人工智能（AI）時代已經(jīng)降臨。2016年，打敗世界圍棋冠軍的AlphaGo讓AI技術(shù)“聲名大噪”，過去一兩年，AI在公共安全、教育、醫(yī)療、服務等行業(yè)掀起迅猛發(fā)展的浪潮。

現(xiàn)代農(nóng)業(yè)也正在被數(shù)據(jù)科學所改變。在部分國家和地區(qū)，AI與農(nóng)業(yè)的“相擁”，數(shù)據(jù)和工具的應用，正讓農(nóng)業(yè)變得精準、高效和“智慧”。

農(nóng)業(yè)AI技術(shù)迅猛發(fā)展

農(nóng)田是一個充滿變量的動態(tài)系統(tǒng)，氣候、土壤、水分、養(yǎng)分、種子等每一個方面都產(chǎn)生著海量而豐富的數(shù)據(jù)。

農(nóng)民是這些豐富數(shù)據(jù)的收集者，不過，僅僅將孤立單個的數(shù)據(jù)集中起來還遠遠不夠。將這些數(shù)據(jù)收集并進行綜合數(shù)據(jù)分析，才能提高數(shù)據(jù)的質(zhì)量，發(fā)掘數(shù)據(jù)的價值，從而真正找到農(nóng)田問題的解決之道。

隨著AI技術(shù)的發(fā)展，機器學習依靠算法分析數(shù)據(jù)，并從中學習，作出決策，為現(xiàn)代農(nóng)業(yè)提供了更高精度的方案。

比如，硅谷AI公司Atomwise是一家具有代表性的利用人工智能技術(shù)協(xié)助發(fā)現(xiàn)新型藥物和農(nóng)業(yè)化學品的企業(yè)。類似于人工智能學習中識別圖像，該公司開創(chuàng)性的AtomNet技術(shù)通過識別分子間相互作用模式進行自我深度學習，并利用深度學習預測對病蟲害控制可能具有正效應的分子，簡化了產(chǎn)品研發(fā)初始階段分子的發(fā)現(xiàn)過程。2017年6月，孟山都公司與Atomwise公司達成研究合作協(xié)議，借助人工智能技術(shù)開發(fā)作物保護新產(chǎn)品，推進新產(chǎn)品研發(fā)，成為農(nóng)業(yè)領(lǐng)域中首家與Atomwise合作的公司。

AI+農(nóng)業(yè)所帶來的無限想象空間，讓世界科技巨頭、新興科技企業(yè)和農(nóng)業(yè)公司等不約而同加大投入、加強研發(fā)，因而，農(nóng)業(yè)AI技術(shù)在近年得到了迅猛發(fā)展。

AI在作物育種、保護中的應用

一直以來，作物育種家都在尋找特定的表型，幫助作物更高效地利用水、養(yǎng)分，適應氣候或抵御病害。要使一株植物遺傳一項有益表型，研究人員必須找到正確的基因序列。但究竟哪一段序列才是正確的基因序列呢？在開發(fā)新品種時，育種家總是面臨著數(shù)百萬計的選擇。

從原始數(shù)據(jù)的不同集合中推導出結(jié)論是深度學習的特長。在獲取充足信息后，機器學習能夠預測哪些基因最有可能參與植物的某種有益表型，面對數(shù)百萬計的排列組合數(shù)據(jù)，先進的軟件可極大地縮小搜索范圍。

由此，科學家們能夠用電腦模擬開展早期測試，以評估一個新品種在面臨不同的氣候環(huán)境、土壤類型、天氣模式和其他因素條件時會如何表現(xiàn)。有了機器學習的幫助，作物育種愈發(fā)精準與高效。

此外，AI為作物保護帶來的改變也是顯而易見的。當代農(nóng)業(yè)生產(chǎn)中，病害、蟲害和雜草問題導致的全球糧食產(chǎn)量損失高達40%。傳統(tǒng)的病害鑒定方法是通過視覺檢查完成的。這一方法的普遍問題是效率低，并且容易產(chǎn)生人為誤差。然而，對計算機來說，診斷植物病害本質(zhì)上就是模式識別。將成千上萬張患病植物照片進行歸類后，機器學習算法能夠確定病害類別、嚴重程度，并在未來有可能推薦給出解決方案，減少病害帶來的損失。

在作物育種和作物保護這兩大現(xiàn)代農(nóng)業(yè)的關(guān)鍵領(lǐng)域，AI技術(shù)正助力培育更高效的種子及提供更精準的植保方案，以更好地滿足增長中人口的糧食需要，高效利用自然資源。

播種前了解每一粒種子的生長潛力

在應用數(shù)據(jù)科學、人工智能和機器學習的方法上，一些國內(nèi)領(lǐng)軍的智慧農(nóng)業(yè)公司借助獨特的農(nóng)田數(shù)據(jù)，結(jié)合前沿科學及強大的數(shù)據(jù)分析技術(shù)，為農(nóng)民種植中的關(guān)鍵管理決策提供支持。

在作物育種方面，通過AI技術(shù)為農(nóng)民提供“播種處方建議”。借助行業(yè)領(lǐng)先的作物遺傳資源庫，他們應用預測建模和機器學習，將種子遺傳學、病害脅迫、土壤構(gòu)成、水分流動、歷史表現(xiàn)等海量來源數(shù)據(jù)進行匯總，幫助農(nóng)民選擇“理想”的種子產(chǎn)品——在理想的位置播種適合的種子，以優(yōu)化作物表現(xiàn)，并持續(xù)提高生產(chǎn)力。

換言之，農(nóng)民可以根據(jù)特定的遺傳種質(zhì)和不同的產(chǎn)量目標定制種子播種方案。據(jù)了解，巴西的高級播種處方研究已從產(chǎn)品概念階段進展到研發(fā)階段；歐洲進入產(chǎn)品概念階段；美國大豆的區(qū)域性種子篩選也已從產(chǎn)品概念階段進展到研發(fā)階段。

在作物保護方面，利用AI技術(shù)對玉米、大豆和小麥進行病害診斷。據(jù)了解，在個體植株水平上的脅迫分類，以及通過手機或平臺設(shè)備提供正確病害診斷結(jié)果方面，機器學習模型表現(xiàn)優(yōu)異。美國的玉米病害診斷已從研發(fā)階段進展到預商業(yè)化階段。

此外， 在肥力管理方面, 通過高級建模工具，幫助農(nóng)民優(yōu)化關(guān)鍵投入。我們在回顧2017年Beta版氮肥管理工具軟件的應用情況后可以發(fā)現(xiàn)，通過提高產(chǎn)量和節(jié)約氮肥，使用氮肥管理工具的用戶，每畝地的利潤可增收2美元多。

很早之前，就有公司使用預測分析學幫助決定哪些產(chǎn)品應該繼續(xù)往前推進，“我們努力在播種前了解每一粒種子的生長潛力”；與此同時，一些蔬菜研發(fā)團隊也在開發(fā)建模工具來預測番茄等蔬菜作物的風味表現(xiàn)；土壤微生物團隊在利用分析學，每年對土壤中成千上萬種微生物菌株進行評估。