隨著人口增長和對糧食需求的增長，我們正接近所謂的“馬爾薩斯末日”。在這種假設中，人口增長速度超過了糧食供應的增長，從而導致大規模饑荒。預防這種末日場景很可能是21世紀最重要的挑戰之一。如今，研究人員和企業家正嘗試用人工智能(AI)技術，來發展可持續性增強型農業。
當前AI的應用主要是由科技行業推動的，從增強信息安全到移動廣告植入，再到無人駕駛汽車。但許多大公司、設備製造商以及服務提供商還沒有大力發展農業領域的AI應用。這種猶豫的部分原因可能是缺乏對AI技術進步和潛在應用不夠熟悉所致。
一、農業AI技術存在的困境
在農業領域，AI算法的發展也存在眾多挑戰。
AI應用需要大量數據來對算法進行恰當的訓練。而在農業中，雖然有大量的空間數據，但大部分數據只能在每年的生長季節使用一次。因此，可能需要數年時間才能收集到關於某個給定字段或農場具有統計意義的數據。
今天，與數據連接相關的挑戰仍然存在。
《華爾街日報》最近撰文指出，在農場裡，手機接收信號不夠穩定或根本不存在，因此很難將數據轉移到可以分析的地方。缺乏數據使用和所有權的標準和透明度，以及收集和共享數據的困難，都導致農業領域的AI算法開發人員仍然無法找到合適的數據。
新興農業技術(AgTech)公司開發AI算法也可能加劇這個問題。許多初創公司正在構建決策自動化工具，而在數據收集、準備和基準測試能力等方面仍然存在很大差距。在歷史上，農場始終缺乏信息技術基礎設施和數據倉庫系統，而硅谷科技公司一直依賴這些技術來開發和部署AI應用。在大規模農業AI部署成功之前，農場中的數據基礎設施需要變得更加強大。
此外，有些新興公司傾向於避免使用經過科學驗證的、統計控制的實地試驗來量化其產品的收益。相反，這些公司採用了“精益方法”，迅速在少量客戶中進行推廣，此舉遵循了創辦科技初創企業的策略。雖然精益方法在軟件方面很有效，但在農業領域，種植者不會冒險在整個農場採用全新技術，為此其可能行不通。
在推出產品之前，主要的農業公司需要通過多年的實地測驗來確保產品的性能和明顯的效益。即使進行了這樣的測試，許多種植者還是希望看到新產品在自己的土地上採用之前，能夠有上佳的表現。因此，普遍的“快速進入市場”和“快速擴張”心態可能不合適，而是需要採用更加漸進的產品發佈策略。
最終的挑戰是對AI人才的競爭非常激烈。在科技初創企業社區中，人們普遍抱怨，在與軟件、互聯網和無人駕駛汽車行業的僱主進行競爭的情況下，很難找到合適的AI人才。此外，即使招募到這些人之後，留住他們也是不小的挑戰。
二、農業AI技術的前景
儘管農業領域AI技術面臨諸多挑戰，但我們有理由相信，AI在農業領域的成功和大規模推廣將會成為現實。以下就是有望部分改變農業的AI技術。
Abundant Robotics：這是從斯坦福研究所剝離出來的初創企業，它已經開發出自主採摘取水果的技術。Abundant Robotics利用機器視覺技術來探測棚架上生長的水果位置，然後利用真空系統將其從樹枝上拉下來。
Resson：孟山都成長創投公司(Monsanto Growth Ventures)扶持的初創企業，在加拿大和美國聖何塞都有辦事處。Resson已經開發出一種圖像識別算法，與訓練有素的人類相比，它能夠更準確地檢測和分類植物害蟲與疾病。
AgVoice：總部位於佐治亞州的創業公司，AgVoice正在為作物觀察專家和農學家開發自然語言處理工具包。這套系統可以解釋導致大豆突然死亡的真菌疾病，並提示觀察的位置和嚴重程度。
Prospera：來自以色列的AI創業公司Prospera在7月份完成了B輪1500萬美元融資，該公司的主要業務是用計算機視覺和人工智能來幫助農民分析收集來的農業數據。
Prospera 的設備安裝在溫室和田間，目前已經包括：太陽能電池板，攝像機還有溫度、溼度和光線傳感器。近距離攝像機和雲服務用來收集分析農民需要的信息，Prospera 利用機器學習來記錄實時數據，通過早期的分析可以幫助農民預測產量，並通過其他方式彌補預期損失。
Prospera 的設備可以看到植物生長情況，植物的顏色、花朵、果實，蜜蜂的密度和質量如何，葉子上是否有病害。該公司表示，農民通過這項系統，可以比衛星和無人機的圖像，更準確地瞭解作物的生長情況。
除此之外，諸如Orbital Insights、Descartes Labs、Gro Intelligence以及Tellus Labs等創業公司也正在基於衛星圖像、天氣信息和歷史產量數據等開發產量預測算法。Tellus Labs聲稱，它們的數據比美國農業部的報告更準確，而且可提前美國農業部1個月給出預測數據。
有些人批評AI對農業環境的要求過於嚴苛，因為其變量因素太多。在某種程度上，這是正確的，但是隨著計算能力的進步，AI算法可以快速地接受額外的數據。如今，Slantrange正在開發機器視覺系統來測量作物的數量，並檢測雜草。該公司的植物計數算法最初是為中西部種植區開發的，它在南非的試驗中表現不太好，因為該地區的種植密度較低，土壤反射性更強。
三、AI，不僅是為了精準農業
AI技術在農業領域的應用固然很重要，但利用AI去發現和開發新的、更高效的農業投入同樣重要。然而，直到最近，AI系統還沒有對化學和生物系統的數據進行分析。因此，在植物育種、生物技術、農業化學發現以及供應鏈方面，利用AI的機會都是巨大的。
事實上，與田間精確農業相比，AI在育種、化肥以及作物保護產品中的擦用可能更為迅速。這主要有兩個原因。
第一，在過去十年裡，農業投入方面的開發人員對收集和存儲數據非常謹慎。這些數據包括大豆品種的序列信息，以及合成化合物的結構活性關係和環境生物降解能力等。
第二，提高效率或加速農業研發努力財務成本可能相當高。
根據2016年Philips McDougall的分析，將一種新的作物保護產品推向市場需要11年的發現和發展時間，分析16萬份化合物，每個產品商業化支出超過2.8億美元。在新農化產品的開發中，整個行業每年的花費超過26億美元。而AI的採用可以提高這一過程的效率。
對於AI在作物生物技術方面的應用，Monsanto正在與Second Genome進行合作。該公司基於人類微生物組的分析，從中找到開發新藥的線索。為了加速新一代昆蟲控制解決方案的新蛋白質的發現，Monsanto開放了其廣泛的基因組數據庫，並通過大數據的宏基因組學、機器學習和預測分析功能，利用了Second Genome對微生物的專業分析能力。
AI的優點也適用於植物育種。 在將玉米雜交品種投入市場前，Monsanto對其進行了多年的評估，從發現到商業化，這個過程可能需要8年時間。玉米育種通常被比作“草堆中撈針”，這是個擁有32000個基因的大草堆，代表了幾代繁殖者面臨的搜索難題。
為了減少這些限制，Monsanto的AI研究人員開發了一種算法，能夠評估育種決策，並預測哪一個雜交品種將在試驗的第一年表現出最佳的性能。這個算法正被過去15年的分子標記和現場試驗信息進行訓練。
與此類似，Syngenta最近宣佈與“AI for Good”基金會合作，將以AI為基礎的工具用於育種，並提高現有作物生產方法的效率。Syngenta為AI研究人員提供包括種子遺傳信息、土壤、天氣以及氣候數據在內的數據集，其目標是開發出一種算法，來確定在特定地區種植哪種作物品種。
初創企業Benson Hill Biosystems也在將AI技術應用於植物育種和生物領域。他們利用自己獨有的CropOS平臺，尋找候選基因來提高作物的光合作用。CropOS利用不同來源的數據，如DNA和RNA序列信息、現場試驗觀察和成像分析等，來預測獲得特定表型反應所需的基因表達模式。每當獲得新的數據集，CropOS平臺就能重新校準、學習並提高其預測能力。
無論是從近期到中期乃至從長遠來看，農業領域的AI將需要農民的積極參與才能取得成功。
AI無疑是非常強大的工具，農民不僅從AI直接應用於農場中受益，而且還將在應用AI改善育種、作物保護以及培育產品中受益。
來源 | 中國智慧農業網
版權說明：版權歸原作者所有，本文僅供交流和學習，如有版權問題請及時聯繫。
閱讀更多 興農大數據 的文章
