現在，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在糧食產量的兩倍。然而，全球變暖和城鎮化發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定而煩惱。

現在，人工智能的技術革新和互聯網的發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有的地球資源。

人工智能和智能農業

過去幾年，人工智能已經改變了大多數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、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據來找到常見模式，然后將這些模式轉變為預測和行為結果。當“機器學習”被用于農業生產時，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”，它利用了實時數據、歷史數據以及機器學習算法，對較小的區域和較短的時間區間采取一些針對性行為，而不是在非常大的區域按照常規，不加分析地執行完全相同的操作。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”實踐的一個典型例子，它希望將傳統農業轉變為一個數據驅動的實踐。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據，對農作物進行監控并且發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現和處理相當重要，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勢之一在于，如果經過了良好的訓練，算法可以隨時發現那些即使是優秀的人類專家都難以發現的問題。在醫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”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、微氣候數據、樹冠生物量和葉綠素等等。這些數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”的操作其實很簡單，就像我們根據濕度數據來控制不同的田地和區域一樣。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的操作。ConserWater公司利用了NASA的衛星圖像和、天氣數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的門檻。

人工智能技術在農業部署上面臨的一個主要挑戰是硬件設施在農田覆蓋的聯通性很差。這限制了數據的收集，而數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。

人工智能可不止于智能農業

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，創造更安全、更高效的農作物保護產品和化肥，并且開發更多的農產品。實際上，人工智能在這些領域的介入更加成熟，因為這一領域的數據更加豐富，數據獲取的速度也更快。

糧食的損失和浪費很可能會發生在收獲和運輸的過程中。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來解決，機器學習算法能夠根據一些必要的數據，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。隨著硬件聯通性的不斷完善，人工智能技術的不斷發展，我們可以期待自動化的、數據驅動的未來農業的發展方向。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。但就現在而言，人工智能才是我們的最佳選擇。

更多資訊請關注工業機器人頻道