Что такое ИИ в сельском хозяйстве?
Под ИИ в сельском хозяйстве понимают применение машинного обучения, позволяющее воспринимать биологический материал, судить о нём и воздействовать на него, притом что этот материал отказывается стоять на месте. Он охватывает три отдельные задачи, и именно сведение их к одному слову ломает большинство решений о покупке.
Восприятие означает чтение культуры: помята ли эта черешня, поражён ли этот лист, спелая ли эта ягода. Решение превращает показание в инструкцию: полить этот участок, обработать тот ряд, убирать в четверг. Исполнение поручает инструкцию машине: роботизированная рука, смыкающаяся на клубнике, сортировщик, сдувающий бракованный плод с ленты.
Все три отказывают по-разному и стоят по-разному. Ошибка восприятия на упаковочной линии кладёт одну плохую черешню в лоток. Та же частота ошибок на опрыскивателе выливает химию на здоровый ряд или пропускает поражённый. Материалы поставщиков обычно сливают все три в один процент точности, и именно с этого процента начинаются проблемы.
Есть и четвёртая категория, которую стоит отделить, потому что покупатели 2026 года продолжают путать её с остальными: языковые модели, дающие агрономические советы. Это задача знания, а не восприятия, и, как мы увидим, ведёт она себя почти противоположным образом.
Честный итог по отрасли: ИИ в сельском хозяйстве работает исключительно хорошо везде, где камерой управляет человек, и резко деградирует везде, где ею управляет природа. Всё дальнейшее обосновывает эту фразу через четыре культуры и две неудачи.
Проблема 99,35 процента
Самый цитируемый результат в агрокомпьютерном зрении одновременно и самый неверно прочитанный. В 2016 году команда обучила глубокую свёрточную сеть на открытом наборе из 54 306 изображений листьев, охватывающем 14 видов культур и 26 болезней. На отложенной части этого набора модель достигла точности 99,35 процента.
Именно это число отрасль повторяла десять лет. В той же работе приведено второе число. На изображениях из других источников, снятых в условиях, отличных от обучающих фотографий, модель показала 31,4 процента (Mohanty и др., arXiv:1604.03169). Авторы отмечают, что это всё же выше случайного выбора в 2,6 процента, и заключают, что нужен более разнообразный обучающий набор.
Прочитанные вместе, эти две цифры дают неприятный вывод. Модель научилась распознавать не болезнь. Она научилась распознавать фотографическую постановку: однородный фон, ровный свет, один лист, фиксированное расстояние. Смените студию, и примерно две трети видимого умения испаряются.
Это не историческая курьёзность. Обзоры моделей болезней растений, вышедшие с тех пор, продолжают обнаруживать ту же форму провала, во многом потому, что тот же лабораторный набор до сих пор остаётся обучающим корпусом по умолчанию, а лабораторная однородность делает задачу распознавания искусственно лёгкой.
Практическая форма вывода коротка. Показатель точности описывает условия, в которых он измерен, а не саму модель. Когда поставщик называет точность, не называя этих условий, он описал свою студию и ничего не сказал о вашем саде.
Черешня: самая контролируемая камера во всей цепочке
Калибровочная линия остаётся самой контролируемой камерой во всей цепочке, поэтому она и работает.
Теперь переверните задачу. Вместо того чтобы нести модель в поле, принесите плод к модели.
Именно это делает современная линия калибровки черешни. Плод поступает поштучно на роликовую дорожку, вращается так, чтобы вся его поверхность прошла перед объективом, при фиксированном искусственном свете, на фиксированном расстоянии, с постоянной скоростью. Системы этого класса, например семейство Unitec Cherry Vision, осматривают всю поверхность каждого плода и сортируют по классам дефектов, включая порезы, неоднородность цвета, вмятины и повреждения насекомыми, наряду с размером и внутренним качеством.
Обратите внимание, что произошло. Все переменные, которые разрушили модель болезней листа, устранены инженерно. Свет постоянен. Фон постоянен. Положение задаёт ролик. Расстояние не меняется никогда. От модели почти не требуется обобщения, потому что почти ничего не меняется.
Поэтому послеуборочная сортировка остаётся самым непарадным и самым надёжно прибыльным применением ИИ в сельском хозяйстве. Черешня делает экономику особенно наглядной: её классифицируют по размеру, цвету, плотности и дефектам в окне из нескольких дней, продают с большой премией за однородность, а ручная сортировка и медленна, и непоследовательна к концу смены. Машина, которая не устаёт на девятом часу, конкурирует с по-настоящему слабой базой.
Поэтому же показатели сортировочных линий не переносятся. Частота обнаружения дефектов, измеренная на линии, почти ничего не говорит о том, что та же архитектура сделает ветреным днём в саду. Поставщик, переносящий цифру из первого контекста во второй, описывает другую машину.
Ежевика: когда датчик важнее модели
Ежевика выглядит одинаково до и после созревания, поэтому ответ пришёл от датчика.
У ежевики есть свойство, полностью ломающее определение спелости по цвету. Как сказано в исследовании, зрелая ежевика чёрная до созревания, во время и после него. Кривой цвета, которую можно выучить, просто нет. Сборщики упираются в ту же стену, и отчасти поэтому качество уборки ежевики так сильно различается между бригадами, а столько ягоды снимается не в тот момент.
Более крупная модель на RGB-изображениях этого не решает, потому что информации в видимом спектре изначально нет. Сработала смена датчика. Исследователи применили стереодатчик с фильтрами видимого и ближнего инфракрасного диапазонов на 700 нм и 770 нм, подали пару в мультивходовый ансамбль свёрточных сетей на основе VGG16 и получили точность 95,1 процента на невиданных данных и 90,2 процента в полевых условиях (arXiv:2401.04748). Кроме того, машинная оценка хорошо коррелировала с человеческой сенсорной оценкой текстуры кожицы, то есть того признака, на который опираются опытные сборщики.
Сравните два падения. Модель болезней листа при смене условий упала с 99,35 до 31,4, потеряв около 68 пунктов. Модель ежевики упала с 95,1 до 90,2, потеряв менее 5. Вторая система стартовала ниже на бенчмарке и финишировала намного выше в реальности.
Именно этот обмен должен искать каждый покупатель агро-ИИ, и почти никто о нём не спрашивает. Выигрышным ходом была не лучшая архитектура и не больший набор данных. Это были две длины волны, физически способные увидеть то, что предсказывается.
Клубника: роботы наконец приходят по расписанию
Столовое выращивание стандартизировало геометрию задолго до прихода роботов.
Клубника остаётся культурой, где роботизированную уборку обещают дольше всего, и 2025 и 2026 годы стали первыми, когда обещания получили даты.
Harvest CROO объявила в апреле 2025 года, что полевые испытания автоматизированной уборки достигли производительности на уровне ручной уборки в коммерческой операции. В Великобритании Dogtooth перешла к коммерческому выпуску в 2025 году, машины доступны к сезону 2026 года. DailyRobotics нацелена на коммерческий запуск в Калифорнии в 2026 году с машиной, которая, по заявлению компании, собирает в два-три раза быстрее человека.
Считайте заявления о производительности заявлениями поставщика, пока их не повторит третья сторона. Экономика под ними публична и оспаривается куда труднее. Adverse Effect Wage Rate 2025 года, нижняя граница оплаты сельхозтруда по программе H-2A в США, составляет в среднем 18,12 доллара в час по стране, что на 3,2 процента выше, и колеблется от 14,83 в штатах Дельты до 20,08 на Гавайях, при 19,97 в Калифорнии. Производители фруктов и овощей, самые активные пользователи программы, тратят около 38 процентов всех расходов хозяйства на труд (American Farm Bureau Federation).
Клубничному роботу не нужно превзойти человека. Ему нужно быть достаточно хорошим при стоимости ниже растущей границы оплаты, на культуре, где труд составляет 38 центов каждого доллара расходов, в отрасли, которая с трудом закрывает эти вакансии. Это гораздо более низкая планка, и она опускается каждый год, когда граница поднимается.
Клубника к тому же оказывается самой дружелюбной полевой целью из доступных. Столовые и приподнятые системы выращивания подают плод на фиксированной высоте, в повторяемой геометрии, свободно свисающим от листвы и доступным с определённой стороны. Хозяйство, думая об урожайности и эргономике сборщиков, а вовсе не о роботах, частично воссоздало условия сортировочной линии под открытым небом. Культура, где автоматизация приземляется первой, оказалась той, чья архитектура уже была стандартизирована.
Фундук: где ИИ не является узким местом
На таком склоне ограничением никогда не была модель. Им была земля.
А есть культура, которая игнорирует весь этот разговор.
Турция производит примерно 70 процентов мирового фундука и 82 процента экспорта (данные ФАО в изложении International Nut and Dried Fruit Council). Производство сосредоточено в Причерноморье, на склонах, часто круче 20 процентов, в садах, которым обычно больше пятидесяти лет, а иногда и за сто, густо посаженных на маломощных почвах, нередко по бортам оврагов. В старых зонах выращивания убирают вручную, потому что альтернативы нет; более новые и ровные посадки механизировались.
Ни одна цифра точности модели ничего из этого не касается. Связывающими ограничениями остаются рельеф, возраст деревьев и архитектура сада. Уборочного робота нельзя вывести на склон в 30 процентов между столетними кустами, посаженными под ручной доступ, а прогноз урожайности мало что даёт мелкому хозяйству, у которого нет механизма на него отреагировать. Сезон 2025 года показал это резко: заморозки и давление вредителей примерно вдвое срезали ожидаемый объём и удвоили цены, и никакое количество датчиков результата не изменило.
Настоящая история ИИ в фундуке есть, но она ниже по потоку, ровно там же, где выигрыш черешни. Сортировка ядра, отбраковка скорлупы и посторонних включений, выявление плесени и повреждений насекомыми: всё это происходит в помещении, на ленте, при фиксированном свете, и именно там технология окупается.
Фундук служит контрольным случаем этой статьи. Он напоминает, что вопрос «справится ли ИИ» стоит вторым. Первый: было ли восприятие вообще тем, что стояло на пути.
Спутниковый слой: полезен, перепродан, редко решающий
Дистанционное зондирование заслуживает отдельного предупреждения, потому что именно этот слой чаще всего продают как готовый ответ.
Вегетационные индексы вроде NDVI, рассчитанные по спутниковым или дроновым снимкам, действительно отслеживают состояние посевов, и точность моделей урожайности растёт с ростом разрешения съёмки. Под этим лежат три структурных ограничения, и ни одно из них не является программной проблемой.
Пассивные оптические датчики не видят сквозь облака, поэтому временное покрытие определяется погодой, а не календарём, и пропуски часто выпадают ровно на те фазы развития, которые больше всего хотелось наблюдать. NDVI к тому же насыщается в плотном пологе, а это в точности состояние взрослого сада, поэтому альтернативные индексы, корректирующие атмосферные эффекты и фон почвы, обычно работают лучше на посадках с высокой биомассой. В ландшафтах мелких хозяйств или смешанных посевов один пиксель может захватывать несколько культур с разной агротехникой, что размывает сигнал именно там, где совет был бы наиболее ценен.
Модели урожайности к тому же ведут себя очень по-разному в зависимости от масштаба. Региональные и национальные оценки заметно надёжнее полевых, потому что ошибки по множеству полей взаимно гасятся, а ошибка одного поля не гасится ничем. Платформа, приводящая точность национальной валидации и продающая при этом инструмент решений на уровне поля, сменила тему.
Ничто из этого не делает спутниковый мониторинг бесполезным. Оно превращает его в слой отбора: он хорош, чтобы направить внимание на изменившиеся участки, и слаб для конкретного суждения, которое выносится уже на месте.
Модель, сдающая экзамен, и модель, читающая лист
Один результат идёт вразрез со всем изложенным выше, и на нём стоит задержаться.
Исследователи оценили большие языковые модели на сертификационных экзаменах по сельскому хозяйству из Бразилии, Индии и США. GPT-4 ответила верно на 93 процента вопросов, чего достаточно, чтобы сдать экзамены, дающие зачёты для продления агрономической сертификации, против 88 процентов у более ранних универсальных моделей (arXiv:2310.06225).
Итак, языковая модель способна сдать экзамен агронома, тогда как модель зрения, обученная на десятках тысяч листьев, падает до 31,4 процента, едва меняется свет. Оба утверждения верны, и вместе они точно локализуют, в чём ИИ сегодня хорош в сельском хозяйстве.
Кодифицированное знание переносится. Экзамены проверяют материал, который записан, стандартизирован и повторён, и это идеальная почва для языковой модели. Восприятие не переносится, потому что каждое поле предъявляет новое распределение света, ракурса, перекрытий, пыли и фазы развития, которое ни один набор данных не покрыл полностью.
Операционное прочтение таково: языковая модель служит сильным интерфейсом к агрономическому знанию и слабым свидетелем того, что происходит на вашем участке этим утром. Она подскажет рекомендованный порог обработки против вредителя. Она не скажет, есть ли у вас этот вредитель. Стоит также помнить, что один и тот же вопрос может дать разные ответы одного и того же ассистента в разные дни, а это очень существенно, когда на выходе рекомендация по обработке. Связать второе с первым и явно обозначить, какая половина является измерением, а какая поиском: в этом и состоит большая часть проектной работы в серьёзном агропродукте.
Четыре вопроса перед покупкой агро-ИИ
Случаи выше складываются в одну процедуру принятия решения. Прогоняйте через неё любое заявление поставщика.
1. Кто управляет светом? Если светом управляет поставщик внутри упаковочного цеха, показателю точности, вероятно, можно верить. Если светом управляет небо, спросите, в каких условиях показатель измерен, и закладывайте существенную деградацию. Разрыв между 99,35 и 31,4 показывает цену неконтролируемой камеры.
2. Может ли датчик физически видеть то, что вы предсказываете? Ни одна модель не восстановит информацию, которую датчик никогда не захватил. Спелости ежевики потребовались 700 и 770 нанометров, а не более глубокая сеть. Спросите про спектр, разрешение, частоту кадров и про то, виден ли в этих данных объект вообще.
3. Сколько стоят ошибки, а не как часто они случаются? Сортировщик с точностью 95 процентов и опрыскиватель с точностью 95 процентов представляют собой несопоставимые покупки. Спросите, что делают оставшиеся 5 процентов, кто их перехватывает и во что обходится, когда не перехватывает никто.
4. Является ли восприятие вашим узким местом вообще? Для причерноморского производителя фундука это уклон. Для других это права на воду, доступность рабочих рук или упаковочный цех, который не может работать быстрее. ИИ, направленный не на узкое место, производит отличную информацию о проблеме, которой у вас не было.
Ничто из этого не является аргументом против ИИ в сельском хозяйстве. Черешневая линия остаётся настоящей победой, датчик ежевики тоже, а клубничные роботы выглядят близкими. Это аргумент за то, чтобы читать показатель точности как описание условий, которые его породили, чем он всегда и был.
Почему это важно всем, кто продаёт в агросектор
Одно следствие для самих поставщиков.
Аграрные покупатели всё чаще изучают рынок через ИИ-ассистентов, ещё не дойдя до сайта, а такие системы вознаграждают материал, который можно атрибутировать. Страница с утверждением «точность 99 процентов» без условий измерения фактически нецитируема: нет утверждения, которое ассистент мог бы безопасно повторить, назвав бренд. Страница с формулировкой «95,1 процента на отложенных данных, 90,2 процента в поле, VIS-NIR на 700 и 770 нанометрах» становится ожидающей цитатой, потому что каждый её элемент проверяем.
Дисциплина, делающая заявление агро-ИИ убедительным для хозяйства, совпадает с той, что делает его извлекаемым для машины. Назовите условия, назовите выборку, назовите, что происходит при отказе. Альтернативой становится тот же разрыв между тем, что бренд заявляет, и тем, что может показать, который сегодня подрывает доверие к заявлениям об ИИ повсюду. В этом весь метод, и в сельском хозяйстве, и везде, и поэтому страницы, построенные как доказательство, цитируются поисковыми ассистентами, а просто уверенные пропускаются.
