想做农业的阿尔法狗?你需要先解决这些棘手问题

想做农业的阿尔法狗?你需要先解决这些棘手问题

大数据文摘作品

编译:Zoe Zuo、ShanLiu、闫雨莹

当前,全球粮食需求持续增长,而农业劳动力却在逐渐萎缩。世界上各大公司正不断尝试,将新型的机器学习算法、高性价比的传感器和大幅改善的计算能力结合起来,以期摆脱这种困境。

为了应对上述问题,众多初创企业和大学都将目光投向了农业领域中人工智能的应用。农业给AI抛出了相当棘手的问题,假如这些问题能得到解决,最终会推动AI在更加结构化的场景中的应用(比如住宅)。

当前状况

可能如同19世纪早期亨利•福特(Henry Ford)见证了农业自动化,目前的我们正处于类似的阶段。增量式的发展将会像滚雪球一般累积,最终引起巨变。

——吉里什•乔杜里,伊利诺伊大学

机器学习一方面用于分析从农田、卫星和无人机搜集的数据,从而提供关于种植和施肥的决策,同时用于辨识作物疾病、预测作物产量。

例如,据气候公司(The Climate Corporation,隶属于跨国农业公司孟山都)地理空间科学总监史蒂文•沃德(Steven Ward)称,在2017年,相比于自己制定种植计划的农民,通过使用该公司推出的Climate FieldView平台(该平台帮助农民确定玉米种植的比例、密度和地点)的种植者获得了5蒲式耳/英亩(约等于20.9公斤/亩)的产量提升。

落地

由AI赋能的农业设备已上市,并不在断改进。

例如约翰迪尔推出一款联合收割机,它可以利用机器学习来协调谷物收集机,尽可能减少粮食溢出。

另一款机型还可以利用机器学习来评估输送往粮箱的谷物的质量,虽然这个过程仍离不开人工监督。

去年,约翰迪尔收购了蓝河科技(Blue River Technology, 农业机器人初创公司),旨在研发出一套系统,使之能够在棉花植株当中辨识出杂草,然后将除草剂针对性地喷洒在杂草上,避免殃及整块田地。

水果和蔬菜是劳动力密集型的作物,采摘难度较大。Harvest CROO Robotics公司正在研发一款草莓采摘机,这种机器能够辨识和采摘成熟的草莓,但它的表现差强人意。

卡耐基梅隆大学的蒂姆•米勒-西姆(Tim Mueller-Sim)认为,“人类擅于执行精细操作,这在我们自己看来理所当然。我们的身体收集提供关于周遭环境的丰富数据,我们的大脑将视觉、触觉、嗅觉、听觉与先前的经验协同融合在一起,这其中的详细运作方式我们尚未彻底理解。”

乔杜里研发了一款机器人,目前正处于测试阶段。该机器人能够在庄稼间穿梭,利用计算机视觉测量植株高度和茎秆宽度。

如果数据精确,采集到的信息就可以为育种者所利用,加速对数千棵植株的筛选,使筛选流程标准化,以便尽快搜寻出能够产生有利性状的基因组合。

挑战

AI产品要面对的田间测试是否能摆脱一套编写好的脚本,被训练得可自适应到田间肮脏、凌乱和充满不确定性的工作环境中去。

米勒-西姆说,“如果AI在一个非结构化的环境里工作过,那么它将会在较为结构化的环境里表现得更出色。”

数据

计算机视觉领域的成就大多要归功于深度学习——这项AI技术建立在大量经过详细标记归类的数据之上。乔杜里说,“困难在于,我们当前未必有针对农业的监督数据。”

好在这项困难是可以攻克的,米勒-西姆称。在一篇即将发表的论文里,他介绍了由40至60张图片训练而成的生成对抗网络(GANs),该网络能检测出田地里的高粱、葡萄树、大麻花的特征。

巴西初创企业Scicrop的研究部主管布雷特•德鲁里(Brett Drury)表示,贝叶斯网络(Bayesian networks)也是一种行之有效的手段,它可以在不完整信息的基础上进行推论,应对不确定事件。

德鲁里目前正在用贝叶斯网络创建作物的模型,为农民们预测产量以及病虫害风险。

不确定性

机器人挣扎于适应变化。土壤质地、强烈光照、阴天和其他环境变量都会干扰机器人的行动和视觉,尤其是当机器人向无人驾驶技术方向发展时。

乔杜里称,“我们正尝试把机器人放在那些原本不适合它们的环境中去运行。尽管汽车本来就是在路上跑的,要实现真正意义上的汽车自动驾驶也已经很难了。”

无人驾驶技术正在使自动化元件的获取变得比以往容易,但农业也对该技术提出了独特的挑战。农田状况完全不同于公路,而且农业机器的规模也要大得多。

约翰迪尔实验室主任亚历克斯•珀迪(Alex Purdy)认为,“无人驾驶技术的赢家不一定会在农业领域成功。”

差异

从更广泛的角度来看,农业对AI提出了另一大挑战——在同一作物田地之内和不同作物田地之间,AI产品都得保持准确性。

卡耐基梅隆大学的Abhisesh Silwal当前在研发适用于葡萄树修剪和苹果采摘的机器人。他说,“每一棵植株都长得不太一样,即使是挨着种的那些。因此,如果要操纵机器人手臂来采摘水果或者修剪藤蔓,如何让机器人适应这种非结构化的环境是一个难题。”

一种可能的解决办法是研发出相关算法,以解释原先的训练环境与当前的运行环境之间的差异。从本质上来讲,做出这样的算法是可能的。但是要把想法用数学表达出来,我们还有很长的路要走。

采纳

农民们往往对世代积累下来的土地知识深信不疑。所以,要让他们接纳昂贵的新技术,首先得证明技术的价值。

珀迪称,“如今,种植户大多都凭借着对自己土地的深入了解,在不断的试探中进行耕作。他们也已经做得很出色了……所以,他们对自动化的要求将会非常高。”

相关报道:

https://www.axios.com/artificial-intelligence-in-agriculture-6f066e94-c704-4bbd-85a7-e638b871aadc.html

相关推荐