研究表明，农业（即植物栽培与动物养殖）的历史可以追溯到约1.2万年前中东的新月沃地，对植物的管理和收获也可能开始得更早。也正是这些技术的存在，使得人类能够形成大型定居点，进而发展成定义人类现代生活的复杂城市中心。而这，还只是后世一系列农业革命的开端。

在接下来的几个世纪里，农业的日益复杂化支撑起不断增长的人口总量。第二次农业革命始于17世纪的英国，包括引入新型灌溉技术、肥料及农产品运输方式。20世纪曾经甚嚣尘上的人口崩溃论，被始于20世纪40年代的绿色革命（也称第三次农业革命）所避免。随着新型肥料与杀虫剂的广泛使用，农作物产量也迎来大幅增长。

如今第四次农业革命即将到来。包括物联网（IoT）部署（即用于收集和传输数据的数字化设备）以及AI在内的技术进步，正将效率推向新的顶点，并有望再次从根本上改变人类宰治整个地球的具体方式。

将过往数百年的历史数据收集起来，并将其与新设备收集的新信息结合起来，使得农民能够全面改进自己的种植、灌溉、病虫害管理及收获策略，从而提高产量并降低对环境的负面影响。如今，全世界农民已经使用近1亿台联网设备，而且随着农业生产运营的数字化水平持续提升，这个数字也只会越来越高。

为此，我们调查了物联网及AI技术在农业运营中的兴起，并得到AI及计算机视觉数据注释公司Sama的全球营销副总裁Lisa Avvocato、大数据分析公司HEAVY.AI的产品副总裁Mike Flaxman以及提供用于监测植物健康的AI解决方案商Fermate创始人兼CEO Valeria Kogan的指引和评论。

满足人口不断增长提出的新需求

当今全球人口已超81亿。预计未来30年，这一数字将再增加20亿。

在气候变化导致的干旱加剧、燃料成本上涨、环境法规愈发严格、单一作物盛行以及入侵性害虫猛烈侵袭的新时代，世界人口爆发式增长所带来的维持挑战再次浮出水面。虽然全球人口出生率正在下降，但总人口的膨胀势头还在继续，粮食供应问题的严峻程度只增不减。

尽管全球粮食产量截至目前仍与人口增长保持着同步，但发展中国家还是无法摆脱粮食短缺问题。据联合国称，到2022年，将有24亿人面临一定程度的粮食安全威胁。

过去十年间，粮食增长率甚至略有下降。据估计，为了养活未来几十年的新增人口，粮食产量还需要再增加110%。

农民们开始越来越多地依赖数字技术来管理农作物并提高产量。仅靠绿色革命的创新，已经不足以满足粮食需求的指数级增长。如今，美国超过50%的玉米、棉花、水稻、高粱、大豆和冬小麦种植户（按面积计算）都在使用某种形式的数字辅助技术。而那些缺少数字辅助支持的农民如果想要参与市场竞争，也必须迅速拥抱这股新兴潮流。换言之，精准农业似乎成为个人从业者乃至整个世界的唯一出路。

农业AI与物联网的技术基础

自20世纪70年代和80年代首次发表关于该主题的论文以来，AI在农业领域的应用一直在缓慢加速。而与其他AI应用一样，农业AI从21世纪初起逐渐迎来腾飞。如今，对历史和当代大数据的收集和分析，正在为几乎所有可以想见的作物种植群体创造巨大的效率优势。

运用各种各样的技术手段，我们可以收集湿度、害虫流行率、降雨量、土壤温度及温度等数据，可以从地理信息系统中提取广泛的数据集，并有配备专门的红/绿/蓝（RGB）、光检测与测距（LIDAR）、热像仪、多光谱与高光谱相机的无人地面车（UGV）及无人驾驶飞行器（UAV）乃至固定无线传感器以收集更多具体数据。由此获得的数据结果，则可交由机器学习和深度学习程序进行分析。

Flaxman解释称，“如果没有AI技术来组织这些数据，那么单凭人类的头脑根本无法加以理解。数据总量高达TB级别，我们必须找到可行的方法过滤掉其中的无效部分。总而言之，我们既需要有能力监控常规情况，又需要能够捕捉到异常指标。”

他同时补充称，不同类型的数据间的相互作用，往往能够大大提升分析结果的精确度。“现在我们终于能够像多年以来的军方那样，牢牢把握住可能具有全局影响的迹象和线索。所谓迹象，就是在监控过程中发现的某些可疑的表现，代表我们值得投入更多资源来搞清楚究竟发生了什么。AI技术在把握迹象和线索方面表现得特别好，也就是先部署用于宏观监控的技术，再引入一些具体的技术手段来弄清楚可疑迹象背后到底指向怎样的底层问题。”

他还提到，AI技术已经发展到用户可以用自然语言向软件程序提出查询，再以视觉表示的形式（例如描绘某些特征的图谱）来获取答案的程度。

另外，用于收集数据的某些技术同时也可以作为解决方案的组成部分——例如，配备视觉检测技术的多种机器人技术（包括UGV和UAV）可以识别并清除杂草，并在目标区域喷洒杀虫剂。UGV能够在理想的深度种植种子。这些设备在匹配上机器人附件之后，还可以通过图像识别以远超其他机械化技术的精度收获农产品，大大减少对水果和蔬菜作物的损伤。

历史与当代数据相结合

自书写语言诞生以来，农民们已经翔实地记录下数千年间的数据。苏美尔人早在公元前3500年就开始记录他们的农作物产量。在美国，自1863年农业部成立统计司以来，该部门一直在收集全国农业统计数据。

AI模型可以利用我们祖先留下的记录信息，据此对决定当今农业运营状态的关键因素做出预测——特别是热量、降雨等气候因素，以及地下水及土壤养分等本地资源的储备情况。

在此之后，可以将这些数据与物联网传感器、无人机和UGV收集的信息，以及美国Landsat系统及欧Sentinel-2等卫星的观测结果进行比对，从而生成更具体且更有用的预测。事实上，这就是此类新型技术被统称为精准农业的原因所在。

Mike Flaxman, HEAVY.AI公司产品副总裁

Flaxman解释道，“AI技术特别擅长做数据清洗。水体传感器可能会卡死，航拍图像可能会被云层遮蔽。每个数据源、每种传感器都面临着自己的独特挑战。”而AI程序能够过滤掉静态数据，并从中概括出最有用的信息。

专为农场设计的决策支持系统（DSS），即农场管理信息系统（FMIS），有助于整合这些不同的信息源，并使用机器学习技术为种植、管理、收获和销售规划提供可行的指导建议。

这些建议有助于降低成本、提高产量，并且以更可持续的方式使用农药、化肥和水资源。它们还可帮助农民预测市场需求及定价，并据此制定生产计划，从而提高利润并减少浪费。

下面来看目前已经相对成熟的几类物联网及AI实践应用。

水资源管理

事实证明，AI在确定何时及如何灌溉农作物方面有着独特的功能优势。IBM开发的Liquid Prep产品就使用来自土壤传感器的水分保持数据，结合天气预报数据和特定植物的需水量数据，为何时灌溉特定田地和给水量提供建议。相关数据可通过移动端应用随时访问，方便快捷。

其他系统则整合了蒸发、湿度、土壤和环境温度数据，以及可以指示旱灾早期迹象的卫星及无人机数据。

Flaxman在谈到卫星数据时表示，“所有这些传感器的分辨率都在提高。所谓分辨率，既包含人们熟知的空间分量，也涉及对农业有着重要意义的光谱分辨率。比如从蜜蜂的视角出发，它们是凭借对红外线的敏锐感知发现花朵的。当植被面临干旱威胁时，蜜蜂能够在人眼识别变化的几周之前就在红外波段观察到迹象。这几周时间非常宝贵，可以提供足够的时间让我们部署对策。”

AI技术还能评估农场内不同区域的确切需水量，这些地区具有不同的地形和土壤参数，能够确保植物保持最佳供水状态——既不会灌溉过度，也不会灌溉不足。这反过来又让植物能更好地吸收肥料，并减少在过度潮湿或者过度干燥的条件下诱发病虫害问题的几率。

径流问题也能因此得到良好控制。径流不仅会浪费水资源，还会将污染物带入水体。随着干旱加剧、地下水资源枯竭以及可耕地质量随时间推移而逐步下降，水资源管理将变得越来越重要。事实上，全世界只有不到1%的淡水可供利用，其中约70%的地下水被用于灌溉。

除了管理现有作物之外，AI程序还可以利用数据分析结论来评估哪些类型的作物更适合在未来的气候条件下茁壮成长、高效产出。例如，AI技术已经确定了耐旱性更强的大豆品种。一项研究甚至开发出了能够减轻干旱对大豆影响的微生物，其中一部分工作就是由AI分析负责完成。

检测并缓解杂草与害虫问题

杂草、害虫和病害压力会引发严重的作物损失。在这些问题对作物造成无法修复的损害之前尽早发现迹象，对于维持可持续农业经营并保障其预期收益而言至关重要。

AI能够有效分析无人机和卫星拍摄的航拍图像，从中发现细微的光谱变化，据此分析出反映疾病或害虫侵袭早期发生迹象的指标。甚至早在十年之前，AI分析就能够检测出甜菜疾病，且准确率高达90%。

Kogan解释称，“AI是由包含数千种不同植物病虫害示例的高质量数据集训练而成。在我们的产品中，我们使用深度学习和神经网络来分析视觉数据并识别病虫害。以往，现场勘查人员需要穿过温室或田野，查看每株植物的叶片以识别异常状况。这当然是件非常辛苦的工作，勘查员也经常会错过一些重要特征，最终导致对病虫害的反应不够及时，平均造成30%左右的收成损失。”

通过AI检测的加持，对受影响区域的快速识别成为可能，并可使用适当农药进行处理，同时持续监控未受影响的区域，从而减少资源使用和环境污染。Avvocato指出，有了AI识别技术，“我们只需要对特定区域的农田喷洒农药，而不像过去那样在整片田地里全面喷洒。”

对挤占农作物生存空间、疯狂汲取养分的杂草进行检测同样至关重要。据统计，杂草每年从农作物处夺取必需的养分和水资源，降低了作物活力和产量。美国农民每年花费约260亿美元购买除草剂来解决这个问题。在某些极端情况下，除草成本甚至占到他们全年总开支的近三分之二。

使用AI技术则可精确定位杂草，而不会影响到周遭植物，也不需要在空中大面积喷洒除草剂。

Avvocato在采访中表示，“农作物和杂草在外观上非常相似，特别是在早期生长阶段。其中一大挑战，就是如何获取数量充足的高质量图像。因为这些农作物和杂草看起来非常相似。我们需要高质量图像来判断目标是需要喷洒农药的杂草，还是农作物的幼枝嫩芽。”

有项目发现，安装在全地形车上的摄像头可以穿越田间地头并发现杂草，然后直接喷洒除草剂，其准确率高达78%。另一个项目则使用深度学习技术识别杂草，准确率进一步提升至98%，旨在使用非化学手段去除杂草。也有人使用针对性机械干扰，例如铲除或引燃杂草。更有激光除草机出现，利用深度学习和机器人技术先识别杂草，再用激光将其消灭。

AI技术还可用于检测牲畜疾病的出现。例如，摄像头可用于检测养鱼塘中出现病原体的迹象。智能项圈则可监测哺乳动物的心率、呼吸及其他生命体征，从而在疾病恶化之前完成检测和诊断。

土壤条件与种植指导

除了监测土壤湿度和排水情况之外，AI技术还能够使用从物联网设备及历史来源收集到的数据协助分析土壤养分、成分和质地。对土壤类型进行分类之后，AI即可根据不同作物的需求对地块进行分配，帮助农民决定种植哪些作物、具体品种、种子播撒深度以及种间间隔距离。

AI程序还可以识别出种植方式的缺陷，并根据植物需求做出调整，从而优化肥料及其他土壤改良剂的选择，同时预测特定土壤条件下容易出现的病原体和害虫。

生长监测与收获管理

AI技术可以进一步协助农民，通过监测植物生长状况并将其与已知生长模式进行比较，进而评估作物的健康水平和成熟度，以及在不同情况下的具体产量。

例如，研究人员已经使用深度学习来监测草莓作物的成熟度，准确率高达99%。其能够确保在正确时间进行收获，并提高客户对产品的满意度。另一款程序使用AI技术来检测葡萄的结实过程，以75%的准确率识别出葡萄串，帮助酿酒商在成熟季之初就大致估算出最终收获量。

AI与物联网技术的结合亦可运用于收获本身。一项研究使用图像识别与机械臂相结合，将成熟西红柿的成功采摘几率提升至89%。收获之后，还可使用图像识别技术按质量对农产品进行分类。一支研究小组还根据榛子的大小和损坏程度对果实进行分类，准确率高达96%。

质量、大小和储藏寿命等因素也在AI分析的能力范围之内，成为种植户预测市场价格、把握竞争态势的重要手段，更准确地把握潜在需求与预期收入。

局限和挑战

虽然面向各主要作物的AI分析功能已经相当先进，但针对各类非常见作物的程序在可用性和准确性方面则参差不齐。要消除其中的检测异常，就必须对AI检测程序进行全面调整。

Kogan解释称，“由于缺乏丰富的现实参考，数据质量仍然是个巨大的挑战。因为无法对每项诊断进行实验室测试，我们只能高度依赖农学家对图像做出的人力分析。”

Valeria Kogan, Fermata公司创始人兼CEO

Flaxman还补充道，“目前的情况是，基于航拍的大范围测绘能力已经比较成熟，但对小规模细节的覆盖则不够充分。”

因此，这项技术可能还不适用于某些植物品类。Flaxman表示，“这将成为农业领域接下来需要克服的难题，但巨大的潜力空间也在其中。只要能够帮助AI技术获得识别特殊作物特征的能力，那么落地应用将再无障碍。毕竟很多人种的都不是常规的粮食作物。以草莓为例，很多企业可以绘制出专门的草莓种植图，有针对性地满足市场上的现实需求和种植户利益。”

虽然物联网和AI技术在协助农民经营方面显示出光明的前景，但目前相关方案还没有广泛被交付至个体农户手中。尽管部分发展中国家已经在尝试部署相关项目，也有些小规模农户设法在特定区域内引入新技术，但总体而言AI仍然只是农业巨头们的专属。将各类技术和数据集整合成可操作信息并据此采取行动是一项艰巨挑战，需要大量投资才有希望获得回报。

即使是单一应用，比如说灌溉管理，也需要大量数据和配套的管理程序。而且，每一项技术部署还只能收集特定类型的数据。Avvocato坦言，“进入这一领域的最大障碍，就是需要投入巨量资金购置基础设施。而且这类资金累加起来，总体数额将极其可观。”

FMIS已经初步显示出利用公开数据提取广泛见解，再据此指导农业生产实践的潜力，但多数人仍然不可能依靠小型空中无人机来发现局部疾病实例、或者安装传感器来监测土壤湿度。此外，在特定时间点上收集数据的实用性也比较有限。与从历史观察中收集到的广泛趋势相反，细粒度的本地化数据往往需要在经过长时间的积累之后才能真正具备实用性。

Flaxman指出，可以考虑为无法独自负担设备的农民提供空中观测服务，甚至推出合作计划，由邻近农户们共同进行调查并相互分享结果数据。他建议将这些数据与其他免费发布的卫星数据相结合，并使用订阅形式的网络服务及开源工具对结果进行分析。

随着技术的加速发展和更全面平台的出现，相关技术培训项目也有望帮助种植户们（特别是在发展中国家等粮食供应紧张的地区）使用物联网和AI改善其经营状况。

Avvocato指出，“发展中国家粮食供应的脆弱程度要比美国高得多。如果能够将农作物产量提高 10%、20%甚至30%，必将产生巨大的现实影响。”

与此同时，无人机航拍和依托大量传感器的农场田地扫描，也将继续为需要现场数据的AI程序提供动力，从另一个侧面帮助其提升能力极限、勾勒出通用人工智能的未来形态。