人类本身的存在就是一个BUG，自从智人开始进化以来，全球的总人口可能在2050年膨胀到前所未有的100亿，但是我们的地球自太阳系稳定以来却没有怎么扩张过。这就意味着，我们要在有限的土地上养活越来越多的“吃货”，加上我们对自然环境的改变，全球变暖、厄尔尼诺现象、水资源的剧烈波动性、等，我们已经开始发现周围的一些问题了。我们将与危机进行竞争，力求赢得生存的概率。

[-]

偶然或者必然，在深蓝、AlphaGo，无人驾驶等技术浪潮下，机器时代即将开幕，真正的智能时代，令人刮目相看的机器人、机器学习的算法、也许是能够帮助我们进行一场绿色革命，缓解人类与自然的冲突，并且为未来膨胀的人口提供生存的必要条件。想象围绕在地球表面的卫星自动的学习地表的干旱，并进行预测；能够自动除草和杀灭病虫害的AI拖拉机/机器人；具有一套专家诊断系统支持的AI手机APP能够告诉我们的种粮大户庄稼有什么问题，又该如何处理？

在AI的加持之下，粗陋的稻草人将拥有强力的智能，化身为庄稼侠，维护田间的正义。

绿色数字化手指

深度学习目前是人工智能届的一大武器，程序员无需告诉机器具体该做什么，而是通过训练算法去学习某种特定的模式。因此，你可以教会人工智能如何去辨别一副图像中的健康植物，或者有什么病虫害(带有标记的有监督学习)。在通过大量的学习之后，分类器能够自动生成一个能够鉴别健康植物的模型。

生物学家David Hughes和流行病学家Marcel Salathé已经整理了14种作物常见的26种疾病，通过训练学习算法，分类器通过图片进行病理诊断的准确度已经高达99.35%。

尽管如此，这些刻意选取的照片在拍摄的过程中有比较好的光照和背景区分度，使得算法的准确率较好。但是那些来自一线农田发送来的照片的识别准确度只有30-40%左右。

他们的最终目的是使得全世界的农民能够通过网络和他们的PlantVillage软件向AI发送相关的诊断照片，喂食AI来自世界一线的素材，能够使得它茁壮成长。不过，除了照片，还有不少别的维度的照片，比如拍摄器材，时间，地点等。

除了要识别疾病，还要考虑很多其它的因素，除了疾病，大多数的植物主要造成生物应激(physiological stress)的下降的原因还包括矿物元素缺失，和土壤盐分、以及温度、湿度等条件的变化(生理应激反应表现为身体一系列生理、生化、内分泌、代谢、免疫过程的变化)。但是，很多人的直观反映是这与某种微生物有关，从而导致错误的治疗方案。这种误诊即会导致农民滥用农药和除草剂导致经济损失，也会带来额外的环境污染啊。我们需要增强AI在这方面的能力，以便能够及时和准确的判断植物生长的受限因素。

进一步的，我们要想重新夺回对作物的控制权还需要考虑让AI能够识得不同作物的生长特性、一年的气候变化，达到节气，小到天气；土壤的理化性质等等。联合国粮食和农业化组织对这种能够有效对作物进行管理的工具赞不绝口。

自动化拖拉机

[-]

农业技术对发展中国家十分的重要，而发达国家的农田则淹没在杀虫剂和除草剂的海洋中。美国每年农民需要花费3.1亿英镑(英国人统计的？)购买除草剂，这还仅仅只统计了玉米、大豆和棉花的种植。传统的喷洒方式采用的是地毯式的轰炸技术，全方位覆盖农田，保证无死角。

一家名为蓝河高科(Blue River Technology)的公司给出了他们的解决方案，LettuceBot看起来只是一个普通的拖拉机，但是其实却具备强大的机器学习能力。

蓝河声称这台拖拉机能够在一分钟内检查5000株幼苗，利用机器视觉技术和算法来区分幼苗和杂草。这种速度与人力相比简直快很多哦。多亏了相关的算法，还有专用的图像计算芯片，使得我们的每张图片的解算只需要0.02秒。Enlitic(深度学习套件)的创始人Jeremy Howard说道。

在四分之一英寸的解析精度上，机器人能够快速的对杂草进行定位，并进行喷雾处理。如果是照看大颗的蔬菜，还能够判断他们的长势。如果长得太弱鸡，他们也会喷一喷，主要是因为有些农民在种植的时候播种密度太大，所以需要牺牲长势不好的。对出芽太近的甘蓝，机器还能挑出长得弱的干掉。

这是一种能够被采纳的细化方案，类似于如果在旧金山这种大型城市，少数人感染如丧尸病毒这种高致病几率的情况下，如果有有效的疫苗，那么虽说全市人民不会疯抢着去接种？这样药厂就要发大财。这就是保护伞公司的策略。蓝江的AI拖拉机就相当于一个能够快速锁定丧尸的机器人，能够很快将所有僵尸在几天内全部爆头，简直就是挂逼。

采用这种机器人，保守估计能够降低约90%的药物使用，目前美国约有10%的生菜种植商采购了蓝河的拖拉机。

采用机器学习的算法，机器人有get了不少新能力，更加精细化。虽然机器人的准确度和适应能力目前还不如我们，不过他们所擅长的重复操作使得他们成为精细化种植的杂草狙击手。

上帝视角

在你头顶600英里的轨道上，NASA的陆地卫星所能够扫描到的图像远超可见光光谱所容纳的信息。对与某个人来说，这种信息量太过庞大了，但是对目前的机器学习算法而言，这都不是事。

如果发展中国家能够掌握农业监控的能力，政府能够更加合理的对专项资金的使用进行规划，比如哪些地方的农民需要更加及时的贷款，需要针对特定的突发灾害进行何种救治方案。印度的干旱情况，在各个地区都不一样，如何调度有限的水资源进行救灾需要更全面的考虑总体情况。

刚刚启动的Harvesting项目通过分析海量的卫星数据，来对灾情进行综合评估。他们希望算法能够将各个村庄的灾情进行有效评估，使得银行和政府的自己能够按需分配给他们。人工处理的参数上限有10-15个，但是机器学习算法能够处理2000多个参数的模型，虽然这种情况比较极端。

针对全球变暖，气候极端变化造成的各种自然灾害(不过搞清楚源头是人类的情况下是否还应该称之为”自然灾害“)，各国政府也十分迫切的希望找到能够合理对有限资源进行分配的方案。传统上，印度的养殖业一直是相对可预测的，至少在人类所构建的养殖场中。但是，近年来的极端气候的剧烈变化，使得原有的规律被打乱。一场飓风和寒潮可能导致大量的禽类死亡。

我们的所作所为已经打乱了原有的自然规律，新世界的秩序我们还没能掌握。不过好在我们研究出来了人工智能，我们需要借助机器人的能力在新世界中生存的更优雅。

本文译自 wired，由 邻家乖蜀黍 编辑发布。

PREV : 在土卫十六的磨蹭下，土星光环“喷射”了
NEXT : 宇宙里最早的氧气都是哪里来的