現(xiàn)在，世界即將面臨一個重大危機，這個危機不是人工智能帶來的“世界末日”，而是地球人的吃飯問題。預計到2050年，地球人口將達到90億，為了滿足大幅增長的糧食需求，未來糧食產量至少需要達到現(xiàn)在糧食產量的兩倍。然而，全球變暖和城鎮(zhèn)化發(fā)展等不利因素正制約著農作物的生長，糧食增產相當困難。

 

　　幾個世紀以前，工業(yè)革命和技術革新大大提高了我們對地球資源的利用程度，在當時看來，地球資源仿佛是取之不盡的。而現(xiàn)在，我們卻在因為土地和水資源的短缺而緊張，因為天氣狀況的不穩(wěn)定而煩惱。

 

　　現(xiàn)在，人工智能的技術革新和互聯(lián)網的發(fā)展可能會有助于緩解、甚至解決這些問題。本文，我將介紹人工智能如何幫助我們更高效地利用現(xiàn)有的地球資源。

 

 

　　過去幾年，人工智能已經改變了大多數(shù)公司和組織的運作方式。如今，這些人工智能算法影響了許多你接觸過的網絡服務，比如谷歌的搜索引擎、Facebook的好友推薦系統(tǒng)、亞馬遜的產品推薦服務等等。

 

　　隱藏在這些服務轉型背后的技術創(chuàng)新其實是“機器學習”，它實際上是一種算法，它通過處理和分析海量數(shù)據來找到常見模式，然后將這些模式轉變?yōu)轭A測和行為結果。當“機器學習”被用于農業(yè)生產時，它就能幫助防止農作物被破壞和浪費。這一實踐被稱為“精準農業(yè)”，它利用了實時數(shù)據、歷史數(shù)據以及機器學習算法，對較小的區(qū)域和較短的時間區(qū)間采取一些針對性行為，而不是在非常大的區(qū)域按照常規(guī)，不加分析地執(zhí)行完全相同的操作。舉例來說，我們應該在受蟲害的某棵樹或者是某根樹枝，甚至是某片葉子上使用少量的農藥，而不是大面積地噴灑。這樣，我們才能有效地減少農藥的支出，既避免農藥的浪費，也避免了農藥過量使用所帶來的危害。

　　Prospera公司是“精準農業(yè)”實踐的一個典型例子，它希望將傳統(tǒng)農業(yè)轉變?yōu)橐粋€數(shù)據驅動的實踐。Prospera利用了設置在田地里的攝像頭、傳感器以及收集到的微氣象數(shù)據，對農作物進行監(jiān)控并且發(fā)布農作物的實時分析。深度學習和計算機視覺算法通過對收集到的數(shù)據進行分析，進而了解并報告農作物的生長情況。這對于早期農作物疾病的發(fā)現(xiàn)和處理相當重要，有助于減少農作物的損害，從而擴大糧食產量。利用計算機視覺技術來分析農作物圖片的優(yōu)勢之一在于，如果經過了良好的訓練，算法可以隨時發(fā)現(xiàn)那些即使是優(yōu)秀的人類專家都難以發(fā)現(xiàn)的問題。在醫(yī)學界的癌癥診斷領域也使用了與之類似的方法和技術。

 

　　Arable是另一家從事“精準農業(yè)”的公司，它利用了一種智能傳感器來收集農田里的各種信息，比如降雨量、濕度、農作物的蓄水量、水壓、微氣候數(shù)據、樹冠生物量和葉綠素等等。這些數(shù)據能夠幫助農民時刻關注農作物的情況，根據實際的測量值而不是依靠主觀經驗和猜測，進而作出農作物相關的預測，并且有針對性地采取某些自動化措施。這些“精準農業(yè)”的操作其實很簡單，就像我們根據濕度數(shù)據來控制不同的田地和區(qū)域一樣。該領域的其他公司還在嘗試在沒有硬件設施的情況下進行精準農業(yè)的操作。ConserWater公司利用了NASA的衛(wèi)星圖像和、天氣數(shù)據以及深度學習算法來預測農作物的需水量，盡管這些預測不如傳感器和攝像頭得出的預測精準，但是它的投入成本相對較低，這實際上降低了農民進入精準農業(yè)的門檻。

 

　　人工智能技術在農業(yè)部署上面臨的一個主要挑戰(zhàn)是硬件設施在農田覆蓋的聯(lián)通性很差。這限制了數(shù)據的收集，而數(shù)據收集恰恰是機器學習算法的關鍵。但是隨著人們對這一領域興趣的不斷增加，越來越多的公司開始行動，這些障礙正不斷被克服。

 

　　人工智能技術可以用于提高糧食產量、減少浪費，但這并不是其發(fā)揮作用的唯一領域。在實驗室和研究中心，機器學習算法能夠幫助培育更好的植物基因，創(chuàng)造更安全、更高效的農作物保護產品和化肥，并且開發(fā)更多的農產品。實際上，人工智能在這些領域的介入更加成熟，因為這一領域的數(shù)據更加豐富，數(shù)據獲取的速度也更快。

 

　　糧食的損失和浪費很可能會發(fā)生在收獲和運輸?shù)倪^程中。舉例來說，不合適的地形狀況會在收獲的過程中導致大量的農作物損耗。另外，農作物運輸途中的天氣狀況也會影響到農作物的產量，比如運輸途中的降雨會導致運輸延遲，對農作物造成不利的影響。

 

　　這個問題我們可以利用土壤傳感器和天氣分析系統(tǒng)來解決，機器學習算法能夠根據一些必要的數(shù)據，例如土壤濕度、未來天氣狀況以及運輸途中將面臨的潛在影響因素，預測出收獲的最佳時機。自動化和協(xié)調性種植、農作物收獲和分配能夠盡量縮減農作物在運輸途中的時間，從而減少農作物損耗。隨著硬件聯(lián)通性的不斷完善，人工智能技術的不斷發(fā)展，我們可以期待自動化的、數(shù)據驅動的未來農業(yè)的發(fā)展方向。這些技術革新究竟是否能夠解決不斷增長的人口的吃飯問題，我們還未可知。但就現(xiàn)在而言，人工智能才是我們的最佳選擇。