研究表明，農業（即植物栽培與動物養殖）的歷史可以追溯到約1.2萬年前中東的新月沃地，對植物的管理和收獲也可能開始得更早。也正是這些技術的存在，使得人類能夠形成大型定居點，進而發展成定義人類現代生活的復雜城市中心。而這，還只是后世一系列農業革命的開端。

在接下來的幾個世紀里，農業的日益復雜化支撐起不斷增長的人口總量。第二次農業革命始于17世紀的英國，包括引入新型灌溉技術、肥料及農產品運輸方式。20世紀曾經甚囂塵上的人口崩潰論，被始于20世紀40年代的綠色革命（也稱第三次農業革命）所避免。隨著新型肥料與殺蟲劑的廣泛使用，農作物產量也迎來大幅增長。

如今第四次農業革命即將到來。包括物聯網（IoT）部署（即用于收集和傳輸數據的數字化設備）以及AI在內的技術進步，正將效率推向新的頂點，并有望再次從根本上改變人類宰治整個地球的具體方式。

將過往數百年的歷史數據收集起來，并將其與新設備收集的新信息結合起來，使得農民能夠全面改進自己的種植、灌溉、病蟲害管理及收獲策略，從而提高產量并降低對環境的負面影響。如今，全世界農民已經使用近1億臺聯網設備，而且隨著農業生產運營的數字化水平持續提升，這個數字也只會越來越高。

為此，我們調查了物聯網及AI技術在農業運營中的興起，并得到AI及計算機視覺數據注釋公司Sama的全球營銷副總裁Lisa Avvocato、大數據分析公司HEAVY.AI的產品副總裁Mike Flaxman以及提供用于監測植物健康的AI解決方案商Fermate創始人兼CEO Valeria Kogan的指引和評論。

滿足人口不斷增長提出的新需求

當今全球人口已超81億。預計未來30年，這一數字將再增加20億。

在氣候變化導致的干旱加劇、燃料成本上漲、環境法規愈發嚴格、單一作物盛行以及入侵性害蟲猛烈侵襲的新時代，世界人口爆發式增長所帶來的維持挑戰再次浮出水面。雖然全球人口出生率正在下降，但總人口的膨脹勢頭還在繼續，糧食供應問題的嚴峻程度只增不減。

盡管全球糧食產量截至目前仍與人口增長保持著同步，但發展中國家還是無法擺脫糧食短缺問題。據聯合國稱，到2022年，將有24億人面臨一定程度的糧食安全威脅。

過去十年間，糧食增長率甚至略有下降。據估計，為了養活未來幾十年的新增人口，糧食產量還需要再增加110%。

農民們開始越來越多地依賴數字技術來管理農作物并提高產量。僅靠綠色革命的創新，已經不足以滿足糧食需求的指數級增長。如今，美國超過50%的玉米、棉花、水稻、高粱、大豆和冬小麥種植戶（按面積計算）都在使用某種形式的數字輔助技術。而那些缺少數字輔助支持的農民如果想要參與市場競爭，也必須迅速擁抱這股新興潮流。換言之，精準農業似乎成為個人從業者乃至整個世界的唯一出路。

農業AI與物聯網的技術基礎

自20世紀70年代和80年代首次發表關于該主題的論文以來，AI在農業領域的應用一直在緩慢加速。而與其他AI應用一樣，農業AI從21世紀初起逐漸迎來騰飛。如今，對歷史和當代大數據的收集和分析，正在為幾乎所有可以想見的作物種植群體創造巨大的效率優勢。

運用各種各樣的技術手段，我們可以收集濕度、害蟲流行率、降雨量、土壤溫度及溫度等數據，可以從地理信息系統中提取廣泛的數據集，并有配備專門的紅/綠/藍（RGB）、光檢測與測距（LIDAR）、熱像儀、多光譜與高光譜相機的無人地面車（UGV）及無人駕駛飛行器（UAV）乃至固定無線傳感器以收集更多具體數據。由此獲得的數據結果，則可交由機器學習和深度學習程序進行分析。

Flaxman解釋稱，“如果沒有AI技術來組織這些數據，那么單憑人類的頭腦根本無法加以理解。數據總量高達TB級別，我們必須找到可行的方法過濾掉其中的無效部分。總而言之，我們既需要有能力監控常規情況，又需要能夠捕捉到異常指標。”

他同時補充稱，不同類型的數據間的相互作用，往往能夠大大提升分析結果的精確度。“現在我們終于能夠像多年以來的軍方那樣，牢牢把握住可能具有全局影響的跡象和線索。所謂跡象，就是在監控過程中發現的某些可疑的表現，代表我們值得投入更多資源來搞清楚究竟發生了什么。AI技術在把握跡象和線索方面表現得特別好，也就是先部署用于宏觀監控的技術，再引入一些具體的技術手段來弄清楚可疑跡象背后到底指向怎樣的底層問題。”

他還提到，AI技術已經發展到用戶可以用自然語言向軟件程序提出查詢，再以視覺表示的形式（例如描繪某些特征的圖譜）來獲取答案的程度。

另外，用于收集數據的某些技術同時也可以作為解決方案的組成部分——例如，配備視覺檢測技術的多種機器人技術（包括UGV和UAV）可以識別并清除雜草，并在目標區域噴灑殺蟲劑。UGV能夠在理想的深度種植種子。這些設備在匹配上機器人附件之后，還可以通過圖像識別以遠超其他機械化技術的精度收獲農產品，大大減少對水果和蔬菜作物的損傷。

歷史與當代數據相結合

自書寫語言誕生以來，農民們已經翔實地記錄下數千年間的數據。蘇美爾人早在公元前3500年就開始記錄他們的農作物產量。在美國，自1863年農業部成立統計司以來，該部門一直在收集全國農業統計數據。

AI模型可以利用我們祖先留下的記錄信息，據此對決定當今農業運營狀態的關鍵因素做出預測——特別是熱量、降雨等氣候因素，以及地下水及土壤養分等本地資源的儲備情況。

在此之后，可以將這些數據與物聯網傳感器、無人機和UGV收集的信息，以及美國Landsat系統及歐Sentinel-2等衛星的觀測結果進行比對，從而生成更具體且更有用的預測。事實上，這就是此類新型技術被統稱為精準農業的原因所在。

Mike Flaxman, HEAVY.AI公司產品副總裁

Flaxman解釋道，“AI技術特別擅長做數據清洗。水體傳感器可能會卡死，航拍圖像可能會被云層遮蔽。每個數據源、每種傳感器都面臨著自己的獨特挑戰。”而AI程序能夠過濾掉靜態數據，并從中概括出最有用的信息。

專為農場設計的決策支持系統（DSS），即農場管理信息系統（FMIS），有助于整合這些不同的信息源，并使用機器學習技術為種植、管理、收獲和銷售規劃提供可行的指導建議。

這些建議有助于降低成本、提高產量，并且以更可持續的方式使用農藥、化肥和水資源。它們還可幫助農民預測市場需求及定價，并據此制定生產計劃，從而提高利潤并減少浪費。

下面來看目前已經相對成熟的幾類物聯網及AI實踐應用。

水資源管理

事實證明，AI在確定何時及如何灌溉農作物方面有著獨特的功能優勢。IBM開發的Liquid Prep產品就使用來自土壤傳感器的水分保持數據，結合天氣預報數據和特定植物的需水量數據，為何時灌溉特定田地和給水量提供建議。相關數據可通過移動端應用隨時訪問，方便快捷。

其他系統則整合了蒸發、濕度、土壤和環境溫度數據，以及可以指示旱災早期跡象的衛星及無人機數據。

Flaxman在談到衛星數據時表示，“所有這些傳感器的分辨率都在提高。所謂分辨率，既包含人們熟知的空間分量，也涉及對農業有著重要意義的光譜分辨率。比如從蜜蜂的視角出發，它們是憑借對紅外線的敏銳感知發現花朵的。當植被面臨干旱威脅時，蜜蜂能夠在人眼識別變化的幾周之前就在紅外波段觀察到跡象。這幾周時間非常寶貴，可以提供足夠的時間讓我們部署對策。”

AI技術還能評估農場內不同區域的確切需水量，這些地區具有不同的地形和土壤參數，能夠確保植物保持最佳供水狀態——既不會灌溉過度，也不會灌溉不足。這反過來又讓植物能更好地吸收肥料，并減少在過度潮濕或者過度干燥的條件下誘發病蟲害問題的幾率。

徑流問題也能因此得到良好控制。徑流不僅會浪費水資源，還會將污染物帶入水體。隨著干旱加劇、地下水資源枯竭以及可耕地質量隨時間推移而逐步下降，水資源管理將變得越來越重要。事實上，全世界只有不到1%的淡水可供利用，其中約70%的地下水被用于灌溉。

除了管理現有作物之外，AI程序還可以利用數據分析結論來評估哪些類型的作物更適合在未來的氣候條件下茁壯成長、高效產出。例如，AI技術已經確定了耐旱性更強的大豆品種。一項研究甚至開發出了能夠減輕干旱對大豆影響的微生物，其中一部分工作就是由AI分析負責完成。

檢測并緩解雜草與害蟲問題

雜草、害蟲和病害壓力會引發嚴重的作物損失。在這些問題對作物造成無法修復的損害之前盡早發現跡象，對于維持可持續農業經營并保障其預期收益而言至關重要。

AI能夠有效分析無人機和衛星拍攝的航拍圖像，從中發現細微的光譜變化，據此分析出反映疾病或害蟲侵襲早期發生跡象的指標。甚至早在十年之前，AI分析就能夠檢測出甜菜疾病，且準確率高達90%。

Kogan解釋稱，“AI是由包含數千種不同植物病蟲害示例的高質量數據集訓練而成。在我們的產品中，我們使用深度學習和神經網絡來分析視覺數據并識別病蟲害。以往，現場勘查人員需要穿過溫室或田野，查看每株植物的葉片以識別異常狀況。這當然是件非常辛苦的工作，勘查員也經常會錯過一些重要特征，最終導致對病蟲害的反應不夠及時，平均造成30%左右的收成損失。”

通過AI檢測的加持，對受影響區域的快速識別成為可能，并可使用適當農藥進行處理，同時持續監控未受影響的區域，從而減少資源使用和環境污染。Avvocato指出，有了AI識別技術，“我們只需要對特定區域的農田噴灑農藥，而不像過去那樣在整片田地里全面噴灑。”

對擠占農作物生存空間、瘋狂汲取養分的雜草進行檢測同樣至關重要。據統計，雜草每年從農作物處奪取必需的養分和水資源，降低了作物活力和產量。美國農民每年花費約260億美元購買除草劑來解決這個問題。在某些極端情況下，除草成本甚至占到他們全年總開支的近三分之二。

使用AI技術則可精確定位雜草，而不會影響到周遭植物，也不需要在空中大面積噴灑除草劑。

Avvocato在采訪中表示，“農作物和雜草在外觀上非常相似，特別是在早期生長階段。其中一大挑戰，就是如何獲取數量充足的高質量圖像。因為這些農作物和雜草看起來非常相似。我們需要高質量圖像來判斷目標是需要噴灑農藥的雜草，還是農作物的幼枝嫩芽。”

有項目發現，安裝在全地形車上的攝像頭可以穿越田間地頭并發現雜草，然后直接噴灑除草劑，其準確率高達78%。另一個項目則使用深度學習技術識別雜草，準確率進一步提升至98%，旨在使用非化學手段去除雜草。也有人使用針對性機械干擾，例如鏟除或引燃雜草。更有激光除草機出現，利用深度學習和機器人技術先識別雜草，再用激光將其消滅。

AI技術還可用于檢測牲畜疾病的出現。例如，攝像頭可用于檢測養魚塘中出現病原體的跡象。智能項圈則可監測哺乳動物的心率、呼吸及其他生命體征，從而在疾病惡化之前完成檢測和診斷。

土壤條件與種植指導

除了監測土壤濕度和排水情況之外，AI技術還能夠使用從物聯網設備及歷史來源收集到的數據協助分析土壤養分、成分和質地。對土壤類型進行分類之后，AI即可根據不同作物的需求對地塊進行分配，幫助農民決定種植哪些作物、具體品種、種子播撒深度以及種間間隔距離。

AI程序還可以識別出種植方式的缺陷，并根據植物需求做出調整，從而優化肥料及其他土壤改良劑的選擇，同時預測特定土壤條件下容易出現的病原體和害蟲。

生長監測與收獲管理

AI技術可以進一步協助農民，通過監測植物生長狀況并將其與已知生長模式進行比較，進而評估作物的健康水平和成熟度，以及在不同情況下的具體產量。

例如，研究人員已經使用深度學習來監測草莓作物的成熟度，準確率高達99%。其能夠確保在正確時間進行收獲，并提高客戶對產品的滿意度。另一款程序使用AI技術來檢測葡萄的結實過程，以75%的準確率識別出葡萄串，幫助釀酒商在成熟季之初就大致估算出最終收獲量。

AI與物聯網技術的結合亦可運用于收獲本身。一項研究使用圖像識別與機械臂相結合，將成熟西紅柿的成功采摘幾率提升至89%。收獲之后，還可使用圖像識別技術按質量對農產品進行分類。一支研究小組還根據榛子的大小和損壞程度對果實進行分類，準確率高達96%。

質量、大小和儲藏壽命等因素也在AI分析的能力范圍之內，成為種植戶預測市場價格、把握競爭態勢的重要手段，更準確地把握潛在需求與預期收入。

局限和挑戰

雖然面向各主要作物的AI分析功能已經相當先進，但針對各類非常見作物的程序在可用性和準確性方面則參差不齊。要消除其中的檢測異常，就必須對AI檢測程序進行全面調整。

Kogan解釋稱，“由于缺乏豐富的現實參考，數據質量仍然是個巨大的挑戰。因為無法對每項診斷進行實驗室測試，我們只能高度依賴農學家對圖像做出的人力分析。”

Valeria Kogan, Fermata公司創始人兼CEO

Flaxman還補充道，“目前的情況是，基于航拍的大范圍測繪能力已經比較成熟，但對小規模細節的覆蓋則不夠充分。”

因此，這項技術可能還不適用于某些植物品類。Flaxman表示，“這將成為農業領域接下來需要克服的難題，但巨大的潛力空間也在其中。只要能夠幫助AI技術獲得識別特殊作物特征的能力，那么落地應用將再無障礙。畢竟很多人種的都不是常規的糧食作物。以草莓為例，很多企業可以繪制出專門的草莓種植圖，有針對性地滿足市場上的現實需求和種植戶利益。”

雖然物聯網和AI技術在協助農民經營方面顯示出光明的前景，但目前相關方案還沒有廣泛被交付至個體農戶手中。盡管部分發展中國家已經在嘗試部署相關項目，也有些小規模農戶設法在特定區域內引入新技術，但總體而言AI仍然只是農業巨頭們的專屬。將各類技術和數據集整合成可操作信息并據此采取行動是一項艱巨挑戰，需要大量投資才有希望獲得回報。

即使是單一應用，比如說灌溉管理，也需要大量數據和配套的管理程序。而且，每一項技術部署還只能收集特定類型的數據。Avvocato坦言，“進入這一領域的最大障礙，就是需要投入巨量資金購置基礎設施。而且這類資金累加起來，總體數額將極其可觀。”

FMIS已經初步顯示出利用公開數據提取廣泛見解，再據此指導農業生產實踐的潛力，但多數人仍然不可能依靠小型空中無人機來發現局部疾病實例、或者安裝傳感器來監測土壤濕度。此外，在特定時間點上收集數據的實用性也比較有限。與從歷史觀察中收集到的廣泛趨勢相反，細粒度的本地化數據往往需要在經過長時間的積累之后才能真正具備實用性。

Flaxman指出，可以考慮為無法獨自負擔設備的農民提供空中觀測服務，甚至推出合作計劃，由鄰近農戶們共同進行調查并相互分享結果數據。他建議將這些數據與其他免費發布的衛星數據相結合，并使用訂閱形式的網絡服務及開源工具對結果進行分析。

隨著技術的加速發展和更全面平臺的出現，相關技術培訓項目也有望幫助種植戶們（特別是在發展中國家等糧食供應緊張的地區）使用物聯網和AI改善其經營狀況。

Avvocato指出，“發展中國家糧食供應的脆弱程度要比美國高得多。如果能夠將農作物產量提高 10%、20%甚至30%，必將產生巨大的現實影響。”

與此同時，無人機航拍和依托大量傳感器的農場田地掃描，也將繼續為需要現場數據的AI程序提供動力，從另一個側面幫助其提升能力極限、勾勒出通用人工智能的未來形態。