编者按：本文来自网易科技，编译：小小；36氪经授权发布。

据福布斯杂志报道，当“绿色革命之父”诺曼·博洛格(Norman Borlaug)1970年获得诺贝尔奖时，诺贝尔奖委员会当时表示：“这个年龄段的人比任何其他年龄段的人都要多，他已经帮助这个饥饿的世界提供面包。”博洛格帮助引入抗病高产的作物品种和先进的农业技术，并成为游戏规则的改变者，促使农业产量大幅增加，帮助数百万人免于饥饿。

在博洛格获得诺贝尔奖后半个世纪，我们生活在产量稳定增长的世界，而耕地总量却在持续减少。气候模式的变化和水资源的可用性正在改变某些农业地区的生产力。与此同时，世界人口继续增长，预计到2050年将至少达到90亿人，其中大部分增长集中在发展中国家。

在这些国家，快速的经济扩张使人们对卡路里和蛋白质的需求不断增加。随着人口增长和对粮食需求的增长，我们正接近所谓的“马尔萨斯末日（Malthusian doomsday）”。在这种假设中，人口增长速度超过了粮食供应的增长，从而导致大规模饥荒。预防这种末日场景很可能是21世纪最重要的挑战之一。

消费增加推动了对农业生产增长的需求。全球各地的种植者都在应对这样的挑战，但他们必须以一种不会对地球资源造成无法弥补伤害的方式来应对这一挑战。为了平衡增加生产和节约资源的目标，研究人员和企业家正在研究如何在现有的碳足迹上发展可持续性增强型农业。就像博洛格那样，这些研究人员和企业家们可以借助植物遗传学、化学、农学以及机械等工具。然而，今天他们还有全新的工具可用，即人工智能(AI)技术。

农业迅速实现数字化

尽管在数字化行业调查中排名接近垫底，但农业正迅速实现数字化。高速变量种植设备的采用正提供准确的种植信息，产量监测设备提供了关于收获颗粒的各类信息。这类基础数据(投入与产出)是构建预测算法的关键。

农民们正在使用传感器和取样技术收集土壤水分和养分水平的数据。有各种各样的农业信息管理系统，使操作和财务数据获取变得更容易。现在的农民可以使用软件工具来辅助实地考察，从移动应用到无人机，这些工具收集的数据可以用来评估作物的健康状况，并监测不同季节的病虫害情况。

随着这种转变，农业数据变得更加丰富和实用。这些数据的可用性正在为开发和部署农业AI铺平了道路。今天AI的应用主要是由科技行业推动的，从增强信息安全到移动广告植入，再到无人驾驶汽车。

五年前，谷歌资助的研究人员在AI领域取得了突破性进展，他们的神经网络软件学会了识别猫和人的形状，准确率达到70%。今天，在一年一度的ImageNet Challenge上，许多团队已经展示了超过人类的图像识别能力，分类错误率还不到3%。谷歌和IEEE计算协会正在举办名为iNaturalist Competition的竞赛，希望训练AI算法识别5000多种不同种类的植物和动物。

这些算法的力量也延伸到语言解释方面。利用AI技术，微软的语音识别系统现在的出错率仅为5.1%，与专业人员的识别率相当。他们的系统准确性每年都有很大幅度的提高。

美国知名私募股权投资数据库及数据分析服务提供商Pitchbook的数据显示，在过去10年里，超过170亿美元资金投资于美国的AI创业企业身上。自2012年以来，已经有200多起与AI相关的收购。这些收购活动主要由谷歌、Facebook、微软以及亚马逊等科技巨头主导，因为它们希望能获得更多的能力，帮助改变交通、医疗、零售以及制造业等行业。农业会成为下个被改变的目标吗？

农业AI技术迅猛发展

虽然AI已经成为技术社区的重要支柱，但许多大公司、设备制造商以及服务提供商还没有大力发展农业领域的AI应用。这种犹豫的部分原因可能是缺乏对AI技术进步和潜在应用不够熟悉所致，这篇文章希望能部分地弥补这一缺陷。此外，AI算法在农业领域的发展也具有挑战性。AI应用需要大量数据来对算法进行恰当的训练。而在农业中，虽然有大量的空间数据，但大部分数据只能在每年的生长季节使用一次。

因此，可能需要数年时间才能收集到关于某个给定字段或农场具有统计意义的数据。通常，这个领域收集的数据需要大量的预处理(清理)，然后才能被放心地用于训练AI算法。

今天，与数据连接相关的挑战仍然存在。《华尔街日报》最近撰文指出，在农场里，手机接收信号不够稳定或根本不存在，因此很难将数据转移到可以分析的地方。缺乏数据使用和所有权的标准和透明度，以及收集和共享数据的困难，都导致农业领域的AI算法开发人员仍然无法找到合适的数据。幸运的是，像Climate Corporation公司的FieldView Drive、John Deere的JD Link以及Farmobile的PUC这样的产品，旨在使设备数据的收集和传输变得更容易和无缝。

新兴农业技术(AgTech)公司开发AI算法也可能加剧这个问题。许多初创公司正在构建决策自动化工具，而在数据收集、准备和基准测试能力等方面仍然存在很大差距。在历史上，农场始终缺乏信息技术基础设施和数据仓库系统，而硅谷科技公司一直依赖这些技术来开发和部署AI应用。在大规模农业AI部署成功之前，农场中的数据基础设施需要变得更加强大。

此外，有些新兴公司倾向于避免使用经过科学验证的、统计控制的实地试验来量化其产品的收益。相反，这些公司采用了“精益方法”，迅速在少量客户中进行推广，此举遵循了创办科技初创企业的策略。虽然精益方法在软件方面很有效，但在农业领域，种植者不会冒险在整个农场采用全新技术，为此其可能行不通。

在推出产品之前，主要的农业公司需要通过多年的实地测验来确保产品的性能和明显的效益。即使进行了这样的测试，许多种植者还是希望看到新产品在自己的土地上采用之前，能够有上佳的表现。因此，普遍的“快速进入市场”和“快速扩张”心态可能不合适，而是需要采用更加渐进的产品发布策略。

最终的挑战是对AI人才的竞争非常激烈。在科技初创企业社区中，人们普遍抱怨，在与软件、互联网和无人驾驶汽车行业的雇主进行竞争的情况下，很难找到合适的AI人才。此外，即使招募到这些人之后，留住他们也是不小的挑战。一家MGV投资公司的机器学习专家最近被科技巨头招募，年薪超过700万美元。

农业AI技术的前景

尽管农业领域AI技术面临诸多挑战，但我们有理由相信，AI在农业领域的成功和大规模推广将会成为现实。以下就是有望部分改变农业的AI技术。

Abundant Robotics：这是从斯坦福研究所剥离出来的初创企业，它已经开发出自主采摘取水果的技术。Abundant Robotics利用机器视觉技术来探测棚架上生长的水果位置，然后利用真空系统将其从树枝上拉下来。这家公司已经获得谷歌旗下风投机构Google Ventures的扶持。

图2：Abundant Robotics公司的自动摘果机

Resson：孟山都成长创投公司(Monsanto Growth Ventures)扶持的初创企业，在加拿大和美国圣何塞都有办事处。Resson已经开发出一种图像识别算法，与训练有素的人类相比，它能够更准确地检测和分类植物害虫与疾病。Resson与麦凯恩食品公司（McCain Foods）合作，以帮助减少土豆生产供应链的损失。

AgVoice：总部位于佐治亚州的创业公司，AgVoice正在为作物观察专家和农学家开发自然语言处理工具包。这套系统可以解释导致大豆突然死亡的真菌疾病，并提示观察的位置和严重程度。

除此之外，诸如Orbital Insights、Descartes Labs、Gro Intelligence以及Tellus Labs等创业公司也正在基于卫星图像、天气信息和历史产量数据等开发产量预测算法。Tellus Labs声称，它们的数据比美国农业部的报告更准确，而且可提前美国农业部1个月给出预测数据。

图3：这位作物观察专家正利用AgVoice的系统捕捉现场记录

有些人批评AI对农业环境的要求过于严苛，因为其变量因素太多。在某种程度上，这是正确的，但是随着计算能力的进步，AI算法可以快速地接受额外的数据。Slantrange就是这样的公司，它的总部位于旧金山，正在开发机器视觉系统来测量作物的数量，并检测杂草。该公司的植物计数算法最初是为中西部种植区开发的，它在南非的试验中表现不太好，因为该地区的种植密度较低，土壤反射性更强。

然而一夜之间，Slantrange团队又用新的数据重新训练了他们的算法。他们的升级版软件在南非部署了仅仅两天，就报告了其发现的问题。Slantrange最近宣布与Bayer Crop Science合作，以帮助植物育种。

也许，在农业中成功使用AI的最佳例子是孟山都成长创投公司扶持的Blue River Technologies(BRT)。BRT是一家总部位于美国加州的公司，由斯坦福大学的两名研究生于2011年成立。其中乔治·赫劳德（Jorge Heraud）是已经取得许多成就的农业高管，而李·赖登（Lee Reden）则拥有深厚的AI和计算机视觉技术背景。

最初，BRT专注于将机器人用于减少莴苣密度，这个过程此前主要通过手工完成。现在，这家拥有60名员工的公司正在应用他们的See and Spray系统，来消除棉花田中的杂草。他们已经表明，通过高度精确和有针对性的喷雾应用，他们可以减少90%的除草剂用量。这种See and Spray技术利用AI来分析高分辨率图像，并检测出杂草的存在和位置。

图4：BRT的See and Spray技术可以检测并除去棉花田中的杂草。

不仅仅是为了精确农业

AI技术在农业领域的应用固然很重要，但利用AI去发现和开发新的、更高效的农业投入同样重要。然而，直到最近，AI系统还没有对化学和生物系统的数据进行分析。因此，在植物育种、生物技术、农业化学发现以及供应链方面，利用AI的机会都是巨大的。

事实上，与田间精确农业相比，AI在育种、化肥以及作物保护产品中的擦用可能更为迅速。这主要有两个原因。第一，在过去十年里，农业投入方面的开发人员对收集和存储数据非常谨慎。这些数据包括大豆品种的序列信息，以及合成化合物的结构活性关系和环境生物降解能力等。第二，提高效率或加速农业研发努力财务成本可能相当高。

根据2016年Philips McDougall的分析，将一种新的作物保护产品推向市场需要11年的发现和发展时间，分析16万份化合物，每个产品商业化支出超过2.8亿美元。在新农化产品的开发中，整个行业每年的花费超过26亿美元。而AI的采用可以提高这一过程的效率。

例如，致力于利用AI开发难以治愈疾病新疗法的初创企业Monsanto正与Atomwise展开独特的研究合作，以提高发现新作物保护产品的速度和可能性。这种合作利用基于AI的模式识别，减少在早期化学发现过程中测试时出现的错误数量。

对于AI在作物生物技术方面的应用，Monsanto正在与Second Genome进行合作。后者总部位于旧金山，已经获得风险投资公司的扶持，该公司基于人类微生物组的分析，从中找到开发新药的线索。为了加速新一代昆虫控制解决方案的新蛋白质的发现，Monsanto开放了其广泛的基因组数据库，并通过大数据的宏基因组学、机器学习和预测分析功能，利用了Second Genome对微生物的专业分析能力。

AI的优点也适用于植物育种。在将玉米杂交品种投入市场之前，Monsanto对其进行了多年的评估，从发现到商业化，这个过程可能需要8年时间。玉米育种通常被比作“草堆中捞针”，这是个拥有32000个基因的大草堆，代表了几代繁殖者面临的搜索难题。从历史上来看，一个育种项目每年可以从成千上万可用选项中选出大约500种组合进行试验。这种选择受到与管理现场测试程序相关的后勤和成本的限制。

为了减少这些限制，Monsanto的AI研究人员开发了一种算法，能够评估育种决策，并预测哪一个杂交品种将在试验的第一年表现出最佳的性能。这个算法正被过去15年的分子标记和现场试验信息进行训练。

Monsanto全球育种主管迈克·格雷厄姆（Mike Graham）表示，这种算法可以优化育种过程，使育种者能够更快地把他们最好的想法投入到大规模的实地试验中。这一算法不仅加快了育种过程，而且与传统方法相比，还使Monsanto能够将其玉米育种管道规模提高了5倍。育种者可以利用AI工具完成更多的工作。

与此类似，Syngenta最近宣布与“AI for Good”基金会合作，将以AI为基础的工具用于育种，并提高现有作物生产方法的效率。Syngenta为AI研究人员提供包括种子遗传信息、土壤、天气以及气候数据在内的数据集，其目标是开发出一种算法，来确定在特定地区种植哪种作物品种。

总部位于圣路易斯的初创企业Benson Hill Biosystems也在将AI技术应用于植物育种和生物领域。他们利用自己独有的CropOS平台，寻找候选基因来提高作物的光合作用。CropOS利用不同来源的数据，如DNA和RNA序列信息、现场试验观察和成像分析等，来预测获得特定表型反应所需的基因表达模式。每当获得新的数据集，CropOS平台就能重新校准、学习并提高其预测能力。

在学术方面，卡耐基梅隆大学的研究人员正在展开名为“FarmView”的新项目，利用AI工具将植物表型数据与基因和环境数据相结合，以帮助育种者和遗传学家更好地理解遗传学、环境和作物性能之间的关系。

AI对农民的影响

在过去60年里，美国农民数量(占总人口1%)急剧减少。剩余的农民将继续在育种、农作物保护、自动化以及提高农业生产率等方面使用更先进的技术。

无论是从近期到中期乃至从长远来看，农业领域的AI将需要农民的积极参与才能取得成功。农民和他们的顾问现在非常适合从这些新兴技术中获益。AI将成为非常强大的工具，它可以帮助组织应对现代农业中日益增长的复杂性。

农民不仅从AI直接应用于农场中受益，而且还将在应用AI改善育种、作物保护以及培育产品中受益。