作者 | 非主流

出品 | AI科技大本營

看這一籃水靈的黃瓜，賣相也好，為啥貼著騰訊的標籤？難道騰訊要開始賣瓜？

其實，騰訊不是賣瓜，而是親自種了一次瓜。

緣起：AI 溫室種黃瓜比賽

昨天（12 月 12 日），荷蘭瓦赫寧根大學（WUR）主辦的國際人工智慧溫室種植大賽（Autonomous Greenhouse Challenge）結果揭曉。其中，微軟團隊 Sonoma 總分第一，騰訊 AI Lab 與農業專家組成的 iGrow 隊總分第二，拿下亞軍。

本次大賽由荷蘭瓦赫寧根大學於今年 3 月發起，旨在通過人工智慧與農業等多學科團隊協作，展示人工智慧驅動溫室的能力，在提升農業生產力的同時，減少資源消耗，滿足日益增長的人口需求，幫助人類過上更健康的生活。

比賽的挑戰目標，是在 4 個月內生產出高產量、高資源利用率的黃瓜作物。參賽團隊利用感測器和攝像頭，獲取溫室氣候、作物發育情況等資料，加入自己的模型或機器學習演算法，遠端控制作物生長。

比賽的溫室

大賽吸引了包括微軟（Sonoma 隊）、騰訊（iGrow 隊）、英特爾（Deep_greens 隊）等在內的來自 15 個國家的 14 支團隊參與。其中，iGrow 隊由來自騰訊 AI Lab 的 AI 專家，以及來自中國農業科學院、北京農業資訊科技研究中心、黑龍江植物學會、Syngenta 種子公司、荷蘭瓦赫寧根大學的農業專家和學生組成。

目前在“AI+農業”領域，一大技術難點在於，計算機模擬受農業生產的特點影響，與真實的農業種植之間存在巨大的鴻溝。在農業生產中，影響作物生長的因素極為複雜，種植很難標準化，環境變化也難以預測，這些因素會嚴重阻礙人工智慧的效能發揮。儘管本次比賽為環境相對可控、較易標準化的溫室黃瓜生產，但計算機模擬如何有效遷移到真實的農業種植中，依然是一大技術挑戰。

iGrow團隊人工智慧系統

比賽中，騰訊 AI Lab 的 AI 專家根據植物學、生物學和物理學等相關學科知識進行建模，建立起模擬氣候環境和作物生長的模擬器。隨後，團隊開搭建出一個農業人工智慧系統，通過創新的強化學習方法，將 iGrow 農業專家的知識和經驗自然地嵌入模擬器中，使人類專家能夠在種植密度、灌溉施肥、打頂剪枝等方面，實現對 AI 的有效干預，提高 AI 學習效率，最終在資源最優化的同時，最大程度地提升作物產量。

與傳統的人工種植相比，人工智慧的優勢在於，它能對種植過程進行全域性優化。從一開始的種植密度、留莖比例，到後來的留葉、留果策略，以及在溫室中對光照、通風、溫度、溼度、CO2濃度、水分等的控制，它都能在模擬器中通過強化學習自動尋找最優解。人工智慧可為作物的各個生長週期尋找和提供最適宜的環境狀態，同時進行資源最優配比，以最大化地節省資源。

專訪：騰訊還會種什麼？

AI科技大本營：人工智慧溫室種植大賽的評分標準（比如AI策略）有哪些？每項評分標準代表這什麼？

答：評分標準：

淨利潤50%——溫室成長挑戰的預定目標：在WUR Bleiswijk的溫室隔間中，通過不斷增長的高線黃瓜獲得最高的淨利潤。每週（週一）提供上個禮拜不同的黃瓜價格，並將黃瓜質量分A、B、C等級。

可持續發展性20%——能源利用效率、CO2用量、用水效率、已註冊的農藥使用量。每個方面的定量資料將根據溫室種植實驗期間每個團隊的資源使用情況計算得出，每週統計一次。

AI戰略方法30%——關於整體科學共性的新穎性，關於在園藝領域應用的新穎性（新穎性）；無需人工干預即可自主遠距離操作的能力（功能性）；無需任何其他感測器或資訊（穩健性）的運營能力；容易實現大規模（可擴充套件性）

陪審團可能認為相關的任何其他方面

AI科技大本營：比賽過程中除了人工智慧系統遠端控制以外，需要人工在現場的參與和輔助嗎？

答：瓦大的感測器會收集溫室溫度、溼度、水分、二氧化碳濃度、光照熱量等資料，通過網路把資料傳輸給我們，一些感測器無法獲取的資訊和資料（比如黃瓜產量和售價）會由瓦大的工作人員定期進行整理，傳送郵件告知，我們對這些資訊整體分析後，在深圳通過控制器遠端操控溫室，比如屋頂通風、照明、加熱等等。另外一些無法通過控制器完成的，比如摘果或者打頂這些事情，我們會發郵件告知瓦大的工作人員具體策略，然後他們進入溫室實施。

AI科技大本營：騰訊用的是強化學習的方法，將農業專家的知識和經驗自然地嵌入模擬器中，能具體介紹下這項技術嗎？

答：首先，我們根據植物生長髮育規律、溫室環境動態過程等相關知識進行建模，用生成對抗網路構建了一個模擬溫室氣候條件和作物生長情況的模擬器（模擬器）。所以我們建立了一個農業人工智慧系統，利用創新的強化學習方法，將農業專家的知識和經驗自然地嵌入到模擬器中，讓人類專家在溫室初始設定（如種植密度）、種植過程的策略（如灌溉、打頂）等方面能夠有效地干預AI，提高AI的學習效率和魯棒性。具體做法是把農業專家的動作加入到強化學習的回報函式中，並通過一個判定準則自動判定是否採取農業專家動作。如果 AI 判定用農業專家的動作，則直接採用，否則忽略農業專家的意見。

AI科技大本營：為什麼騰訊用的感測器比較少？系統如何與這些感測器結合？

答：本次比賽中我們是唯一一個僅使用主辦方配置的感測器，沒有新增額外新增的 AI 種植團隊。我們的系統通過高效的資料模擬和運算，得知額外感測器對增加最終產量和減少資源損耗並沒有帶來幫助，因此決定不增加除了組委會提供的標準以外的感測器，相比於其他隊伍大大降低了智慧農業的生產成本，在市場應用和推廣上頗具潛力。因沒有增加感測器，整個系統運作時就與之前提到的模擬器完全一致，用同樣的操作邏輯即可用上這些感測器。

AI科技大本營：騰訊應用了怎樣的生物防治系統？全程都不需要農藥嗎？

答：溫室主要是是防病，而非防蟲。一方面溫室自身的封閉性可以減少蟲害，另一方面人工智慧對溫溼度等各方面的調控可以為作物提供最健康和適宜的環境，所以能增強作物的抗病蟲害能力。

我們一直監控著病蟲害情況，採用生物防治系統進行控制。農作物的生長過程非常複雜，在病蟲害的困擾這點上。人工智慧在這方面還要繼續學習。

到具體的行業應用上，我們調查發現有一些成功案例，是 AI 在產中階段用於監測環境資料和農作物生長情況。通過建立病蟲草害特徵分類資料庫，並利用計算機視覺技術識別作物品種、病害程度和雜草生長情況，可實現智慧預防和管理病蟲草害，減少經濟損失。不僅如此，這在一定程度上還可減少除草劑和殺蟲劑的使用，提升農產品安全性，減輕環境影響。

AI科技大本營：系統如何判斷黃瓜的生產情況（坐果率、病蟲害等），並自動給出相應的解決方案（留葉、留果策略等）？

答：溫室本身的設定就是不容易有蟲害，因為溫室有隔離，很大程度上減少害蟲的困擾。植物會生病，但生病的原因可能是因為空氣潮溼不是很適合生存之類的，而不是害蟲的原因。不過，在未來的戶外實驗和應用中，AI 還得繼續學習，研究下如何解決這個害蟲的問題。

至於留葉留果策略是比賽後期一個很大的挑戰，並不是AI自動給出的相應解決方案，而是通過了三四十個來回的討論，查閱大量相關文獻才定下的重大策略。比賽快結束的時候重要的大事是做好留果留葉策略，爭取黃瓜有個好收成。植物生長的過程類似拋物線，生命週期會有起伏、最高點最低點。所以我們要估算什麼時候結束是最合適的。首先我們都不是種植黃瓜的專家，其次關於黃瓜的資料也都很少，所以我們也將種植西紅柿等的資料作為參照。我們團隊裡AI側成員和農業專家來回討論了三四十回來制定策略。從結果來看當初的策略很正確，在最後衝刺了一下產量。

AI科技大本營：黃瓜的質量是怎樣評定的？有哪些標準？

答：優質A：重量375g或更多；優質B：重量300克至374克之間，有瑕疵，如彎曲的形狀，不是深綠色；質量C：低於300克。

AI科技大本營：如何把這項技術大規模推廣？存在哪些挑戰？

答：目前在AI+農業領域，一大技術難點在於，計算機模擬受農業生產的特點影響，與真實的農業種植之間存在巨大的鴻溝。在農業生產中，影響作物生長的因素極為複雜，種植很難標準化，環境變化也難以預測，這些因素會嚴重阻礙人工智慧的效能發揮。儘管本次比賽為環境相對可控、較易標準化的溫室黃瓜生產，但計算機模擬如何有效遷移到真實的農業種植中，依然是一大技術挑戰。

AI科技大本營：騰訊對AI+農業有著怎樣的商業化佈局？除了種植業之外，還會應用到養殖業嗎？

答：這是一次全新的探索與嘗試。人工智慧技術在現代農業生產全階段的滲入，對推進農業的自動化、資訊化和智慧化，提升農業生產的質量與效率具有重要意義，但技術發展和應用並非一蹴而就。人工智慧這麼年輕的行業，與古老的農業相碰撞時，會遇到諸多挑戰，如何預見和解決這些難題，需要耐心、創新，甚至是一些靈感。但其中蘊含的機遇也是巨大的，我們希望能有更多跨學科專家、企業家和投資者一起攜手，共同發掘AI+農業的各種可能性。

騰訊首席探索官網大為先生在解釋騰訊為何要大力支援並參與這個專案時表示：“地球現在面臨著人口增長、氣候變化等諸多挑戰，人類賴以生存的 FEW（食物、能源、水）對我們的未來至關重要。騰訊的使命是‘通過網際網路服務提升人類生活品質’，作為國際領先的科技企業，我們必須拓展現有體系和架構，AI 是其中一個重要的解決方案——力爭用最少投入獲取最多產出。儘管“AI+農業”應用尚屬早期，但已經取得令人興奮的成果。如果實現自動化，將能釋放驚人的生產力。我們要充分認識到人工智慧可以發揮的作用，積極投入資源做技術研發。提高糧食生產力是全球優先事項（Global Priority），而不僅僅是潛在的商業機會。我們需要鼓勵更大膽的設想，激發出更多的解決方案。”

未來：AI 將改變農業

近年來，隨著人工智慧技術不斷髮展，其應用已逐漸滲入農業生產全過程，包括產前的育種選種、土壤分析，產中的病蟲害管理、自動採收，以及產後的品質檢測、優化物流等等。

產前：育種選種、土壤分析

例如，在產前階段，深度人工神經網路可利用物聯網獲取的資料，對灌溉用水進行分析和指導，並通過對土壤成分的檢測分析，選擇適宜種植的作物品種，合理施肥。通過對農作物市場週期需求的大資料分析和預測，也可指導作物種植品種選擇，避免產銷脫節引發價格劇烈波動，造成經濟損失和農產品浪費。另外，雲端計算、大資料分析和機器學習等技術，還可以幫助篩選和改良農作物基因，達到提升口味、增強抗蟲性、增加產量的目的。

產中：病蟲害管理、自動採收

在產中階段，人工智慧技術可用於監測環境資料和農作物生長情況。通過建立病蟲草害特徵分類資料庫，並利用計算機視覺技術識別作物品種、病害程度和雜草生長情況，可實現智慧預防和管理病蟲草害，減少經濟損失。不僅如此，這在一定程度上還可減少除草劑和殺蟲劑的使用，提升農產品安全性，減輕環境影響。

針對傳統農業“看天吃飯”的缺陷，利用機器學習技術處理衛星影象資料，可預測天氣等環境變化對作物的影響，提前應對。在採收環節，計算機視覺技術與機械臂或機器人結合，可實現 24 小時自動化採收，節省人力，降低成本。此外，大資料處理和語音識別等技術可運用於農業智慧專家系統中，為農業從業者提供專業諮詢服務和指導，幫助解決生產中各種技術問題。

產後：品質檢測、優化物流

在產後階段，具有計算機視覺的機械臂可進行農產品售前品質檢測、分類和包裝等工作；用大資料分析市場行情，可幫助農產品電商運營，引導企業制定更靈活準確的銷售策略；通過人工智慧遺傳演算法和多目標路徑優化數學模型，可對物流配送路徑進行智慧優化，完善生鮮農產品供應鏈等。

最後，為大家獻上一段 rap。

嘿

嘿

準備好了沒

你看這個瓜 它又直又長

就像這隻鵝 它又胖又萌

你們 來這裡 吃瓜

覺得 瓜 很好吃

我看行

你們 來這裡 吃瓜

就像 我給你們種瓜 一樣很開心