Lãnh đạo tư tưởng

Vì sao vấn đề dữ liệu nông nghiệp là vấn đề của AI — và cây trồng có thể giúp gì?

Dr. Christopher Seifert Chip Franzén, Software Engineer at InnerPlant
Thêm Unite.AI vào các nguồn ưu tiên của bạn trên Google
Điểm chínhAI nông nghiệp thất bại vì dựa vào dữ liệu môi trường bên ngoài thay vì tín hiệu sinh…
Xem thêm
  • AI nông nghiệp thất bại vì dựa vào dữ liệu môi trường bên ngoài thay vì tín hiệu sinh học trực tiếp từ cây trồng.
  • Cây trồng được biến đổi để phát tín hiệu về trạng thái bên trong như bệnh tật cung cấp cho AI một lớp dữ liệu sinh học có thể hành động mới.
  • Việc Climate Corporation được mua lại với giá 1,1 tỷ USD là minh chứng cho một thập kỷ cường điệu hóa về các chiến lược dữ liệu bên ngoài đầy sai sót.

Cứ vài năm, ngành công nghệ nông nghiệp lại có một giải pháp mới được tung hô như phương thuốc vạn năng. Năm 2013, câu chuyện được nhắc đến là dữ liệu lớn sẽ thay đổi cách quản lý trang trại — thương vụ Monsanto mua The Climate Corporation với giá 1,1 tỷ USD được kỳ vọng mở ra kỷ nguyên nông nghiệp dự báo. Vài năm sau, nhà kính ứng dụng AI được kỳ vọng mang lại cuộc Cách mạng Xanh thứ hai. Tiếp đó là lời hứa về thu hoạch bằng robot, rồi chuyên gia nông học ảo dựa trên AI tạo sinh, và giờ là AI tác nhân được cho là sẽ tự quyết định thay nông dân trên toàn thế giới.

Mô thức này hẳn đã quen thuộc: mỗi làn sóng cường điệu lại tiếp nối làn sóng trước, nhưng đầu tư mạo hiểm vào AgTech vẫn gây thất vọng, còn kết quả mang tính chuyển đổi vẫn khó đạt được. Vì sao? Không phải do kỹ sư thiếu tài năng hay nền tảng khoa học của AI sai sót. Vấn đề nằm sâu hơn, ở chính dữ liệu mà các hệ thống AI nông nghiệp phụ thuộc.

Nếu không suy nghĩ lại từ gốc về loại dữ liệu cần thu thập và cách thu thập, cuộc cách mạng AI nông nghiệp sẽ mãi là lời hứa thay vì trở thành hiện thực ngay hôm nay.

Ba lý do AI nông nghiệp liên tục thất bại

Nông nghiệp là một trong những môi trường khắc nghiệt nhất có thể hình dung đối với việc phát triển AI. Các thách thức không phải vấn đề kỹ thuật nhỏ nhặt mà mang tính cấu trúc. Những yếu tố sau khiến các cách làm AI thông thường khó phát huy hiệu quả trong lĩnh vực này:

Vòng phản hồi vận hành theo nhịp sinh học, không phải phần mềm

Các hệ thống AI hiện đại được thiết kế để cải tiến qua những vòng lặp nhanh. Một mô hình phần mềm có thể được huấn luyện lại trong vài giờ; thử nghiệm thuốc mất nhiều năm. Nông nghiệp gần với trường hợp thứ hai hơn. Một phần đổi mới của Norman Borlaug trong thập niên 1970, được ghi nhận bằng giải Nobel, là rút ngắn chu kỳ chọn tạo giống cây trồng để thực hiện được hai chu kỳ mỗi năm thay vì một. Ngày nay, các công ty hạt giống tiên tiến nhất đạt ba chu kỳ mỗi năm, vẫn cực kỳ chậm theo chuẩn AI. Khi dữ liệu thực tế dùng làm chuẩn chỉ có được lúc thu hoạch, tiến trình cải thiện mô hình kéo dài nhiều năm chứ không phải các đợt phát triển ngắn.

Sự phức tạp của nông nghiệp phá vỡ các giả định thông thường của AI

Hãy đặt câu hỏi tưởng chừng đơn giản: thửa ruộng này nên được bón bao nhiêu nitơ? Số biến sẽ tăng nhanh: thành phần đất, lịch sử luân canh, lịch sử tác nhân gây bệnh, vi khí hậu, lịch sử chăn nuôi kéo dài nhiều thập niên, khả năng giữ nước, cách làm đất và hàng chục yếu tố khác tương tác với nhau. Nghiên cứu về giới hạn suy luận của AI cho thấy độ chính xác của mô hình sụp đổ trong môi trường có số chiều cao. Nông nghiệp không chỉ có nhiều chiều, mà còn là một trong những lĩnh vực có số chiều cao nhất con người từng cố gắng mô hình hóa.

Mỗi trang trại là một trường hợp đặc thù riêng

Trong nông nghiệp thực tế không có con bò hình cầu. Mỗi trang trại có sự kết hợp riêng về khả năng tiếp cận công nghệ, quan điểm sử dụng lao động, hạn chế vốn và mức chấp nhận rủi ro. Mô hình huấn luyện trên những trang trại lớn trồng cây theo hàng ở miền Trung Tây Hoa Kỳ sẽ thất bại thảm hại khi áp dụng cho trang trại nhỏ có sản xuất đa dạng ở vùng Tây Bắc giáp Thái Bình Dương. Không có gì khái quát hóa được trơn tru; xây dựng giải pháp cho mọi trường hợp đặc thù lại đẩy số chiều lên mức càng khó triển khai thực tế.

Câu trả lời là dữ liệu tốt hơn, không phải nhiều hơn

Phản xạ của Thung lũng Silicon trước phần lớn bài toán khó là bổ sung năng lực tính toán và dữ liệu. Trong nông nghiệp, cách làm đó tạo ra những con số đáng kinh ngạc: ước tính một trang trại trung bình hiện tạo ra 500.000 điểm dữ liệu mỗi ngày. Vệ tinh chụp ảnh mọi cánh đồng trên Trái Đất. Cảm biến ghi lại nhiệt độ, độ ẩm không khí và độ ẩm đất với mức chi tiết cao.

Dù vậy, cộng đồng AI nông nghiệp thừa nhận rộng rãi tình trạng thiếu dữ liệu chất lượng cao. Vấn đề không nằm ở số lượng mà ở mức độ phù hợp. Tất cả dữ liệu cảm biến, ảnh vệ tinh và báo cáo phân tích đất đều ghi nhận những gì diễn ra xung quanh cây trồng. Không nguồn nào ghi nhận những gì diễn ra bên trong cây trồng.

Hãy hình dung kỹ sư đua xe Công thức 1 cố tối ưu thời gian mỗi vòng chỉ bằng dữ liệu theo dõi GPS. Tốc độ, vị trí và đường chạy cho họ điểm khởi đầu, nhưng thiếu dữ liệu đo từ xa của động cơ, cảm biến nhiệt độ lốp và dữ liệu lưu lượng nhiên liệu, mô hình sẽ luôn phải phỏng đoán quan hệ nhân quả. Dữ liệu nông nghiệp bên ngoài cũng vậy. Nó cho biết điều kiện môi trường nhưng không thể cho biết cây trồng thực sự phản ứng với những điều kiện ấy như thế nào.

Điều này giải thích một số thất bại AI nổi bật nhất trong nông nghiệp. Gro Intelligence huy động hơn 120 triệu USD để xây dựng kho dữ liệu khí hậu nông nghiệp lớn nhất thế giới, rồi cuối cùng đóng cửa. Dữ liệu bên ngoài nhiều hơn, dù được thu thập chính xác đến đâu, cũng không giải quyết được vấn đề cốt lõi: chúng ta đang đo sai đối tượng.

Lắng nghe cây trồng thực sự có nghĩa là gì?

Các công nghệ sinh học mới lần đầu tiên đang cho phép lấy dữ liệu trực tiếp từ bên trong cây trồng. Ý tưởng cốt lõi là biến đổi cây để chúng tự phát tín hiệu về trạng thái sinh học bên trong, truyền đạt tình trạng stress, nhiễm bệnh hoặc nhu cầu tài nguyên qua tín hiệu đo được, thay vì phải suy luận từ chỉ báo thay thế bên ngoài.

Đầu năm nay, một trong những phương pháp này đạt kết quả lịch sử: một cây đậu nành được biến đổi để phát tín hiệu huỳnh quang bộc lộ tình trạng nhiễm nấm theo thời gian thực trước khi xuất hiện bất kỳ triệu chứng nhìn thấy nào. Trong 10.000 năm lịch sử nông nghiệp, nông dân chưa từng có thể phát hiện bệnh ở giai đoạn đó. Chính phản ứng miễn dịch của cây đã kích hoạt tín hiệu. Cây tự cung cấp dữ liệu.

Điều này quan trọng đối với kết quả canh tác thực tế. Phát hiện bệnh sớm hơn cho phép can thiệp sớm hơn, giảm thiệt hại và lượng vật tư hóa học sử dụng. Nhưng nó cũng quan trọng không kém với AI nông nghiệp vì đại diện cho một loại dữ liệu mới về căn bản.

Suy luận sinh học cây trồng từ điều kiện bên ngoài vốn là nhiệm vụ nhiều nhiễu, có số chiều cao và dễ bị ảnh hưởng bởi các yếu tố gây nhiễu. Thay vào đó, giờ đây hệ thống AI có thể được huấn luyện bằng phép đo trực tiếp sinh lý cây trồng. Vấn đề số chiều giảm mạnh, vòng phản hồi ngắn lại. Vấn đề các trường hợp đặc thù không biến mất nhưng dễ xử lý hơn khi làm việc với tín hiệu do cây tự phát ra thay vì biến thay thế trong môi trường xung quanh.

Một khuôn khổ dữ liệu mới cho kỷ nguyên AI nông nghiệp mới

So sánh với quá trình phát triển xe tự hành đem lại bài học hữu ích. Các công ty như Waymo không thành công nhờ chỉ cố huấn luyện mô hình bằng dữ liệu đường sá công khai sẵn có. Họ xây dựng hệ thống cảm biến riêng và tự thu thập những tập dữ liệu khổng lồ, chất lượng cao, ghi nhận chính xác điều mô hình cần học. Chiến lược dữ liệu quan trọng ngang kiến trúc mô hình.

AI nông nghiệp cũng cần cách suy nghĩ lại như vậy. Hướng đi không phải áp dụng mô hình tốt hơn lên các tập dữ liệu nông nghiệp hiện có. Những tập dữ liệu này có giới hạn căn bản: chúng chỉ quan sát môi trường của cây chứ không phải bản thân cây. Hướng đi là tạo một loại dữ liệu mới dựa trên sinh học thực tế của cây, rồi xây dựng hệ thống AI được thiết kế để học từ đó.

Loại dữ liệu này — dữ liệu đo từ xa về sinh học, liên tục suốt mùa vụ, từ cây trồng ở những vùng nông nghiệp trọng điểm — chưa tồn tại trên quy mô lớn. Nhưng công nghệ tạo ra nó đang thành hiện thực. Khi có dữ liệu, chúng ta có thể tạo ra những mô hình AI thực sự giúp nông dân đưa ra quyết định phức tạp: không phải dùng sức tính toán để xử lý biển biến số bên ngoài đầy nhiễu, mà hiểu gần như theo thời gian thực cây thực sự cần gì.

Khoảng cách về chất lượng dữ liệu trong nông nghiệp đã được bàn luận nhiều năm. Điều thay đổi là giờ đây chúng ta có câu trả lời đáng tin cậy, 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, cùng 2 tỷ người nữa dự kiến tăng thêm vào năm 2050, đồng thời ứng phó biến động khí hậu, chi phí đầu vào và khan hiếm nước là một trong những thách thức định hình thế kỷ này. AI nông nghiệp có tiềm năng hỗ trợ mọi khía cạnh của thách thức, nhưng chỉ khi dựa trên dữ liệu phản ánh đúng những gì xảy ra bên trong cây mà chúng ta cố gắng trồng.

Hơn một thập niên qua, ngành đã cố giải quyết vấn đề bằng cách tích lũy thêm dữ liệu bên ngoài và bổ sung năng lực tính toán. Cách làm đó đem lại cải thiện từng bước nhưng chưa tạo ra đột phá ngành cần. Nó sẽ không làm được, bởi vấn đề dữ liệu căn bản vẫn chưa được giải quyết.

Cuộc Cách mạng Xanh tiếp theo sẽ không nảy mầm từ một kiến trúc mô hình đầy hứa hẹn khác hay một công ty khởi nghiệp dồi dào vốn khác có quy trình xử lý ảnh vệ tinh tốt hơn. Nó sẽ bắt đầu khi hệ thống AI cuối cùng nghe được cây trồng đang muốn nói gì.

Tiến sĩ Christopher Seifert là Người đứng đầu Sản phẩm Phần mềm tại InnerPlant, nơi ông lãnh đạo các hệ thống dữ liệu và học máy của công ty. Ông đã gia nhập InnerPlant sau khi xây dựng các sản phẩm và nền tảng trên gần như mọi lớp của chồng dữ liệu nông nghiệp, với kinh nghiệm bao gồm cảm biến từ xa bằng vệ tinh, phân tích địa không gian, phần mềm quản lý trang trại và cơ sở hạ tầng dữ liệu giống và nông nghiệp. Kinh nghiệm của ông bao gồm các vai trò lãnh đạo tại Granular và Corteva Agriscience, công việc trước đây tại Google và The Climate Corporation, và kinh nghiệm nghiên cứu tại NASA và Chương trình An ninh Lương thực và Môi trường của Stanford. Ông cũng là người đồng sáng lập và từng là CEO của AcreValue, một nền tảng định giá đất nông nghiệp được Granular mua lại. Sự đa dạng này mang lại cho ông cái nhìn rõ ràng về nơi trí tuệ nhân tạo nông nghiệp đã hoạt động, nơi nó đã gặp khó khăn trong việc tạo ra kết quả trên thực địa và những gì cần thiết để chạy các hệ thống đáng tin cậy, đạt tiêu chuẩn vận hành thực tế trong nông nghiệp. Ông nắm giữ bằng Tiến sĩ về Khoa học Hệ thống Trái đất cũng như bằng Thạc sĩ và Cử nhân về Hệ thống Trái đất từ Đại học Stanford.

Chip Franzén là kỹ sư phần mềm tại InnerPlant, nơi anh thiết kế và xây dựng các quy trình xử lý dữ liệu và học máy cho ứng dụng cảm biến nông nghiệp, tập trung vào IoT, thị giác máy tính và viễn thám. Trước đó, anh có nhiều năm áp dụng học máy vào nông nghiệp tại các công ty như Granular và Indigo, làm việc về định giá đất, xác định lớp phủ đất bằng thị giác máy tính, quy trình dữ liệu không gian và MLOps cho các mô hình nông học cùng API suy luận dựa trên viễn thám. Tại InnerPlant, anh vận dụng kinh nghiệm full-stack để chuyển các tín hiệu sinh học và địa không gian phức tạp thành đầu ra đáng tin cậy, sẵn sàng vận hành thực tế, giúp các nhóm sử dụng trong quy trình làm việc hằng ngày. Anh có bằng BA của Đại học Duke và bằng M.Sc. về Khoa học Dữ liệu của Galvanize.