讓我們先來看一段簡單的小故事：日本有位黃瓜農(nóng)小池誠原本是車廠工程師，但他辭去了工作，回到老家?guī)透改附?jīng)營小黃瓜農(nóng)場。農(nóng)場并不大，但日本各農(nóng)場對于小黃瓜有不同的分類標(biāo)準(zhǔn)，小池家也一樣，光同品種的小黃瓜分類就可達(dá) 9 種之多，這讓他吃了不少苦頭。

于是他把腦筋動到人工智能上，開始研究起 Google 的 TensorFlow 平臺，搭配樹莓派 3 作為主控制器，并配一個相機拍攝照片。這些照片傳到 TensorFlow 平臺后在一個小型的神經(jīng)網(wǎng)絡(luò)上運行，以判斷是否是小黃瓜。之后，已經(jīng)被判定為小黃瓜的照片接著傳輸?shù)揭粋€更大的基于 Linux 服務(wù)器的神經(jīng)網(wǎng)絡(luò)，來對小黃瓜按照不同的特質(zhì)進(jìn)行分類。在突破初期的失敗后，小池打造了一臺成本不到 10 萬日圓，任何人都可以快速上手的自動分裝機，還把這套系統(tǒng)的程序代碼開源釋出到了 GitHub 上.....前一篇文章中我們已經(jīng)介紹了物聯(lián)網(wǎng)+大數(shù)據(jù)的智能農(nóng)業(yè)進(jìn)行式；但其實農(nóng)業(yè)科技就跟主流科技領(lǐng)域一樣，即將被“大數(shù)據(jù)的下一步”，也就是以機器學(xué)習(xí)為首的人工智能技術(shù)所席卷。而且比起其他產(chǎn)業(yè)，農(nóng)漁畜牧面臨的挑戰(zhàn)更加嚴(yán)峻。如今世界人口約為 72 億，其中有 7.8 億人生活水平低落，面臨結(jié)構(gòu)性饑餓威脅，但到了 2050 年全球人口就會高達(dá) 90 億，這表示人類所生產(chǎn)的糧食總熱量需要增加 60%；如果再把肉類來源家畜消耗的糧食計算下去，這些糧食總熱量初估就會達(dá)到 103%；但相較之下，農(nóng)業(yè)可用面積在這 33 年內(nèi)最多只增加 4%。因此有許多人認(rèn)為，人工智能就是耕地資源有限的情況下增加農(nóng)業(yè)的產(chǎn)出，同時確保持續(xù)發(fā)展性的有力解答之一；跟著人工智能一起發(fā)展的，還有“農(nóng)機全自動化”的趨勢。本篇文章我們會介紹幾個實際案例，帶大家多了解人工智能運用在農(nóng)業(yè)的無窮潛力。AI 最成熟的視覺識別，已在農(nóng)業(yè)開始發(fā)威

每年約有市值 40 億美元的蘋果在美國采收、銷售，因此蘋果在美國農(nóng)業(yè)占有一席之地；同時，AI 與全自動機器人正猛烈沖擊著蘋果農(nóng)業(yè)，美國農(nóng)機新創(chuàng)公司 Abundant 就發(fā)明了“采蘋果機器人“，它具有經(jīng)機器學(xué)習(xí)調(diào)教過的視覺算法，能精準(zhǔn)判斷每一個蘋果，從摘取到輕放在采收箱里，整套流程的準(zhǔn)確率基本上已經(jīng)跟人類無異，甚至可以用一臺抵?jǐn)?shù)十人的速度工作。

另一間 NatureSweet 農(nóng)業(yè)新創(chuàng)公司更嘗試使用 AI 來監(jiān)測西紅柿的生長過程，透過溫室中安裝的攝影機，他們獨特的算法可以辨別出西紅柿是否出現(xiàn)病蟲害、枯萎的視覺線索，并實時通報農(nóng)民病害已開始發(fā)生。相較于之前農(nóng)民每周一次花時間人工巡查，這種方法顯然有效得多。甚至，他們現(xiàn)在已開始著手撰寫視覺識別西紅柿是否成熟的算法。快速改變農(nóng)業(yè)面貌的自動機械

有鑒于微型 MEMS 傳感器（包含加速度計，陀螺儀，磁力計和壓力傳感器）、小型 GPS 模塊與處理芯片越來越成熟，農(nóng)業(yè)無人機的價格也越來越便宜，對農(nóng)民來說可謂一大福音，并深具徹底改造整個產(chǎn)業(yè)的潛力。而在***，運用無人機噴灑農(nóng)、肥用藥，巡視田地已不是太新鮮的事情。根據(jù)上下游的報導(dǎo)，易圖科技研發(fā)的無人直升機噴藥 10 分鐘就能噴 15畝地的農(nóng)藥，一天最多可噴 225 畝，是傳統(tǒng)人力的三到四倍，而且能有效省藥，就連注重葉背的絲瓜也能靠氣流擾動順利施藥。

但無人機不是只能施藥撒肥。美國許多葡萄酒莊現(xiàn)在已經(jīng)采用帶有高光譜攝影機的無人機，從紅外線以及可見光譜中收集數(shù)據(jù)，拍攝出健康植物與病害植物范圍的空拍掃描圖，其精細(xì)到就連用眼睛看都不明顯的害蟲、真菌感染等病變植株都能辨別。相信敏感一點的讀者也猜到了：這套紅外線判別植株健康的視覺辨識系統(tǒng)，正是機器學(xué)習(xí)結(jié)合無人機的另一好案例。而在最熱門的“自動駕駛”部分，當(dāng) 2017 年各國政府與廠商都還在致力實現(xiàn)讓無人車上路駕駛之前，Kinze 這間大型農(nóng)機企業(yè)早在 2012 年就參考 Google 的自駕系統(tǒng)打造出自動農(nóng)耕、收割機，只要在耕作時把會遇到的狀況與田地信息一同輸入 GPS 系統(tǒng)，拖拉機會根據(jù) GPS 系統(tǒng)紀(jì)錄指示行駛，依循前方進(jìn)行紅外線掃射，以避免撞上障礙物；大型農(nóng)機企業(yè)久保田也宣布，將于 2020 年推出能夠“一鍵完全自動”的農(nóng)業(yè)機械，幫助解決日本越來越嚴(yán)重的農(nóng)村勞力老齡化問題。人工智能在農(nóng)業(yè)的挑戰(zhàn)雖然人工智能能已經(jīng)成為科技界的中流砥柱，我們上述也介紹了不少人工智能與自動機械在農(nóng)業(yè)方面的運用。但事實上，大多主要的農(nóng)企業(yè)、設(shè)備制造商和服務(wù)提供商還沒有在農(nóng)業(yè)中大力推行人工智能。在技術(shù)上最大的挑戰(zhàn)之一就是農(nóng)業(yè)資料其實收集極為不易。我們知道，AI 就是大數(shù)據(jù)的“下一步”，需要大量的數(shù)據(jù)來正確地訓(xùn)練算法。雖然在地理、天氣等部分?jǐn)?shù)據(jù)相對完善，但關(guān)于作物本身的大部分?jǐn)?shù)據(jù)只能在每年的生長季節(jié)獲得一至二次，比起其他領(lǐng)域，顯然農(nóng)業(yè)的數(shù)據(jù)積累要花上更多時間；而且其數(shù)據(jù)源不像科技、工業(yè)或網(wǎng)絡(luò)圈，其使用、所有權(quán)方面的透明度與共享程度更加困難。