ทำไมปัญหาข้อมูลการเกษตรจึงเป็นปัญหาของ AI — และพืชสามารถทำอะไรได้บ้าง

ทุกๆ ไม่กี่ปี อุตสาหกรรมเทคโนโลยีการเกษตรจะได้รับกระสุนเงินใหม่ ในปี 2013 เรื่องราวคือ ข้อมูลขนาดใหญ่ในการจัดการฟาร์ม — การซื้อ The Climate Corporation มูลค่า 1.1 พันล้านดอลลาร์ของ Monsanto ควรจะนำไปสู่ยุคใหม่ของการทำฟาร์มแบบคาดการณ์ หลายปีต่อมา เรือนกระจกที่ใช้ AI จะนำไปสู่การปฏิวัติเขียวครั้งที่สอง จากนั้นมาคำมั่นสัญญาเกี่ยวกับการเก็บเกี่ยวด้วยหุ่นยนต์ จากนั้นมา Agronomists ที่ใช้ AI ที่สร้างขึ้น และตอนนี้ AI ที่จะทำการตัดสินใจโดยอัตโนมัติแทนเกษตรกรทั่วโลก

รูปแบบควรจะคุ้นเคย: แต่ละคลื่นของการสร้างความตื่นเต้นจะสร้างขึ้นจากคลื่นก่อนหน้า แต่ การลงทุนของ AgTech ยังคงไม่ให้ผลลัพธ์ที่น่าพอใจ และผลลัพธ์ที่เปลี่ยนแปลงยังคงไม่เกิดขึ้น ทำไม? ไม่ใช่เพราะว่า工程师ไม่มีพรสวรรค์ หรือว่า วิทยาศาสตร์ AI ที่ใช้เป็นรากฐานมีข้อบกพร่อง ปัญหาอยู่ที่ลึกกว่านั้น ซึ่งก็คือ ข้อมูลที่ระบบ AI การเกษตรพึ่งพา

จนกว่าเราจะคิดใหม่เกี่ยวกับข้อมูลที่เรารวบรวมและวิธีการรวบรวมมัน การปฏิวัติ AI ในการเกษตรจะยังคงเป็นคำมั่นสัญญาในอนาคตแทนที่จะเป็นความเป็นจริงในปัจจุบัน

สามสาเหตุที่ AI เกษตรกรรมล้มเหลว

การเกษตรเป็นหนึ่งในสภาพแวดล้อมที่ไม่เป็นมิตรที่สุดสำหรับการพัฒนา AI ปัญหาสำคัญไม่ใช่ปัญหาเชิงวิศวกรรมเล็กๆ น้อยๆ — มันเป็นโครงสร้าง มาดูกันว่าอะไรทำให้โดเมนนี้ต้านทานต่อการนำ AI มาใช้:

วงจรป้อนกลับที่เคลื่อนที่ด้วยความเร็วของชีววิทยา ไม่ใช่ซอฟต์แวร์

ระบบ AI สมัยใหม่ถูกออกแบบมาเพื่อการวนซ้ำอย่างรวดเร็ว โมเดลซอฟต์แวร์สามารถถูกฝึกใหม่ได้ภายในไม่กี่ชั่วโมง การทดลองยาใช้เวลาหลายปี การทำฟาร์มอยู่ใกล้กับกรณีหลัง Norman Borlaug ได้รับการยอมรับจากงานนวัตกรรมในปี 1970 ซึ่งเป็นส่วนหนึ่งเกี่ยวกับการบีบอัดรอบการเพาะพันธุ์พืชจากหนึ่งครั้งเป็นสองครั้งต่อปี บริษัทพันธุ์พืชที่ทันสมัยที่สุดในปัจจุบันจัดการรอบการเพาะพันธุ์ได้สามครั้งต่อปี ซึ่งยังคงเป็นความช้าเมื่อเทียบกับมาตรฐาน AI เมื่อความจริงบนพื้นดินมาถึงพร้อมกับการเก็บเกี่ยว ระยะเวลาการปรับปรุงโมเดลจะขยายออกไปเป็นหลายปี ไม่ใช่การวิ่งสปรินท์

ความซับซ้อนของการเกษตรที่ทำลายสมมติฐานทั่วไปของ AI

ถามคำถามที่ดูเหมือนง่าย — พื้นที่นี้ต้องการไนโตรเจนเท่าไร? — และตัวแปรจะเพิ่มขึ้นอย่างรวดเร็ว: ส่วนประกอบของดิน การหมุนพืชในอดีต ประวัติของโรคจุลินทรีย์ สภาพอากาศเล็กๆ ประวัติของสัตว์เลี้ยงในอดีตหลายสิบปี การรักษาน้ำ การไถพรวนดิน และหลายปัจจัยอื่นๆ ที่มีปฏิกิริยาต่อกัน การวิจัยเกี่ยวกับข้อจำกัดของการให้เหตุผลของ AI แสดงให้เห็นว่าความแม่นยำของโมเดลจะล่มสลายในสภาพแวดล้อมที่มีหลายมิติ การทำฟาร์มไม่ใช่แค่มีหลายมิติ แต่เป็นหนึ่งในโดเมนที่มีหลายมิติที่สุดเท่าที่มนุษย์เคยพยายามสร้างแบบจำลอง

ทุกฟาร์มเป็นกรณี ngoại lệของตัวเอง

ไม่มี วัวทรงกลม ในการเกษตรจริงๆ ทุกๆ การดำเนินงานมีการผสมผสานระหว่างการเข้าถึงเทคโนโลยี ปรัชญาการทำงาน ข้อจำกัดด้านเงินทุน และความอดทนในการเสี่ยง โมเดลที่ฝึกอบรมบนฟาร์มขนาดใหญ่ในมิดเวสต์จะล้มเหลวอย่างน่าประทับใจเมื่อนำไปใช้กับฟาร์มขนาดเล็กที่มีความหลากหลายในแปซิฟิกตะวันตกเฉียงเหนือ ไม่มีอะไรที่สามารถสรุปได้อย่างสะอาด และการสร้างสำหรับทุกกรณี ngoại lệจะผลักดันความซับซ้อนไปสู่พื้นที่ที่ไม่สามารถทำงานได้

ข้อมูลมากขึ้นไม่ใช่คำตอบ — ข้อมูลที่ดีกว่าคือคำตอบ

สัญชาตญาณของซิลิคอนวัลเลย์สำหรับปัญหาที่ยากที่สุดคือการโยนคอมพิวเตอร์และข้อมูลมากขึ้นเข้าไป ในการเกษตร สัญชาติญาณนั้นได้ผลลัพธ์ที่น่าประทับใจ: ฟาร์มโดยเฉลี่ยในปัจจุบันสร้างข้อมูลประมาณ 500,000 จุดข้อมูลต่อวัน ดาวเทียมถ่ายภาพทุกๆ พื้นที่ในโลก เซ็นเซอร์บันทึกอุณหภูมิ ความชื้น และความชื้นในดินในรายละเอียดที่ละเอียด

และยัง: ชุมชน AI เกษตรกรรมยอมรับว่ามีข้อบกพร่องด้านคุณภาพข้อมูล ปัญหาไม่ใช่ปริมาณ มันคือความเกี่ยวข้อง ทั้งข้อมูลเซ็นเซอร์ ทั้งภาพดาวเทียม ทั้งรายงานการตรวจสอบดิน — ทั้งหมดนี้บันทึกสิ่งที่เกิดขึ้น รอบๆ พืช ไม่มีอะไรที่บันทึกสิ่งที่เกิดขึ้น ภายใน พืช

พิจารณาแอนะล็อกของวิศวกรการแข่งขันรถยนต์ Formula 1 ที่พยายามเพิ่มประสิทธิภาพเวลาในการวิ่งโดยใช้เฉพาะข้อมูลการ跟踪 GPS ความเร็ว ตำแหน่ง และเส้นทางจะให้บางสิ่งที่สามารถทำงานได้ แต่หากไม่มีการวัดเครื่องยนต์ อุณหภูมิยาง และการไหลของเชื้อเพลิง โมเดลของคุณจะเดาเกี่ยวกับเหตุผลเสมอ ข้อมูลการเกษตรภายนอกเหมือนกัน มันบอกคุณว่าสภาพแวดล้อมเป็นอย่างไร แต่ไม่สามารถบอกคุณได้ว่าพืชมีปฏิกิริยาต่อสิ่งแวดล้อมเหล่านั้นอย่างไร

สิ่งนี้อธิบายถึงความล้มเหลวที่มองเห็นได้ของ AI ในการเกษตร Gro Intelligence ได้ระดมทุนมากกว่า 120 ล้านดอลลาร์ในการสร้างคลังข้อมูลสภาพอากาศการเกษตรที่ใหญ่ที่สุดในโลก และสุดท้ายก็ปิดกิจการ ข้อมูลภายนอกมากขึ้น ไม่ว่าจะมีความแม่นยำเพียงใด ก็ไม่สามารถแก้ปัญหาเบื้องหลังได้: เรากำลังวัดสิ่งที่ไม่ถูกต้อง

อะไรคือความหมายที่แท้จริงของการฟังพืช

เทคโนโลยีชีวภาพใหม่ๆ ทำให้สามารถรับข้อมูลโดยตรงจากภายในพืชที่เรากำลังปลูกได้แล้ว แนวคิดหลักคือการออกแบบพืชเพื่อส่งสัญญาณสถานะทางชีววิทยาภายในของตัวเอง — สื่อสารความเครียด การติดเชื้อ หรือความต้องการทรัพยากรผ่านการแสดงผลที่วัดได้แทนที่จะใช้การอนุมานจากตัวแทนภายนอก

เมื่อต้นปีนี้ วิธีการหนึ่งได้ผลลัพธ์ที่เป็นประวัติศาสตร์ — พืชถั่วเหลืองที่มีการส่งสัญญาณแบบฟลูออเรสเซนต์ เปิดเผยการติดเชื้อราในเวลาจริง ก่อนที่จะมีอาการที่มองเห็นได้บนพืช ใน 10,000 ปีของการเกษตร เกษตรกรไม่เคยสามารถตรวจจับโรคได้ในขั้นตอนนั้น การตอบสนองของภูมิคุ้มกันของพืชเองกระตุ้นสัญญาณนั้น พืชเองจึงให้ข้อมูล

สิ่งนี้มีความสำคัญต่อผลลัพธ์ในการทำฟาร์มในทางปฏิบัติ การตรวจจับโรคได้เร็วขึ้นช่วยให้สามารถแทรกแซงได้เร็วขึ้น ลดความสูญเสียและปุ๋ยเคมี แต่สิ่งนี้ก็มีความสำคัญต่อ AI ในการเกษตร เพราะ มันแสดงถึงชั้นข้อมูลใหม่ๆ

แทนที่จะพยายามอนุมานชีววิทยาของพืชจากสภาพแวดล้อมภายนอก — ซึ่งเป็นงานที่มีเสียงรบกวน มีหลายมิติ และมีปัจจัยที่ทำให้เข้าใจผิด — ระบบ AI สามารถฝึกอบรมได้จากการวัดโดยตรงของสรีรวิทยาของพืช มิติของปัญหาเล็กลง วงจรป้อนกลับเข้าใกล้ปัญหา และปัญหากรณี ngoại lệไม่หายไป แต่กลายเป็นปัญหาที่สามารถจัดการได้เมื่อคุณทำงานกับสัญญาณที่พืชเองส่งออกมา

พาราได้มใหม่ของข้อมูลสำหรับยุคใหม่ของ AI เกษตรกรรม

การเปรียบเทียบกับการพัฒนายานพาหนะอัตโนมัติเป็นเรื่องที่ให้ข้อมูล บริษัทอย่าง Waymo ไม่ได้ประสบความสำเร็จโดยการฝึกโมเดลของตนบนข้อมูลถนนสาธารณะที่มีอยู่เพียงอย่างเดียว พวกเขาได้สร้างเซ็นเซอร์แบบเฉพาะและสร้างชุดข้อมูลขนาดใหญ่ คุณภาพสูง และข้อมูลชุดแรกที่จับข้อมูลที่โมเดลของพวกเขาต้องการเพื่อเรียนรู้ ยุทธศาสตร์ข้อมูลมีความสำคัญเท่ากับโครงสร้างของโมเดล

AI เกษตรกรรมต้องการการคิดใหม่เช่นเดียวกัน เส้นทางไปข้างหน้าไม่ใช่การนำโมเดลที่ดีกว่ามาใช้กับชุดข้อมูลการเกษตรที่มีอยู่ แต่ชุดข้อมูลเหล่านั้นมีข้อจำกัดเนื่องจากสังเกตเห็นเพียงสภาพแวดล้อมของพืชเท่านั้น ไม่ใช่ตัวพืชเอง เส้นทางไปข้างหน้าคือการสร้างประเภทข้อมูลใหม่ ที่มีพื้นฐานมาจากชีววิทยาของพืชจริงๆ และสร้างระบบ AI ที่ออกแบบมาเพื่อเรียนรู้จากมัน

ข้อมูลประเภทนั้น — การวัดทางชีววิทยาที่ต่อเนื่องตลอดฤดูจากพืชทั่วพื้นที่เกษตรกรรม — ยังไม่มีอยู่ในระดับที่ต้องการ แต่เทคโนโลยีที่จะสร้างข้อมูลนั้นกำลังจะเกิดขึ้น เมื่อข้อมูลนั้นมาถึง มันจะทำให้สามารถสร้างโมเดล AI ที่สามารถช่วยเกษตรกรในการตัดสินใจที่ซับซ้อนได้ — ไม่ใช่โดยการบังคับให้เดาผ่านสภาพแวดล้อมที่มีเสียงรบกวน แต่โดยการทำความเข้าใจในสิ่งที่พืชต้องการในเวลาจริง

ช่องว่างด้านคุณภาพข้อมูลในภาคเกษตรกรรมได้ถูกอภิปรายมาเป็นปีแล้ว สิ่งที่เปลี่ยนไปคือเรามีคำตอบที่น่าเชื่อถือแล้ว และเริ่มต้นจากพืชเอง

เส้นทางที่แท้จริงสู่การปฏิวัติเขียวครั้งถัดไป

การให้อาหารผู้คน 8 พันล้านคนอย่างยั่งยืน — โดยมีอีก 2 พันล้านคนคาดว่าจะมีในปี 2050 — ในขณะเดียวกันก็จัดการกับการรบกวนของสภาพอากาศ ต้นทุนการผลิต และการขาดแคลนน้ำ คือหนึ่งในความท้าทายที่สำคัญที่สุดของศตวรรษนี้ AI เกษตรกรรมมีศักยภาพที่จะช่วยในทุกส่วนของความท้าทายนั้น แต่เฉพาะถ้าสร้างขึ้นจากข้อมูลที่สะท้อนถึงสิ่งที่เกิดขึ้นภายในพืชที่เราพยายามปลูก

เป็นเวลามากกว่าหนึ่งทศวรรษที่อุตสาหกรรมพยายามแก้ปัญหานี้โดยการสะสมข้อมูลภายนอกมากขึ้นและโยนคอมพิวเตอร์มากขึ้นเข้าไป ปฏิบัติการนี้ได้ผลลัพธ์ที่ดีขึ้นเล็กน้อย แต่ไม่ได้นำไปสู่การเปลี่ยนแปลงที่ ภาคเกษตรกรรมต้องการ มันจะไม่เกิดขึ้น — เพราะ ปัญหาเบื้องหลังของข้อมูลยังคงไม่ได้รับการแก้ไข

การปฏิวัติเขียวครั้งถัดไปจะไม่ได้รับการปลูกฝังโดยโครงสร้างโมเดลที่มีแนวโน้มหรือเริ่มต้นธุรกิจที่มีเงินทุนดีกว่าและมีการประมวลผลภาพดาวเทียมที่ดีกว่า มันจะเริ่มต้นเมื่อระบบ AI สามารถฟังเสียงที่พืชพยายามบอกได้