用人工智能補齊農業生物技術短板

文|徐立鴻 同濟大學 教授

走人工智能之路，是突破農業生物技術瓶頸的必然選擇。利用大數據驅動加知識引導的數據挖掘等人工智能技術來獲得農業生物對象的知識和模型，可以補齊農業生物技術的短板。目前，我國需針對性地提升信息準確感知、知識發現（數據挖掘）、優化決策與精準控制等各生產環節的智能化水平。

目前，人工智能進入加速發展階段，日益成為國際競爭的新焦點、經濟發展的新引擎、社會建設的新機遇，其發展將深刻改變人類的生活。我國政府高度重視人工智能創新發展，國務院已發布《新一代人工智能發展規劃》，為我國發展人工智能指明了方向。

在我國加快實施創新驅動發展戰略和農業供給側結構性改革的背景下，我國農業進入了急需加快轉型升級、推進一二三產業融合和培育發展新動能的新階段，發展以人工智能技術為核心的智能農業已成為我國農業創新發展的必然方向。

設施農業，是把現代相關科技用工程技術手段，融入動植物高效生產的一種現代農業方式。設施農業的優勢就是把大量的科技融入相關配件或技術中，從而達到普通農業所無法到達的目標。在發展智能農業方面，設施農業或者是工廠化農業具有“先天優勢”。

蔬菜生產或先應用人工智能

由于我國農業生產現狀以及國民農產品消費需求，蔬菜類農產品的生產在資源的配置和人力要求上與糧食主產作物的生產相差甚遠。在保證農產品安全優質的要求下，相對于大田生產防蟲，蔬菜生產的要求更高，需要實現少或無病蟲害。蔬菜生產的產業特點是高投入、高產出、高效益，這必然要求其產業發展走“植物工廠化生產”之路。由于這一特點，蔬菜生產或許最有可能應用人工智能。

我國在農業生物技術存在短板，蔬菜生產受限。以溫室番茄生產為例，荷蘭的溫室番茄每平米年產量達到60公斤-90公斤，而我國溫室番茄每平米年產量最高為34.5公斤，其主要原因是存在技術“短板”——缺乏精準調控技術。

在農業生物技術研究方面，我國與美國之間存在“兩多兩少”的差距，即戰略層面考慮多、戰術層面少；重復的（購買的）多、自主創新的少。相對于美國，我國的科研項目對農業工廠化生產的特點——生命的復雜性和不確定性考慮不夠到位。

人工智能可以補齊生物技術短板

目前，我國“植物工廠化”生產達不到“高產出高效益”目標的主要原因是農業生物技術短板——缺乏可用的與農作物相關的各種知識（經驗）和模型。在知識方面，缺少生長專家系統；在模型方面，缺乏包含眾多子模型的作物生長與環境動態模型，例如作物冠層小氣候（光等）分布模型、作物光合作用速率模型、作物呼吸作用模型、作物蒸騰作用模型、作物水肥營養及灌溉量模型、作物根系土壤環境模型的建立。

植物工廠化生產是一個典型的CPS（Cyber-Physical System）信息物理融合系統，其涉及人工智能的環節主要表現在四個方面：信息感知和認知、決策（綜合多目標優化決策）、控制（光溫濕氣水肥等的多因子魯棒協調控制）、自動化生產操作（人和生產線及機器人的自主協同控制）。沒有相關的知識和模型作支撐，就無法實現對作物及其環境變化的動態預測，無法進行多目標綜合優化決策（如節能降耗的優化決策），對光溫濕氣水肥等多個因子的魯棒和自動化生產操作控制更無法實現。

走人工智能之路，是突破農業生物技術瓶頸的必然選擇。農業設施裝備可以購買，但農業生物對象可用的知識和模型無法購買。農業生物對象的知識和模型的獲得往往需要幾十年甚至上百年的研究積累，而利用大數據驅動加知識引導的數據挖掘等人工智能技術來獲得，可以補齊“短板”。為此，我國需針對性地提升信息準確感知、知識發現（數據挖掘）、優化決策與精準控制等各生產環節的智能化水平。

開展人工智能農業2.0技術的研究

發展農業人工智能，我國需要有針對性地展開研究，主要是兩個方面，一是針對農業特點開展智能農業的基礎共性技術研究，二是重視針對不同農業領域特點開展智能農業的應用基礎研究。

由于農業對象最大特點是“生命”過程的復雜性和不確定性，需要針對農業特點開展智能農業的基礎共性技術研究，其核心是針對農業特點的人工智能2.0技術。

農業特點的人工智能主要是四個方面，一是智能感知與識別，即多模態感知、融合表達與跨媒體認知技術；二是大數據智能，即大數據驅動與知識引導相結合的數據挖掘技術；三是混合增強智能，即人機融合（“人在回路”）的智能；四是群體協同智能，即集群智能和多體協同智能。這四個方面總體來說屬于“人工智能2.0”的研究范疇，農業領域可以借用其研究成果。

智能農業的研究針對性研究領域主要是根據不同農業領域特點開展智能農業的應用基礎研究，研究符合農業的人工智能，有六個方面：一是完備準確的信息智能感知與綜合認知，例如多模態感知與跨媒體認知技術；二是知識發現與建模，以大數據驅動與知識引導相結合的知識發現與建模技術，如利用數據挖掘、機器學習建立作物生長與環境動態模型；三是智能優化決策，多個目標優化決策、非完全信息下智能決策技術等；四是生長環境智能協調魯棒控制：環境多因子智能協調的魯棒控制技術等；五是開發云機器人，研發云機器人協同計算方法，利用云端自動產生的知識將為農業機器人的長期合理操作提供依據；六是人機物系統（生產線）自主協同控制，如自動化育苗流水線及苗床的調動優化協同控制、自動化生產線與包裝等自主協同控制等。

同時，智能農業研究也需要重視獲取大數據的基礎研究工作——完備準確地感知和認知信息，獲取可用的大數據。圍繞這一問題，還需改變物聯網和云平臺的設計，推動傳感器的開發和一些軟測量技術、跨媒體感知認知技術及信息融合技術的智能提升。