人工智能与农业传感器发展探讨

文/王儒敬 中国科学院合肥智能机械研究所

人工智能是一门融合了计算机科学、统计学、脑神经学和社会科学的前沿综合性学科。

人工智能最早的奠基人是图灵，他提出了著名的图灵测试。图灵认为，一个人和一个计算机对话的时候，在这个人不清楚对方是计算机的情况下，如果这个人感觉不到是在跟机器说话，而是跟人对话一样，那么就可以认为这个机器就具备智能，否则的话就不具备人工智能。

目前，人工智能领域有三大学派。一是符号主义，这一学派认为人的智能行为是逻辑的推理，逻辑推理是基础是符号；二是行为主义，又称进化主义或控制论学派，是一种基于“感知-行动”的行为智能模拟方法；三是连接主义，从神经网络启发、模拟人脑，其特点是通过系统学习进行样本突破，可以把小样本基于神经网络、建模的思路改变成大样本。

当前，符号主义从事研究的人员是最多的，主要成就是构建知识图库，把知识节点和知识超图关联起来。这一学派认为，智能的程度取决于两方面，一方面取决于知识库的大小，就是拥有多少知识，另一方面取决于对这个知识的推理利用效率和能力。这一学派不足之处是计算机不能自行构建知识库，所以该学派到现在为止没有重大的建树和突破。这一学派的生长点在知识图库，最大的弱点在推理的爆炸。这一学派最致命的弱点，也是即将需要解决的最大的问题是，当知识库扩大到了一定的程度，会产生组合爆炸。

连接主义起源于20世纪40年代。皮茨和麦卡洛是最早的连接主义奠基人。皮茨从小就喜欢数学和哲学，在读过《数学原理》后曾给罗素写信并得到罗素的回信及邀请。他的家庭条件不好，十五岁时被家庭强行要他退学上班，于是他只身前往芝加哥，罗素把他推荐给同在芝加哥任教的卡尔纳普。麦卡洛擅长神经科学，他和皮茨合作后，在1943年发表模拟神经网络的原创文章：《神经活动中思想内在性的逻辑演算》,这篇文章也成了连接主义的思想源泉之一。

连接主义是依靠样本判断，通过大规模样本、通过深度网络训练，可以构建一系列的识别模型。连接主义目前的突破有深度学习、强化学习、迁移学习。深度学习被用于对复杂结构和大样本的高维数据进行学习，按研究领域包括计算机视觉、自然语言处理、生物信息学、自动控制等，且在人像识别、机器翻译、自动驾驶等现实问题中取得了成功。深度学习在博弈方面的突破引起广泛关注，阿尔法围棋（AlphaGo）棋力已经超过人类职业围棋顶尖水平。深度学习在农业方面最典型的应用是病虫害识别。深度学习的优势是基于数据，模型泛化能力提升，从而把计算能力转化成了生产力。通过深度学习表现出的识别能力、预测能力等能力取决于两个因素：样本量和范例。所以，深度学习也存在在问题，其最大的问题是黑箱模型，决策结果难以解释、需要大规模样本。

我认为，人工智能的突破点是深度学习，深度学习以后一定会引领人工智能的发展。一个机器如果能适应环境，在不同的环境下可以调整自己的决策和策略，这就是智慧本身。随着研究深入，未来能解决现在无法解释的问题。目前，图灵提出的测试有了突破进展，中国科技大学研究的机器人，在人和它对话的时候，假如人不看到对话的是个机器人的前提下，人应该感觉不到对方是机器人。同样，深度学习出现的黑箱模型目前无法解释，但终究会变得可以解释。

我国农业传感器现状与瓶颈

根据1991年到2017年全世界农业传感器的论文分析（如图1所示），农业传感器在国际上属于研究热点，在农业传感器在排名前十的国家里面，我们国家排名第二位。

但是通过对专利分析，我们可以发现，我国的农业传感器专利普遍质量不高。我国农业传感器专利普遍存在的问题是，专利不在整个农业智能中做底部支撑，很难见到传感器专利的引用，即新专利里面不包括已有传感器专利作为支撑。所以，我国的农业传感器的竞争力在国际上相对较弱。目前，需要我们聚集力量，有意识地去布局，针对传感器的某一个方法和途径形成一系列的专利群。

图1 1991年—2017年全世界农业传感器的论文分析

图2 全球传感器市场分布情况

图3 1991年—2017年全世界农业传感器专利分析

图4 大数据、深度学习使得人工智能在广泛的领域都获得了突破性的进展

图5 实验室研制的测土机器人

我国农业传感器目前没有形成产业，核心创新点不足。国际上对我国农业传感器专利引用不足，说明我国在农业传感器的技术研究是不足的，我们的农业传感器在知识产权构筑的核心知识点不够。

通过对传感器产业分析（如图3所示），全球传感器市场分布情况，排名靠前的是美国、日本、德国，我国排名靠后。这是我国传感器产业的现状，是整个智能农业、大信息农业系统布局存在的问题。目前，智能农业存在“前端难、后端难”的问题，前端难在低成本、大规模信息获取，后端难在农业设备感知。

农业传感器发展的科学与技术问题，我认为有三个：一是特异性感知问题—新型敏感材料发现，面向农业生产过程中的复杂变异性，围绕光敏、气敏、力敏、离子敏及纳米材料制备及其元器件制造等问题，开展关键性技术研究，以解决传感器件的特异性感知性能问题；二是敏感增强及封装技术—新型微纳工艺制备，利用我国大科学装置、大科学中心已有装备；三是低成本、高可靠、适用性研究—协同创新2.0模式。

传感器技术和人工智能技术结合

目前，我们所有的人工智能技术都分布在顶层。

一是大数据智能分析：分类、聚类、关联、时序数据挖掘与知识发现，深度学习、迁移学习、强化学习等智能决策。

二是无线传感网络：大量微型、低成本、低功耗传感器节点多跳无线网络。

三是传感器与智能感知：热敏、光敏、气敏、力敏、磁敏、湿敏、声敏、放射线敏、色敏和味敏等信息感知。

大数据促进了深度学习的发展革新，深度学习实现大数据建模与广泛应用。深度学习和光谱建模结合，提高感知泛化能力，其中最典型的应用是全世界都在此领域进行大规模地试验，实现裸谱对光土的光谱感知。核心原理是在近红外领域，目前我们已经有大量的样本，通过深度学习建模，以后完全有可能做到对土壤的直接感知。

同时，我认为，应当把自动化技术和机器人技术结合起来。图5是我们研制的测土机器人，完全是机器人组合，可以把人的动作拆成机械可以完成的动作，最终来实现土壤的快速检测。