100億人口會挨餓嗎？人工智能迎擊全球糧食問題

　　人類又面臨了一項危機——隨著人口不斷膨脹，到2050年人類總人口也許要達到100億，然而，地球卻沒有等比例放大，這意味著同樣面積的土地資源必須喂飽翻了n倍的人口。隨著全球變暖以及跟隨而來的水資源短缺，人類將面臨嚴重的糧食問題。

　　也許機器的到來是一個歷史偶然。真正智能的機器人和機器學習算法也許能幫助推動一場新的“綠色革命”，從而解決日漸嚴重的口糧問題。想象一下，如果衛星可以自動檢測旱災發生模式，如果拖拉機可以通過“目測”消滅患病的農作物，如果一個人工智能支持的智能APP可以讓農民知道如何應對農田里的農作物病害。

　　稻草人要成為歷史了，保護農業的未來就拜托人工智能了。

　　AI給農作物“看病”

　　深度學習是一種計算方法，程序員不用確切地告訴計算機該做什么，而是訓練計算機識別某些模式。你可以給計算機輸入患病和健康的農作物葉子圖片，并做上標記。計算機可以以此學會患病和健康的葉子看起來有什么不同，并能獨立判斷新作物是否健康。

　　這就是生物學家David Hughes和流行病學家Marcel Salathe的研究，他們用感染了26種疾病的14株作物進行了實驗。他們在計算機中輸入了超過五萬張圖片，計算機程序通過自主學習，最終能夠以99.35%的正確率判斷研究人員輸入的新圖片。

　　不過，這些是動過手腳的圖片，其中的燈光和背景都是一致的，為計算機識別葉片圖像降低了難度。如果從互聯網上隨機下載一張患病作物的葉片照片，讓計算機去判斷，軟件的準確率就降低到了30%-40%。

　　不太好。不過，Hughes和Salathe希望能使用這項人工智能技術支持他們的APP“Plant Village”，這個APP可以讓世界各地的農民給自己患病的作物拍張照片，上傳到論壇上，讓專家來診斷農作物疾病。為了提高這項技術的“智商”，他們會繼續給AI輸入更多的患病作物照片。“從各種不同渠道而來的圖片越多越好，渠道指的是照片拍攝的方式、季節、位置等等因素。”Salathe說，“軟件可以吸收這些信息，不斷學習。”

　　這不只是排除農作物之間的疾病傳染，還有很多其他因素會影響農作物。“大部分影響生長的都是生理壓力，例如缺鈣、缺鎂或者鹽分太高、熱量太高等，”Hughes說，“人們有時候會以為是細菌或者真菌疾病。”誤診導致農民浪費了時間和金錢去買殺蟲劑或者除草劑。未來，人工智能可以幫助農民更加準確地定位問題所在。

　　在那之后，人類將奪回控制權——因為雖然APP可以定位問題，但是沒法像人類專家一樣，考慮緊氣候、突然、季節等因素，給農民提供最適合的解決辦法。聯合國糧食及農業組織（FAO）認為這類技術是農作物管理的一種“有用工具”，但還是要聽專家說了算。因此，FAO的植物病理學家Fazil Dusunceli說，非常歡迎這樣的技術幫助，但是“最終病害管理決策應該與現場的專家一起合作制定。”

　　走路“長眼”的拖拉機 可以說，現在沒有哪一個國家在農業方面可以高枕無憂——發展中國家亟需農業知識，而發達國家則淹沒在殺蟲劑和除草劑之中。在美國，僅僅在玉米、大豆和棉花作物上，每年農民使用的除草劑就多達三億一千萬磅（編者注：相當于大約一億四千萬公斤）。

　　一家叫做藍色河流科技（Blue River Technology）的公司可能找到了一種解決辦法，至少對卷心菜來說有了新的希望。公司的“卷心菜機器人”（LettuceBot）長得像一臺普通的拖拉機，但是其中包含了機器學習的智能技術支持。

　　公司稱，“卷心菜機器人”可以在駛過農田的時候，每分鐘拍攝五千張幼苗的照片，使用算法和機器視覺來識別每一株植物到底是卷心菜還是雜草。“這是基于機器學習計算和計算機視覺的力量，”Jeremy Howard說，他是深度學習機構Enlitic的創始人。他補充道，一塊圖形芯片識別圖像只要0.02秒的時間。

　　在四分之一英寸（編著注：大約0.63厘米）的精度下，機器人可以在行進中定位雜草，并在每株雜草上噴灑除草劑。如果機器人“目測”到一顆卷心菜生長得不然太理性，它也會給它噴除草劑（農民過度種植多達5倍的卷心菜，所以偶爾犧牲掉一顆也沒關系）。如果兩株菜苗長得過于靠近，機器人會知道這不是一顆特別大的菜苗，并且把這兩株也摧毀。

　　如果你覺得機器人的做法太殘酷，我們先來看看另一種選擇：不管三七二十一，先給正片農田噴上除草劑。“這類似于說，如果舊金山出現了一種傳染病，我們唯一的辦法就是給所有人，不管男女老少，都打一針抗生素。”Blue River Technology公司的Ben Chostner說，“人們的病可以治好，但是這很浪費錢。而且，這種辦法沒有把抗生素的效果發揮得最好。”

　　而有了“卷心菜機器人”，Chostner說農民可以將化學物品的使用量減少90%。而且，機器人已經開始努力干活了——Blue River管理的農田提供了美國每年卷心菜消耗量的10%。

　　上帝視角的衛星

　　NASA的Landsat衛星在我們頭頂上空400英里（編者注：大約643.74千米）環繞地球，為地球表面提供了魔法般強大的調查數據。各種層面的信息數量太大，對于人類來說很難消化，但是有了機器學習算法，這根本是小菜一碟。

　　這對農業監管來說具有極大價值，尤其是在發展中國家，政府和銀行在決策中非常缺乏數據支持，難以決定應該給哪些農民批準貸款或者緊急支援。舉個例子，在印度的一次旱災中，我們不僅看到不同的區域有不同程度的受災影響，而且在區域內，一部分農民比其他人能容易獲得水資源。

　　因此，一家名叫Harvesting的公司正在使用機器學習，大規模分析衛星數據，希望幫助機構更加高效地分配財政資源。“我們對這項技術的期望是分離出一部分農民和村莊，讓銀行或者政府將資金導向正確的群體。”Harvesting公司CEO Ruchit Garg說。他說，一個人類分析師可以同時可以處理10項、10項變量，而機器學習算法可以處理超過2000項變量。這完全不是同一個層級上。

　　隨著全球變暖讓氣候越來越混亂，政府面臨的壓力越來越大，必須能夠正確分配有限的資源。傳統上，農業在印度算是一個相對容易預測的行業，至少從人類對環境的可控性這個意義上來說。“我從我的父親、我的祖父等祖祖輩輩人之中學到的知識，就是我用來耕田的知識，就是我對于季節環境的認識。”Garg說，“但是，因為氣候劇變，我所面臨的，不再是我的先人們所面臨過的環境了。”

　　對，這是一個完全不同的世界了。農民可能在變化的環境中遭受打擊，或者也可以進入更加智能的農業時代。農民可以獲得更多數據、更多人工智能、更多可以噴灑化學品的機器人。