人工智能與農業傳感器發展探討

文/王儒敬 中國科學院合肥智能機械研究所

人工智能是一門融合了計算機科學、統計學、腦神經學和社會科學的前沿綜合性學科。

人工智能最早的奠基人是圖靈，他提出了著名的圖靈測試。圖靈認為，一個人和一個計算機對話的時候，在這個人不清楚對方是計算機的情況下，如果這個人感覺不到是在跟機器說話，而是跟人對話一樣，那么就可以認為這個機器就具備智能，否則的話就不具備人工智能。

目前，人工智能領域有三大學派。一是符號主義，這一學派認為人的智能行為是邏輯的推理，邏輯推理是基礎是符號；二是行為主義，又稱進化主義或控制論學派，是一種基于“感知-行動”的行為智能模擬方法；三是連接主義，從神經網絡啟發、模擬人腦，其特點是通過系統學習進行樣本突破，可以把小樣本基于神經網絡、建模的思路改變成大樣本。

當前，符號主義從事研究的人員是最多的，主要成就是構建知識圖庫，把知識節點和知識超圖關聯起來。這一學派認為，智能的程度取決于兩方面，一方面取決于知識庫的大小，就是擁有多少知識，另一方面取決于對這個知識的推理利用效率和能力。這一學派不足之處是計算機不能自行構建知識庫，所以該學派到現在為止沒有重大的建樹和突破。這一學派的生長點在知識圖庫，最大的弱點在推理的爆炸。這一學派最致命的弱點，也是即將需要解決的最大的問題是，當知識庫擴大到了一定的程度，會產生組合爆炸。

連接主義起源于20世紀40年代。皮茨和麥卡洛是最早的連接主義奠基人。皮茨從小就喜歡數學和哲學，在讀過《數學原理》后曾給羅素寫信并得到羅素的回信及邀請。他的家庭條件不好，十五歲時被家庭強行要他退學上班，于是他只身前往芝加哥，羅素把他推薦給同在芝加哥任教的卡爾納普。麥卡洛擅長神經科學，他和皮茨合作后，在1943年發表模擬神經網絡的原創文章：《神經活動中思想內在性的邏輯演算》,這篇文章也成了連接主義的思想源泉之一。

連接主義是依靠樣本判斷，通過大規模樣本、通過深度網絡訓練，可以構建一系列的識別模型。連接主義目前的突破有深度學習、強化學習、遷移學習。深度學習被用于對復雜結構和大樣本的高維數據進行學習，按研究領域包括計算機視覺、自然語言處理、生物信息學、自動控制等，且在人像識別、機器翻譯、自動駕駛等現實問題中取得了成功。深度學習在博弈方面的突破引起廣泛關注，阿爾法圍棋（AlphaGo）棋力已經超過人類職業圍棋頂尖水平。深度學習在農業方面最典型的應用是病蟲害識別。深度學習的優勢是基于數據，模型泛化能力提升，從而把計算能力轉化成了生產力。通過深度學習表現出的識別能力、預測能力等能力取決于兩個因素：樣本量和范例。所以，深度學習也存在在問題，其最大的問題是黑箱模型，決策結果難以解釋、需要大規模樣本。

我認為，人工智能的突破點是深度學習，深度學習以后一定會引領人工智能的發展。一個機器如果能適應環境，在不同的環境下可以調整自己的決策和策略，這就是智慧本身。隨著研究深入，未來能解決現在無法解釋的問題。目前，圖靈提出的測試有了突破進展，中國科技大學研究的機器人，在人和它對話的時候，假如人不看到對話的是個機器人的前提下，人應該感覺不到對方是機器人。同樣，深度學習出現的黑箱模型目前無法解釋，但終究會變得可以解釋。

我國農業傳感器現狀與瓶頸

根據1991年到2017年全世界農業傳感器的論文分析（如圖1所示），農業傳感器在國際上屬于研究熱點，在農業傳感器在排名前十的國家里面，我們國家排名第二位。

但是通過對專利分析，我們可以發現，我國的農業傳感器專利普遍質量不高。我國農業傳感器專利普遍存在的問題是，專利不在整個農業智能中做底部支撐，很難見到傳感器專利的引用，即新專利里面不包括已有傳感器專利作為支撐。所以，我國的農業傳感器的競爭力在國際上相對較弱。目前，需要我們聚集力量，有意識地去布局，針對傳感器的某一個方法和途徑形成一系列的專利群。

圖1 1991年—2017年全世界農業傳感器的論文分析

圖2 全球傳感器市場分布情況

圖3 1991年—2017年全世界農業傳感器專利分析

圖4 大數據、深度學習使得人工智能在廣泛的領域都獲得了突破性的進展

圖5 實驗室研制的測土機器人

我國農業傳感器目前沒有形成產業，核心創新點不足。國際上對我國農業傳感器專利引用不足，說明我國在農業傳感器的技術研究是不足的，我們的農業傳感器在知識產權構筑的核心知識點不夠。

通過對傳感器產業分析（如圖3所示），全球傳感器市場分布情況，排名靠前的是美國、日本、德國，我國排名靠后。這是我國傳感器產業的現狀，是整個智能農業、大信息農業系統布局存在的問題。目前，智能農業存在“前端難、后端難”的問題，前端難在低成本、大規模信息獲取，后端難在農業設備感知。

農業傳感器發展的科學與技術問題，我認為有三個：一是特異性感知問題—新型敏感材料發現，面向農業生產過程中的復雜變異性，圍繞光敏、氣敏、力敏、離子敏及納米材料制備及其元器件制造等問題，開展關鍵性技術研究，以解決傳感器件的特異性感知性能問題；二是敏感增強及封裝技術—新型微納工藝制備，利用我國大科學裝置、大科學中心已有裝備；三是低成本、高可靠、適用性研究—協同創新2.0模式。

傳感器技術和人工智能技術結合

目前，我們所有的人工智能技術都分布在頂層。

一是大數據智能分析：分類、聚類、關聯、時序數據挖掘與知識發現，深度學習、遷移學習、強化學習等智能決策。

二是無線傳感網絡：大量微型、低成本、低功耗傳感器節點多跳無線網絡。

三是傳感器與智能感知：熱敏、光敏、氣敏、力敏、磁敏、濕敏、聲敏、放射線敏、色敏和味敏等信息感知。

大數據促進了深度學習的發展革新，深度學習實現大數據建模與廣泛應用。深度學習和光譜建模結合，提高感知泛化能力，其中最典型的應用是全世界都在此領域進行大規模地試驗，實現裸譜對光土的光譜感知。核心原理是在近紅外領域，目前我們已經有大量的樣本，通過深度學習建模，以后完全有可能做到對土壤的直接感知。

同時，我認為，應當把自動化技術和機器人技術結合起來。圖5是我們研制的測土機器人，完全是機器人組合，可以把人的動作拆成機械可以完成的動作，最終來實現土壤的快速檢測。