用人工智能补齐农业生物技术短板

文|徐立鸿 同济大学 教授

走人工智能之路，是突破农业生物技术瓶颈的必然选择。利用大数据驱动加知识引导的数据挖掘等人工智能技术来获得农业生物对象的知识和模型，可以补齐农业生物技术的短板。目前，我国需针对性地提升信息准确感知、知识发现（数据挖掘）、优化决策与精准控制等各生产环节的智能化水平。

目前，人工智能进入加速发展阶段，日益成为国际竞争的新焦点、经济发展的新引擎、社会建设的新机遇，其发展将深刻改变人类的生活。我国政府高度重视人工智能创新发展，国务院已发布《新一代人工智能发展规划》，为我国发展人工智能指明了方向。

在我国加快实施创新驱动发展战略和农业供给侧结构性改革的背景下，我国农业进入了急需加快转型升级、推进一二三产业融合和培育发展新动能的新阶段，发展以人工智能技术为核心的智能农业已成为我国农业创新发展的必然方向。

设施农业，是把现代相关科技用工程技术手段，融入动植物高效生产的一种现代农业方式。设施农业的优势就是把大量的科技融入相关配件或技术中，从而达到普通农业所无法到达的目标。在发展智能农业方面，设施农业或者是工厂化农业具有“先天优势”。

蔬菜生产或先应用人工智能

由于我国农业生产现状以及国民农产品消费需求，蔬菜类农产品的生产在资源的配置和人力要求上与粮食主产作物的生产相差甚远。在保证农产品安全优质的要求下，相对于大田生产防虫，蔬菜生产的要求更高，需要实现少或无病虫害。蔬菜生产的产业特点是高投入、高产出、高效益，这必然要求其产业发展走“植物工厂化生产”之路。由于这一特点，蔬菜生产或许最有可能应用人工智能。

我国在农业生物技术存在短板，蔬菜生产受限。以温室番茄生产为例，荷兰的温室番茄每平米年产量达到60公斤-90公斤，而我国温室番茄每平米年产量最高为34.5公斤，其主要原因是存在技术“短板”——缺乏精准调控技术。

在农业生物技术研究方面，我国与美国之间存在“两多两少”的差距，即战略层面考虑多、战术层面少；重复的（购买的）多、自主创新的少。相对于美国，我国的科研项目对农业工厂化生产的特点——生命的复杂性和不确定性考虑不够到位。

人工智能可以补齐生物技术短板

目前，我国“植物工厂化”生产达不到“高产出高效益”目标的主要原因是农业生物技术短板——缺乏可用的与农作物相关的各种知识（经验）和模型。在知识方面，缺少生长专家系统；在模型方面，缺乏包含众多子模型的作物生长与环境动态模型，例如作物冠层小气候（光等）分布模型、作物光合作用速率模型、作物呼吸作用模型、作物蒸腾作用模型、作物水肥营养及灌溉量模型、作物根系土壤环境模型的建立。

植物工厂化生产是一个典型的CPS（Cyber-Physical System）信息物理融合系统，其涉及人工智能的环节主要表现在四个方面：信息感知和认知、决策（综合多目标优化决策）、控制（光温湿气水肥等的多因子鲁棒协调控制）、自动化生产操作（人和生产线及机器人的自主协同控制）。没有相关的知识和模型作支撑，就无法实现对作物及其环境变化的动态预测，无法进行多目标综合优化决策（如节能降耗的优化决策），对光温湿气水肥等多个因子的鲁棒和自动化生产操作控制更无法实现。

走人工智能之路，是突破农业生物技术瓶颈的必然选择。农业设施装备可以购买，但农业生物对象可用的知识和模型无法购买。农业生物对象的知识和模型的获得往往需要几十年甚至上百年的研究积累，而利用大数据驱动加知识引导的数据挖掘等人工智能技术来获得，可以补齐“短板”。为此，我国需针对性地提升信息准确感知、知识发现（数据挖掘）、优化决策与精准控制等各生产环节的智能化水平。

开展人工智能农业2.0技术的研究

发展农业人工智能，我国需要有针对性地展开研究，主要是两个方面，一是针对农业特点开展智能农业的基础共性技术研究，二是重视针对不同农业领域特点开展智能农业的应用基础研究。

由于农业对象最大特点是“生命”过程的复杂性和不确定性，需要针对农业特点开展智能农业的基础共性技术研究，其核心是针对农业特点的人工智能2.0技术。

农业特点的人工智能主要是四个方面，一是智能感知与识别，即多模态感知、融合表达与跨媒体认知技术；二是大数据智能，即大数据驱动与知识引导相结合的数据挖掘技术；三是混合增强智能，即人机融合（“人在回路”）的智能；四是群体协同智能，即集群智能和多体协同智能。这四个方面总体来说属于“人工智能2.0”的研究范畴，农业领域可以借用其研究成果。

智能农业的研究针对性研究领域主要是根据不同农业领域特点开展智能农业的应用基础研究，研究符合农业的人工智能，有六个方面：一是完备准确的信息智能感知与综合认知，例如多模态感知与跨媒体认知技术；二是知识发现与建模，以大数据驱动与知识引导相结合的知识发现与建模技术，如利用数据挖掘、机器学习建立作物生长与环境动态模型；三是智能优化决策，多个目标优化决策、非完全信息下智能决策技术等；四是生长环境智能协调鲁棒控制：环境多因子智能协调的鲁棒控制技术等；五是开发云机器人，研发云机器人协同计算方法，利用云端自动产生的知识将为农业机器人的长期合理操作提供依据；六是人机物系统（生产线）自主协同控制，如自动化育苗流水线及苗床的调动优化协同控制、自动化生产线与包装等自主协同控制等。

同时，智能农业研究也需要重视获取大数据的基础研究工作——完备准确地感知和认知信息，获取可用的大数据。围绕这一问题，还需改变物联网和云平台的设计，推动传感器的开发和一些软测量技术、跨媒体感知认知技术及信息融合技术的智能提升。