พืชเป็นผู้ให้ข้อมูลด้วยตนเอง
เรื่องนี้สำคัญต่อผลลัพธ์การทำฟาร์มจริง การพบโรคเร็วขึ้นทำให้รับมือได้เร็ว ลดความเสียหายและการใช้ปัจจัยการผลิตที่เป็นสารเคมี แต่ก็สำคัญต่อ AI การเกษตรไม่แพ้กัน เพราะเป็นข้อมูลประเภทใหม่อย่างถึงราก
แทนการอนุมานชีววิทยาของพืชจากสภาพภายนอก ซึ่งโดยธรรมชาติมีสัญญาณรบกวนมาก มีมิติสูง และอ่อนไหวต่อปัจจัยกวน ตอนนี้เราฝึกระบบ AI ด้วยการวัดสรีรวิทยาพืชโดยตรงได้ ปัญหาจำนวนมิติลดลงอย่างมาก วงจรป้อนกลับสั้นลง ปัญหากรณีเฉพาะไม่ได้หายไป แต่จัดการได้ง่ายขึ้นเมื่อใช้สัญญาณที่พืชส่งออกมาเอง แทนตัวแปรตัวแทนในสภาพแวดล้อมโดยรอบ
กระบวนทัศน์ข้อมูลใหม่สำหรับยุคใหม่ของ AI การเกษตร
การเปรียบเทียบกับการพัฒนารถยนต์ขับเคลื่อนอัตโนมัติให้บทเรียนที่ดี บริษัทอย่าง Waymo ไม่ได้ประสบความสำเร็จด้วยการฝึกโมเดลจากข้อมูลถนนสาธารณะที่มีอยู่เพียงอย่างเดียว บริษัทเหล่านี้สร้างชุดเซ็นเซอร์ของตนเอง และสร้างชุดข้อมูลขนาดใหญ่ คุณภาพสูง ซึ่งเก็บรวบรวมเองโดยตรงและบันทึกสิ่งที่โมเดลจำเป็นต้องเรียนรู้อย่างตรงจุด กลยุทธ์ข้อมูลสำคัญพอๆ กับสถาปัตยกรรมโมเดล
AI การเกษตรต้องทบทวนแนวคิดในลักษณะเดียวกัน ทางข้างหน้าไม่ใช่การนำโมเดลที่ดีขึ้นมาใช้กับชุดข้อมูลการเกษตรเดิม เพราะชุดข้อมูลเหล่านั้นมีข้อจำกัดพื้นฐานตรงที่สังเกตเพียงสภาพแวดล้อมของพืช ไม่ใช่ตัวพืช ทางข้างหน้าคือสร้างข้อมูลประเภทใหม่ที่ตั้งอยู่บนชีววิทยาที่แท้จริงของพืช และสร้างระบบ AI ที่ออกแบบมาให้เรียนรู้จากข้อมูลนั้น
ข้อมูลแบบนี้ ซึ่งเป็นโทรมาตรชีวภาพอย่างต่อเนื่องตลอดฤดูเพาะปลูกจากพืชในแหล่งเกษตรกรรมสำคัญ ยังไม่มีในวงกว้าง แต่เทคโนโลยีที่สร้างข้อมูลได้กำลังเป็นจริง เมื่อมีข้อมูลเหล่านี้ จะทำให้เกิดโมเดล AI ที่ช่วยเกษตรกรตัดสินใจเรื่องซับซ้อนได้จริง ไม่ใช่อาศัยกำลังประมวลผลลุยผ่านทะเลตัวแปรภายนอกที่มีสัญญาณรบกวน แต่เข้าใจแทบจะเรียลไทม์ว่าพืชต้องการอะไร
ช่องว่างด้านคุณภาพข้อมูลในการเกษตร เป็นเรื่องที่ถกเถียงกันมาหลายปี สิ่งที่เปลี่ยนไปคือเรามีคำตอบที่น่าเชื่อถือแล้ว และคำตอบนั้นเริ่มจากตัวพืชเอง
เส้นทางที่แท้จริงสู่การปฏิวัติเขียวครั้งต่อไป
การเลี้ยงผู้คน 8 พันล้านคนอย่างยั่งยืน พร้อมกับอีก 2 พันล้านคนที่คาดว่าจะเพิ่มขึ้นภายในปี 2050 ขณะรับมือกับความปั่นป่วนของภูมิอากาศ ต้นทุนปัจจัยการผลิต และการขาดแคลนน้ำ เป็นหนึ่งในความท้าทายสำคัญของศตวรรษนี้ AI การเกษตรมีศักยภาพช่วยได้ทุกส่วนของปัญหา แต่ต้องตั้งอยู่บนข้อมูลที่สะท้อนสิ่งที่เกิดขึ้นจริงภายในพืชที่เราพยายามปลูกเท่านั้น
กว่าทศวรรษที่ผ่านมา วงการนี้พยายามแก้ปัญหาด้วยการสะสมข้อมูลภายนอกและเพิ่มกำลังประมวลผล วิธีนี้ให้ความก้าวหน้าทีละน้อย แต่ยังไม่ให้การเปลี่ยนแปลงก้าวกระโดดที่ภาคเกษตรต้องการ และจะไม่ให้ผลเช่นนั้น เพราะปัญหาพื้นฐานของข้อมูลยังไม่คลี่คลาย
การปฏิวัติเขียวครั้งต่อไปจะไม่ได้เริ่มจากสถาปัตยกรรมโมเดลที่ดูมีอนาคตอีกแบบ หรือสตาร์ตอัปทุนหนาอีกแห่งที่มีกระบวนการประมวลผลภาพดาวเทียมดีกว่า แต่จะเริ่มเมื่อระบบ AI ฟังออกในที่สุดว่าพืชพยายามบอกอะไร













