據福布斯雜誌報道，當“綠色革命之父”諾曼·博洛格(Norman Borlaug)1970年獲得諾貝爾獎時，諾貝爾獎委員會當時表示：“這個年齡段的人比任何其他年齡段的人都要多，他已經幫助這個飢餓的世界提供麵包。”博洛格幫助引入抗病高產的作物品種和先進的農業技術，併成為遊戲規則的改變者，促使農業產量大幅增加，幫助數百萬人免於飢餓。
在博洛格獲得諾貝爾獎後半個世紀，我們生活在產量穩定增長的世界，而耕地總量卻在持續減少。氣候模式的變化和水資源的可用性正在改變某些農業地區的生產力。與此同時，世界人口繼續增長，預計到2050年將至少達到90億人，其中大部分增長集中在發展中國家。在這些國家，快速的經濟擴張使人們對卡路里和蛋白質的需求不斷增加。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（Malthusian doomsday）”。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。
消費增加推動了對農業生產增長的需求。全球各地的種植者都在應對這樣的挑戰，但他們必須以一種不會對地球資源造成無法彌補傷害的方式來應對這一挑戰。為了平衡增加生產和節約資源的目標，研究人員和企業家正在研究如何在現有的碳足跡上發展可持續性增強型農業。就像博洛格那樣，這些研究人員和企業家們可以藉助植物遺傳學、化學、農學以及機械等工具。然而，今天他們還有全新的工具可用，即人工智能(AI)技術。
農業迅速實現數字化
儘管在數字化行業調查中排名接近墊底，但農業正迅速實現數字化。高速變量種植設備的採用正提供準確的種植信息，產量監測設備提供了關於收穫顆粒的各類信息。這類基礎數據(投入與產出)是構建預測算法的關鍵。農民們正在使用傳感器和取樣技術收集土壤水分和養分水平的數據。有各種各樣的農業信息管理系統，使操作和財務數據獲取變得更容易。現在的農民可以使用軟件工具來輔助實地考察，從移動應用到無人機，這些工具收集的數據可以用來評估作物的健康狀況，並監測不同季節的病蟲害情況。
隨著這種轉變，農業數據變得更加豐富和實用。這些數據的可用性正在為開發和部署農業AI鋪平了道路。今天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。五年前，谷歌資助的研究人員在AI領域取得了突破性進展，他們的神經網絡軟件學會了識別貓和人的形狀，準確率達到70%。今天，在一年一度的ImageNet Challenge上，許多團隊已經展示了超過人類的圖像識別能力，分類錯誤率還不到3%。谷歌和IEEE計算協會正在舉辦名為iNaturalist Competition的競賽，希望訓練AI算法識別5000多種不同種類的植物和動物。
這些算法的力量也延伸到語言解釋方面。利用AI技術，微軟的語音識別系統現在的出錯率僅為5.1%，與專業人員的識別率相當。他們的系統準確性每年都有很大幅度的提高。美國知名私募股權投資數據庫及數據分析服務提供商Pitchbook的數據顯示，在過去10年裡，超過170億美元資金投資於美國的AI創業企業身上。自2012年以來，已經有200多起與AI相關的收購。這些收購活動主要由谷歌、Facebook、微軟以及亞馬遜等科技巨頭主導，因為它們希望能獲得更多的能力，幫助改變交通、醫療、零售以及製造業等行業。農業會成為下個被改變的目標嗎？
農業AI技術迅猛發展
雖然AI已經成為技術社區的重要支柱，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，這篇文章希望能部分地彌補這一缺陷。此外，AI算法在農業領域的發展也具有挑戰性。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。通常，這個領域收集的數據需要大量的預處理(清理)，然後才能被放心地用於訓練AI算法。
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。幸運的是，像Climate Corporation公司的FieldView Drive、John Deere的JD Link以及Farmobile的PUC這樣的產品，旨在使設備數據的收集和傳輸變得更容易和無縫。
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。一家MGV投資公司的機器學習專家最近被科技巨頭招募，年薪超過700萬美元。
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。這家公司已經獲得谷歌旗下風投機構Google Ventures的扶持。
圖2：Abundant Robotics公司的自動摘果機
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。Resson與麥凱恩食品公司（McCain Foods）合作，以幫助減少土豆生產供應鏈的損失。
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。
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。
圖3：這位作物觀察專家正利用AgVoice的系統捕捉現場記錄
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。Slantrange就是這樣的公司，它的總部位於舊金山，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。然而一夜之間，Slantrange團隊又用新的數據重新訓練了他們的算法。他們的升級版軟件在南非部署了僅僅兩天，就報告了其發現的問題。Slantrange最近宣佈與Bayer Crop Science合作，以幫助植物育種。
也許，在農業中成功使用AI的最佳例子是孟山都成長創投公司扶持的Blue River Technologies(BRT)。BRT是一家總部位於美國加州的公司，由斯坦福大學的兩名研究生於2011年成立。其中喬治·赫勞德（Jorge Heraud）是已經取得許多成就的農業高管，而李·賴登（Lee Reden）則擁有深厚的AI和計算機視覺技術背景。最初，BRT專注於將機器人用於減少萵苣密度，這個過程此前主要通過手工完成。現在，這家擁有60名員工的公司正在應用他們的See and Spray系統，來消除棉花田中的雜草。他們已經表明，通過高度精確和有針對性的噴霧應用，他們可以減少90%的除草劑用量。這種See and Spray技術利用AI來分析高分辨率圖像，並檢測出雜草的存在和位置。
圖4：BRT的See and Spray技術可以檢測併除去棉花田中的雜草。
不僅僅是為了精確農業
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。例如，致力於利用AI開發難以治癒疾病新療法的初創企業Monsanto正與Atomwise展開獨特的研究合作，以提高發現新作物保護產品的速度和可能性。這種合作利用基於AI的模式識別，減少在早期化學發現過程中測試時出現的錯誤數量。
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。後者總部位於舊金山，已經獲得風險投資公司的扶持，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之前，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。從歷史上來看，一個育種項目每年可以從成千上萬可用選項中選出大約500種組合進行試驗。這種選擇受到與管理現場測試程序相關的後勤和成本的限制。
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。Monsanto全球育種主管邁克·格雷厄姆（Mike Graham）表示，這種算法可以優化育種過程，使育種者能夠更快地把他們最好的想法投入到大規模的實地試驗中。這一算法不僅加快了育種過程，而且與傳統方法相比，還使Monsanto能夠將其玉米育種管道規模提高了5倍。育種者可以利用AI工具完成更多的工作。
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。
總部位於聖路易斯的初創企業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。
在學術方面，卡耐基梅隆大學的研究人員正在展開名為“FarmView”的新項目，利用AI工具將植物表型數據與基因和環境數據相結合，以幫助育種者和遺傳學家更好地理解遺傳學、環境和作物性能之間的關係。
