Tại sao vấn đề dữ liệu nông nghiệp là vấn đề của trí tuệ nhân tạo — Và những gì thực vật có thể làm về nó

Mỗi vài năm, lĩnh vực công nghệ nông nghiệp lại có một viên đạn bạc mới. Vào năm 2013, câu chuyện là dữ liệu lớn biến đổi quản lý trang trại — việc Monsanto mua lại The Climate Corporation với giá 1,1 tỷ đô la được cho là sẽ mở ra một kỷ nguyên mới của nông nghiệp dự đoán. Một vài năm sau đó, nhà kính được hỗ trợ bởi trí tuệ nhân tạo sẽ mang lại một cuộc cách mạng xanh thứ hai. Sau đó đến lời hứa về thu hoạch robot, sau đó là các chuyên gia nông nghiệp trí tuệ nhân tạo và bây giờ là trí tuệ nhân tạo tự động sẽ đưa ra quyết định tự động thay mặt cho các nông dân trên toàn thế giới.

Mẫu này nên quen thuộc: mỗi làn sóng cường điệu được xây dựng trên làn sóng trước, nhưng đầu tư mạo hiểm AgTech tiếp tục thất vọng, và kết quả chuyển đổi vẫn còn khó nắm bắt. Tại sao? Không phải vì các kỹ sư không có tài năng, hoặc vì khoa học trí tuệ nhân tạo cơ bản bị lỗi. Vấn đề sâu xa hơn đến chính dữ liệu mà các hệ thống trí tuệ nhân tạo nông nghiệp phụ thuộc vào.

Cho đến khi chúng ta suy nghĩ lại về dữ liệu chúng ta thu thập và cách chúng ta thu thập nó, cuộc cách mạng trí tuệ nhân tạo nông nghiệp sẽ vẫn là một lời hứa vĩnh cửu chứ không phải hiện thực.

Ba lý do trí tuệ nhân tạo nông nghiệp liên tục thất bại

Nông nghiệp là một trong những môi trường khó khăn nhất có thể tưởng tượng được cho việc phát triển trí tuệ nhân tạo. Những thách thức không phải là những vấn đề kỹ thuật nhỏ — chúng là cấu trúc. Dưới đây là những gì làm cho lĩnh vực này kháng lại cuốn sách thông thường của trí tuệ nhân tạo:

Chu kỳ phản hồi di chuyển ở tốc độ sinh học, không phải tốc độ phần mềm.

Các hệ thống trí tuệ nhân tạo hiện đại được thiết kế xung quanh sự lặp lại nhanh chóng. Một mô hình phần mềm có thể được đào tạo lại trong vài giờ; một thử nghiệm thuốc có thể mất nhiều năm. Nông nghiệp nằm gần với cái sau. Phát minh được công nhận bằng Nobel của Norman Borlaug vào những năm 1970 một phần là về việc nén các chu kỳ sinh sản cây trồng từ một lần xuống hai lần mỗi năm. Ngày nay, các công ty giống cây trồng tiên tiến nhất quản lý được ba chu kỳ mỗi năm; vẫn còn rất chậm so với tiêu chuẩn của trí tuệ nhân tạo. Khi sự thật của bạn đến với vụ thu hoạch, thời gian cải tiến mô hình kéo dài hàng năm, không phải là các cuộc chạy nước rút.

Sự phức tạp của nông nghiệp phá vỡ các giả định thông thường của trí tuệ nhân tạo

Hãy hỏi một câu hỏi dường như đơn giản — cây trồng này nên nhận được bao nhiêu nitơ? — và các biến số sẽ tăng lên nhanh chóng: thành phần đất, lịch sử luân canh cây trồng trước đó, lịch sử bệnh, vi khí hậu, lịch sử chăn nuôi kéo dài hàng chục năm, khả năng giữ nước, thực hành cày xới, và hàng chục yếu tố tương tác khác. Nghiên cứu về hạn chế suy luận của trí tuệ nhân tạo cho thấy rằng độ chính xác của mô hình sẽ sụp đổ trong các môi trường có chiều cao. Nông nghiệp không chỉ có chiều cao; nó là một trong những lĩnh vực có chiều cao nhất mà con người đã từng cố gắng mô hình hóa.

Mỗi trang trại là một trường hợp ngoại lệ riêng.

Không có con bò hình cầu trong nông nghiệp thực tế. Mỗi hoạt động có sự kết hợp riêng của quyền truy cập công nghệ, triết lý lao động, hạn chế vốn và khả năng chấp nhận rủi ro. Một mô hình được đào tạo trên các hoạt động trồng trọt hàng loạt lớn ở Midwest sẽ thất bại một cách ngoạn mục khi được áp dụng cho một trang trại đa dạng nhỏ ở Tây Bắc Thái Bình Dương. Không có gì khái quát hóa một cách sạch sẽ, và việc xây dựng cho mọi trường hợp ngoại lệ sẽ đẩy chiều cao vào lãnh thổ không thể làm việc được.

Nhiều dữ liệu hơn không phải là câu trả lời — Dữ liệu tốt hơn là

Sự trực giác của Thung lũng Silicon đối với hầu hết các vấn đề khó khăn là ném nhiều tính toán và nhiều dữ liệu hơn vào chúng. Trong nông nghiệp, sự trực giác đó đã tạo ra một số con số đáng kinh ngạc: trang trại trung bình hiện nay tạo ra khoảng 500.000 điểm dữ liệu mỗi ngày. Các vệ tinh hình ảnh mỗi cánh đồng trên trái đất. Các cảm biến ghi lại nhiệt độ, độ ẩm và độ ẩm của đất với chi tiết tinh vi.

Và yet, cộng đồng trí tuệ nhân tạo nông nghiệp rộng rãi công nhận một khoản thâm hụt dữ liệu chất lượng. Vấn đề không phải là khối lượng. Đó là sự liên quan. Tất cả dữ liệu cảm biến đó, tất cả hình ảnh vệ tinh đó, tất cả báo cáo thử nghiệm đất đó — chúng đều ghi lại những gì đang xảy ra xung quanh cây trồng. Không có gì trong số đó ghi lại những gì đang xảy ra bên trong cây trồng.

Hãy xem xét sự tương tự của một kỹ sư đua Công thức 1 cố gắng tối ưu hóa thời gian vòng đua bằng cách sử dụng chỉ dữ liệu theo dõi GPS. Tốc độ, vị trí và quỹ đạo cung cấp cho bạn một số thứ để làm việc, nhưng nếu không có telemetry động cơ, cảm biến nhiệt độ lốp và dữ liệu lưu lượng nhiên liệu, mô hình của bạn sẽ luôn đoán về nguyên nhân. Dữ liệu nông nghiệp bên ngoài chính xác giống như vậy. Nó cho bạn biết điều kiện tồn tại trong môi trường, nhưng nó không thể cho bạn biết cây trồng thực sự đang phản ứng với những điều kiện đó như thế nào.

Điều này giải thích một số thất bại AI nông nghiệp rõ ràng nhất. Gro Intelligence đã huy động được hơn 120 triệu đô la để xây dựng kho dữ liệu khí hậu nông nghiệp lớn nhất thế giới và cuối cùng đã đóng cửa. Dữ liệu bên ngoài nhiều hơn, tuy nhiên chính xác, không giải quyết được vấn đề cơ bản: chúng ta đang đo lường sai điều.

Thực sự có nghĩa là gì khi lắng nghe cây trồng

Các công nghệ sinh học mới hiện đang làm cho nó có thể, lần đầu tiên, để có được dữ liệu trực tiếp từ bên trong cây trồng mà chúng ta trồng. Ý tưởng cốt lõi là để thiết kế cây trồng tín hiệu trạng thái sinh học nội bộ của chúng — truyền đạt căng thẳng, nhiễm trùng hoặc nhu cầu tài nguyên thông qua đầu ra có thể đo lường được thay vì yêu cầu suy luận từ các proxy bên ngoài.

Trước đây trong năm, một trong những cách tiếp cận này đã tạo ra một kết quả thực sự lịch sử — một cây đậu nành có tín hiệu huỳnh quang được thiết kế phát hiện nhiễm trùng nấm ở thời gian thực trước khi bất kỳ triệu chứng nhìn thấy nào xuất hiện trên cây trồng. Trong 10.000 năm nông nghiệp, nông dân chưa bao giờ có thể phát hiện bệnh ở giai đoạn đó. Phản ứng miễn dịch của cây trồng tự kích hoạt tín hiệu. Cây trồng tự cung cấp dữ liệu.

Điều này quan trọng đối với kết quả nông nghiệp thực tế. Phát hiện bệnh sớm cho phép can thiệp sớm, giảm tổn thất và đầu vào hóa chất. Nhưng điều này cũng quan trọng đối với trí tuệ nhân tạo nông nghiệp, vì nó đại diện cho một lớp dữ liệu cơ bản mới.

Thay vì cố gắng suy luận sinh học cây trồng từ các điều kiện bên ngoài — một nhiệm vụ vốn có tiếng ồn, chiều cao và dễ bị các yếu tố混 hợp — các hệ thống trí tuệ nhân tạo có thể được đào tạo trên các phép đo trực tiếp về sinh lý cây trồng. Vấn đề chiều cao giảm đáng kể. Vòng phản hồi thu hẹp. Vấn đề trường hợp ngoại lệ không biến mất, nhưng nó trở nên dễ xử lý hơn khi bạn làm việc với các tín hiệu mà cây trồng tự phát ra thay vì các biến số proxy trong môi trường xung quanh.

Một mô hình dữ liệu mới cho một kỷ nguyên mới của trí tuệ nhân tạo nông nghiệp

Sự so sánh với sự phát triển của xe tự hành là hữu ích. Các công ty như Waymo không thành công bằng cách cố gắng đào tạo mô hình của họ trên dữ liệu đường công cộng hiện có alone. Họ xây dựng các mảng cảm biến độc quyền và tạo ra các tập dữ liệu lớn, chất lượng cao, đầu tiên của họ, những tập dữ liệu đó chính xác là những gì mô hình của họ cần để học. Chiến lược dữ liệu là quan trọng như kiến trúc mô hình.

Trí tuệ nhân tạo nông nghiệp cần một sự suy nghĩ lại tương tự. Con đường phía trước không phải là các mô hình tốt hơn được áp dụng cho các tập dữ liệu nông nghiệp hiện có. Những tập dữ liệu đó bị giới hạn cơ bản bởi thực tế là chúng chỉ quan sát môi trường cây trồng, không phải cây trồng itself. Con đường phía trước là tạo ra một loại dữ liệu mới, dựa trên sinh học cây trồng thực tế, và xây dựng các hệ thống trí tuệ nhân tạo được thiết kế để học hỏi từ nó.

Loại dữ liệu đó — telemetry sinh học liên tục, kéo dài cả mùa, từ cây trồng trên khắp trung tâm nông nghiệp — không tồn tại ở quy mô lớn. Nhưng các công nghệ để tạo ra nó đang trở thành hiện thực. Khi dữ liệu đó đến, nó sẽ làm cho các mô hình trí tuệ nhân tạo có thể thực sự giúp nông dân điều hướng các quyết định phức tạp: không phải bằng cách ép buộc thông qua một biển ồn ào của các biến số bên ngoài, mà bằng cách hiểu, gần như theo thời gian thực, những gì cây trồng thực sự cần.

Khoảng cách chất lượng dữ liệu trong nông nghiệp đã được thảo luận trong nhiều năm. Điều gì đã thay đổi là bây giờ chúng ta có một câu trả lời có thể tin cậy cho nó, và nó bắt đầu từ chính cây trồng.

Con đường thực sự đến cuộc cách mạng xanh tiếp theo

Nuôi sống 8 tỷ người một cách bền vững — với thêm 2 tỷ người dự kiến vào năm 2050 — trong khi quản lý gián đoạn khí hậu, chi phí đầu vào và khan hiếm nước là một trong những thách thức xác định của thế kỷ này. Trí tuệ nhân tạo nông nghiệp có tiềm năng giúp đỡ mọi phần của thách thức đó. Nhưng chỉ khi nó được xây dựng trên dữ liệu thực sự phản ánh những gì đang xảy ra bên trong cây trồng mà chúng ta đang cố gắng trồng.

Trong hơn một thập kỷ, ngành công nghiệp đã cố gắng giải quyết vấn đề đó bằng cách tích lũy nhiều dữ liệu bên ngoài hơn và ném nhiều tính toán hơn vào nó. Cách tiếp cận đó đã tạo ra những chiến thắng tăng dần, nhưng nó không mang lại đột phá mà lĩnh vực này cần. Nó sẽ không — vì vấn đề dữ liệu cơ bản vẫn chưa được giải quyết.

CUộc cách mạng xanh tiếp theo sẽ không được gieo bởi một kiến trúc mô hình hứa hẹn khác hoặc một công ty khởi nghiệp được tài trợ tốt hơn với một đường ống hình ảnh vệ tinh tốt hơn. Nó sẽ bắt đầu khi các hệ thống trí tuệ nhân tạo cuối cùng có thể nghe thấy những gì cây trồng đang cố gắng nói.