思想领袖
为什么农业的数据问题也是AI问题——植物能为解决它做什么

要点农业人工智能失败的原因在于其依赖外部环境数据,而非直接的植物生物信号。
查看更多
- 农业人工智能失败的原因在于其依赖外部环境数据,而非直接的植物生物信号。
- 经过工程改造、能发出如病害等内部状态信号的植物,为人工智能提供了一类新的、可操作的生物数据。
- 气候公司(The Climate Corporation)以11亿美元被收购的案例,体现了过去十年间围绕有缺陷的外部数据策略的过度炒作。
每隔几年,农业科技领域就会出现一种被奉为万能药的新方案。2013年,流行的说法是大数据将改变农场管理——孟山都以11亿美元收购The Climate Corporation,本应开启预测型农业的新纪元。几年后,人工智能驱动的温室又被寄予带来第二次绿色革命的厚望。接着是机器人收割、基于生成式AI的农学专家,如今则是据称会代表全球农民自主决策的智能体式AI。
这种模式应该很熟悉:每一轮炒作都建立在上一轮之上,但农业科技风险投资仍不断令人失望,变革性成果依然难以实现。为什么?不是因为工程师缺乏才华,也不是因为AI所依赖的科学有缺陷。问题更深,出在农业AI系统赖以运作的数据本身。
如果不从根本上重新思考收集什么数据、如何收集,农业AI革命就只会是永远的承诺,而不是当下的现实。
农业AI不断失败的三个原因
农业是开发AI所能想象到的最不利环境之一。挑战不是微不足道的工程问题,而是结构性的。以下因素解释了为什么常规AI方法在这个领域如此难以奏效:
反馈循环遵循生物的节奏,而不是软件的节奏
现代AI系统围绕快速迭代而设计。软件模型可以在几小时内重新训练,药物试验却需要多年。农业更接近后者。诺曼·博劳格在20世纪70年代获诺贝尔奖认可的创新,部分在于缩短作物育种周期,使每年一轮变为两轮。如今最先进的种子公司每年能完成三轮,但以AI标准来看仍慢得惊人。当用于核对预测的真实结果要等到收获时才能得到,模型改进的时间尺度就是数年,而不是短暂的开发冲刺。
农业的复杂性打破了AI的常规假设
提出一个看似简单的问题:这块地应该施多少氮?变量便迅速增加:土壤成分、以往轮作情况、病原体历史、微气候、延续数十年的畜牧历史、保水能力、耕作方式,以及几十种相互影响的因素。关于AI推理能力局限的研究表明,模型准确率会在高维环境中崩溃。农业不仅是高维的,更是人类迄今尝试建模的维度最高的领域之一。
每个农场都是独特的边缘案例
现实农业中并不存在球形牛。每个农场在技术获取、劳动理念、资本约束和风险承受能力上都有独特组合。用美国中西部大规模种植行栽作物的农场训练的模型,应用到太平洋西北地区的小型多样化农场时,会遭遇惨败。没有什么能毫无障碍地泛化,而为每个边缘案例设计方案,又会把维度推向更难以实际处理的程度。
答案不是更多数据,而是更好的数据
面对大多数难题,硅谷的本能是投入更多算力和数据。在农业领域,这种本能带来了惊人的数字:据估计,如今平均每个农场每天产生50万个数据点。卫星拍摄地球上每一块农田,传感器详细记录温度、空气湿度和土壤湿度。
然而,农业AI界普遍承认缺乏高质量数据。问题不是数量,而是相关性。所有传感器数据、卫星图像和土壤检测报告,捕捉到的都是植物周围发生的事情。它们没有任何一种能捕捉植物内部发生的事情。
想象一位F1赛车工程师只用GPS追踪数据来优化圈速。速度、位置和行驶轨迹提供了工作基础,但如果没有发动机遥测、轮胎温度传感器和燃油流量数据,模型就只能不断猜测因果关系。外部农业数据也是如此。它告诉我们环境存在哪些条件,却无法告诉我们作物究竟如何响应这些条件。
这解释了农业领域一些最显著的AI失败案例。Gro Intelligence筹集了超过1.2亿美元,用于构建全球最大的农业气候数据存储库,但最终关门。外部数据再多、采集再精确,也无法解决根本问题:我们测错了对象。
倾听植物,究竟意味着什么
新的生物技术如今首次让我们能够直接从所种植作物的内部获取数据。核心理念是改造作物,使其通过可测量的输出信号,表达自身内部的生物状态,传达胁迫、感染或资源需求,而不必从外部替代指标进行推断。
今年早些时候,其中一种方法取得了历史性成果:一株经改造、能够发出荧光信号的大豆,实时揭示了真菌感染,当时植物还没有出现任何肉眼可见的症状。在一万年的农业历史中,农民从未能在这个阶段检测到病害。触发信号的是植物自身的免疫反应。提供数据的,是植物本身。
这关系到实际农业成效。更早发现病害,就能更早干预,减少损失和化学投入。对农业AI来说,这同样重要,因为它代表了一类根本不同的新数据。
从外部条件推断植物生物学,本质上是一项噪声多、维度高且易受混杂因素影响的任务。如今,AI系统可以转而用植物生理状态的直接测量数据进行训练。维度问题大幅缩小,反馈循环缩短。边缘案例问题没有消失,但使用植物本身发出的信号,而不是周边环境的代理变量,会让问题更容易处理。
面向农业AI新纪元的新数据范式
与自动驾驶汽车开发的比较很有启发。像Waymo这样的公司,并不是靠仅用既有公开道路数据训练模型而取得成功的。它们搭建专有传感器阵列,生成大量高质量、自行采集的数据集,精准记录模型需要学习的内容。数据战略与模型架构同样重要。
农业AI也需要类似的重新思考。前进方向不是把更好的模型套在现有农业数据集上。这些数据集存在根本局限:它们只观察作物环境,不观察作物本身。前进方向是生成以真实植物生物学为基础的新数据类别,再构建专门从中学习的AI系统。
这种数据——来自主要农业地带作物、贯穿整个生长季的连续生物遥测——目前尚未大规模形成。但生成这些数据的技术正在成为现实。数据到来后,将使真正帮助农民处理复杂决策的AI模型成为可能:不是靠蛮力计算处理噪声密布的外部变量之海,而是近乎实时地理解作物本身需要什么。
农业的数据质量缺口多年来一直受到讨论。变化在于,我们现在有了可信的答案,而答案始于植物本身。
通向下一次绿色革命的真正道路
可持续地养活80亿人,以及预计到2050年增加的20亿人,同时应对气候扰动、投入成本和缺水,是本世纪的标志性挑战之一。农业AI有潜力帮助解决其中每个环节,但前提是建立在真正反映所种作物内部状况的数据之上。
十多年来,行业一直试图通过积累更多外部数据、投入更多算力来解决这个问题。这种方法带来了渐进的改进,却没有带来行业所需的突破。它也不会带来这样的突破,因为根本的数据问题仍未解决。
下一次绿色革命不会由另一种有前景的模型架构,或另一家拥有更佳卫星图像处理流程、资金充足的初创企业开启。它将始于AI系统终于听懂作物想说什么的时候。













