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

現代農業也正在被數據科學所改變。在部分國家和地區，AI與農業的“相擁”，數據和工具的應用，正讓農業變得精準、高效和“智慧”。

農業AI技術迅猛發展

農田是一個充滿變量的動態系統，氣候、土壤、水分、養分、種子等每一個方面都產生著海量而豐富的數據。

農民是這些豐富數據的收集者，不過，僅僅將孤立單個的數據集中起來還遠遠不夠。將這些數據收集并進行綜合數據分析，才能提高數據的質量，發掘數據的價值，從而真正找到農田問題的解決之道。

隨著AI技術的發展，機器學習依靠算法分析數據，并從中學習，作出決策，為現代農業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協助發現新型藥物和農業化學品的企業。類似于人工智能學習中識別圖像，該公司開創性的AtomNet技術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，簡化了產品研發初始階段分子的發現過程。2017年6月，孟山都公司與Atomwise公司達成研究合作協議，借助人工智能技術開發作物保護新產品，推進新產品研發，成為農業領域中首家與Atomwise合作的公司。

AI+農業所帶來的無限想象空間，讓世界科技巨頭、新興科技企業和農業公司等不約而同加大投入、加強研發，因而，農業AI技術在近年得到了迅猛發展。

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？在開發新品種時，育種家總是面臨著數百萬計的選擇。

從原始數據的不同集合中推導出結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，面對數百萬計的排列組合數據，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境、土壤類型、天氣模式和其他因素條件時會如何表現。有了機器學習的幫助，作物育種愈發精準與高效。

此外，AI為作物保護帶來的改變也是顯而易見的。當代農業生產中，病害、蟲害和雜草問題導致的全球糧食產量損失高達40%。傳統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，并且容易產生人為誤差。然而，對計算機來說，診斷植物病害本質上就是模式識別。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代農業的關鍵領域，AI技術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

在應用數據科學、人工智能和機器學習的方法上，一些國內領軍的智慧農業公司借助獨特的農田數據，結合前沿科學及強大的數據分析技術，為農民種植中的關鍵管理決策提供支持。

在作物育種方面，通過AI技術為農民提供“播種處方建議”。借助行業領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、土壤構成、水分流動、歷史表現等海量來源數據進行匯總，幫助農民選擇“理想”的種子產品——在理想的位置播種適合的種子，以優化作物表現，并持續提高生產力。

換言之，農民可以根據特定的遺傳種質和不同的產量目標定制種子播種方案。據了解，巴西的高級播種處方研究已從產品概念階段進展到研發階段；歐洲進入產品概念階段；美國大豆的區域性種子篩選也已從產品概念階段進展到研發階段。

在作物保護方面，利用AI技術對玉米、大豆和小麥進行病害診斷。據了解，在個體植株水平上的脅迫分類，以及通過手機或平臺設備提供正確病害診斷結果方面，機器學習模型表現優異。美國的玉米病害診斷已從研發階段進展到預商業化階段。

此外， 在肥力管理方面, 通過高級建模工具，幫助農民優化關鍵投入。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現，通過提高產量和節約氮肥，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品應該繼續往前推進，“我們努力在播種前了解每一粒種子的生長潛力”；與此同時，一些蔬菜研發團隊也在開發建模工具來預測番茄等蔬菜作物的風味表現；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。