關(guān)鍵詞：AI for Science；人工智能；智慧農(nóng)業(yè)；科研范式

人工智能（artificial intelligence，AI）是以計(jì)算機(jī)科學(xué)為基礎(chǔ)的多學(xué)科融合的交叉學(xué)科，是新一輪科技革命和產(chǎn)業(yè)變革的重要驅(qū)動(dòng)力，其引領(lǐng)的技術(shù)革命是大勢(shì)所趨，已上升至國(guó)家戰(zhàn)略高度，成為萬(wàn)眾矚目的焦點(diǎn)。2024年兩會(huì)政府工作報(bào)告提出，深化大數(shù)據(jù)、人工智能等研發(fā)應(yīng)用，開(kāi)展“人工智能+”行動(dòng)，打造具有國(guó)際競(jìng)爭(zhēng)力的數(shù)字產(chǎn)業(yè)集群[1]。強(qiáng)國(guó)必先強(qiáng)農(nóng)，農(nóng)強(qiáng)方能國(guó)強(qiáng)。以習(xí)近平同志為核心的黨中央把建設(shè)農(nóng)業(yè)強(qiáng)國(guó)擺在重要位置，強(qiáng)調(diào)“要依靠科技和改革雙輪驅(qū)動(dòng)，持續(xù)推進(jìn)農(nóng)業(yè)農(nóng)村現(xiàn)代化”。AI技術(shù)的進(jìn)步及智慧農(nóng)業(yè)的發(fā)展使化解糧食危機(jī)迎來(lái)曙光[2]。隨著AI技術(shù)的發(fā)展和普及，農(nóng)業(yè)行業(yè)正迎來(lái)一次新的變革，從傳統(tǒng)的勞動(dòng)密集型產(chǎn)業(yè)逐步轉(zhuǎn)變?yōu)楦呖萍籍a(chǎn)業(yè)。智慧農(nóng)業(yè)是農(nóng)業(yè)發(fā)展的高級(jí)形態(tài)，依靠AI這一先進(jìn)生產(chǎn)力實(shí)現(xiàn)農(nóng)業(yè)和信息技術(shù)的有效融合，為農(nóng)業(yè)強(qiáng)國(guó)展翅高飛插上有力的翅膀[3]。本文分析了人工智能驅(qū)動(dòng)的科學(xué)研究（AI for Science，AI4S）的國(guó)際發(fā)展態(tài)勢(shì)，梳理了其在我國(guó)農(nóng)業(yè)領(lǐng)域的發(fā)展現(xiàn)狀及現(xiàn)實(shí)困境，并提出推動(dòng)AI4S賦能我國(guó)農(nóng)業(yè)發(fā)展的實(shí)踐路徑，以期推動(dòng)農(nóng)業(yè)數(shù)字化、智能化發(fā)展，提升農(nóng)業(yè)生產(chǎn)力水平，助力農(nóng)業(yè)強(qiáng)國(guó)建設(shè)。

1 AI4S 國(guó)際發(fā)展態(tài)勢(shì)

當(dāng)前數(shù)據(jù)密集型科研范式長(zhǎng)期面臨的困境是分析維度高、尺度跨度大。隨著復(fù)雜科學(xué)問(wèn)題變量個(gè)數(shù)或分析維數(shù)的增加，計(jì)算復(fù)雜度成指數(shù)增加，傳統(tǒng)的計(jì)算方法工作量大、分析時(shí)間長(zhǎng)，科學(xué)研究遭遇前所未有的困難。而AI4S利用數(shù)學(xué)計(jì)算和科學(xué)模型相結(jié)合的方法，能實(shí)現(xiàn)海量數(shù)據(jù)高效模擬尺度和精度的平衡，使得科研過(guò)程變得自動(dòng)化、并行化、規(guī)?；?、平臺(tái)化，從而幫助科學(xué)家突破科研瓶頸[4]。2018年，中國(guó)科學(xué)院院士、北京科學(xué)智能研究院院長(zhǎng)鄂維南首次提出AI forScience，將機(jī)器學(xué)習(xí)引入科學(xué)建模過(guò)程，利用AI學(xué)習(xí)科學(xué)理論，構(gòu)建科學(xué)模型來(lái)解決領(lǐng)域難題，使之成為研究新范式[5]。當(dāng)前，AI4S已得到國(guó)內(nèi)外學(xué)界和業(yè)界的普遍認(rèn)可[6]，AlphaFold是AI4S領(lǐng)域的成功代表，將預(yù)測(cè)誤差縮小到原子尺度，計(jì)算時(shí)間從數(shù)年縮減到數(shù)分鐘，效率顯著提升，榮獲《Science》2021年度十大科學(xué)突破榜單榜首。在數(shù)學(xué)領(lǐng)域，2023年谷歌DeepMind實(shí)現(xiàn)了數(shù)學(xué)大模型領(lǐng)域的重要突破，其發(fā)布的FunSearch針對(duì)諸多歷史上經(jīng)典數(shù)學(xué)難題給出了新的解法，能力超越了人類數(shù)學(xué)家，相關(guān)研究成果已發(fā)表在《Nature》上。在物質(zhì)領(lǐng)域，AI實(shí)現(xiàn)了可控核聚變突破，提高了等離子體性狀的模擬精度。眾多的科學(xué)突破和國(guó)內(nèi)外的發(fā)展趨勢(shì)表明，AI for Science正在成為一種新的研究范式[7]。

AI全面融入科學(xué)、技術(shù)和工程研究，跨學(xué)科合作成為主流科研方式，AI4S勢(shì)必將引領(lǐng)新一輪科技革命，科研更加依靠以大模型為特征的數(shù)字科研平臺(tái)。世界發(fā)達(dá)國(guó)家紛紛出臺(tái)相關(guān)政策推動(dòng)科研技術(shù)設(shè)施建設(shè)，試圖抓住這次技術(shù)變革機(jī)遇。鑒于AI對(duì)于科技創(chuàng)新的強(qiáng)大驅(qū)動(dòng)力，2021年英國(guó)發(fā)布首個(gè)國(guó)家級(jí)別AI戰(zhàn)略，提出用于科學(xué)研究和政府管理的人工智能（AI for Science andGovernment）計(jì)劃，以期應(yīng)用AI 技術(shù)來(lái)解決現(xiàn)實(shí)自然或者社會(huì)科學(xué)難題[6]。2021年美國(guó)國(guó)家科學(xué)基金會(huì)（National Science fundation，NSF）提出了一項(xiàng)AI4S研究計(jì)劃，將AI應(yīng)用于數(shù)學(xué)和物理學(xué)領(lǐng)域。2022 年法國(guó)國(guó)家科學(xué)研究中心（CentreNational de la Recherche Scientifique ，CNRS）成立人工智能與科學(xué)研究雙向驅(qū)動(dòng)的跨學(xué)科中心（AISSAI，The Artificial Intelligence for Science， Sciencefor Artificial Intelligence Center），推動(dòng)AI和其他領(lǐng)域的深度融合。2023年美國(guó)在國(guó)家人工智能研究和發(fā)展戰(zhàn)略規(guī)劃的更新中指出，對(duì)國(guó)家人工智能研究所（AI Institutes）進(jìn)行長(zhǎng)期投資，并與歐盟合作研究人工智能在極端天氣和氣候預(yù)報(bào)、健康和醫(yī)療改善、農(nóng)業(yè)優(yōu)化等領(lǐng)域的使用。美國(guó)農(nóng)業(yè)部國(guó)家食品與農(nóng)業(yè)研究所（USDA-NIFA）資助成立AI-CLIMATE 研究所，旨在創(chuàng)建以氣候?yàn)橹攸c(diǎn)的農(nóng)林人工智能學(xué)科（AgFoAI），通過(guò)整合農(nóng)業(yè)和林業(yè)科學(xué)知識(shí)并研究利用人工智能方法來(lái)遏制氣候影響。2023年澳大利亞最高國(guó)家科研機(jī)構(gòu)聯(lián)邦科學(xué)與工業(yè)研究組織（CSIRO，CommonwealthScientific and Industrial Research Organisation）發(fā)布《澳大利亞人工智能（AI）生態(tài)系統(tǒng)》報(bào)告；經(jīng)濟(jì)合作與發(fā)展組織（OECD）面向全球政策制定者發(fā)布AI in Science的綜述與政策建議；FAO“氣候適應(yīng)型農(nóng)業(yè)食品系統(tǒng)的人工智能和數(shù)字工具”成為科學(xué)與創(chuàng)新論壇的焦點(diǎn)。

我國(guó)同樣非常重視AI的發(fā)展。2017年國(guó)務(wù)院印發(fā)的《新一代人工智能發(fā)展規(guī)劃》明確提出，聚焦人工智能重大科學(xué)前沿問(wèn)題，兼顧當(dāng)前需求與長(zhǎng)遠(yuǎn)發(fā)展，以突破人工智能應(yīng)用基礎(chǔ)理論瓶頸為重點(diǎn)，超前布局可能引發(fā)人工智能范式變革的基礎(chǔ)研究，促進(jìn)學(xué)科交叉融合，為人工智能持續(xù)發(fā)展與深度應(yīng)用提供強(qiáng)大科學(xué)儲(chǔ)備[8]。2023年科學(xué)技術(shù)部聯(lián)合國(guó)家自然科學(xué)基金委啟動(dòng)“人工智能驅(qū)動(dòng)的科學(xué)研究”專項(xiàng)，緊密結(jié)合數(shù)學(xué)、物理、化學(xué)、天文等基礎(chǔ)學(xué)科關(guān)鍵問(wèn)題，圍繞藥物研發(fā)、基因研究、生物育種、新材料研發(fā)等重點(diǎn)領(lǐng)域科研需求展開(kāi)，布局“人工智能驅(qū)動(dòng)的科學(xué)研究”前沿科技研發(fā)體系[9]，加速我國(guó)科研范式變革和能力提升。中國(guó)科學(xué)院、中國(guó)農(nóng)業(yè)科學(xué)院等科研機(jī)構(gòu)在生物醫(yī)學(xué)、計(jì)算物理、生物育種等多個(gè)領(lǐng)域應(yīng)用AI技術(shù)開(kāi)展了研究。中國(guó)科學(xué)技術(shù)大學(xué)提出了一種基于神經(jīng)網(wǎng)絡(luò)的統(tǒng)計(jì)模型SCUBA，該模型能夠設(shè)計(jì)蛋白質(zhì)的主鏈結(jié)構(gòu)。清華大學(xué)等提出的NowcastNet 模型旨在產(chǎn)生物理上可信的降水預(yù)報(bào)，在極端降水的臨近預(yù)報(bào)方面取得了重大進(jìn)展。哈爾濱工業(yè)大學(xué)進(jìn)行了基于增強(qiáng)采樣分子動(dòng)力學(xué)（MD）的復(fù)雜結(jié)晶過(guò)程仿真，對(duì)于復(fù)雜晶體材料的分析和設(shè)計(jì)意義重大。華為盤古大模型應(yīng)用三維神經(jīng)網(wǎng)絡(luò)進(jìn)行中期全球天氣預(yù)報(bào)，實(shí)現(xiàn)了精準(zhǔn)預(yù)測(cè)，為氣象科學(xué)研究和相關(guān)行業(yè)帶來(lái)深遠(yuǎn)影響。百度PaddleScience 是基于飛槳深度學(xué)習(xí)框架的科學(xué)計(jì)算通用求解器，旨在為科學(xué)研究提供新的解決方案，如計(jì)算流體力學(xué)領(lǐng)域。

2 我國(guó)農(nóng)業(yè)數(shù)字化發(fā)展現(xiàn)狀及困境

近年來(lái)，智慧農(nóng)業(yè)受到高度重視，相關(guān)部門陸續(xù)出臺(tái)一系列政策從頂層規(guī)劃、技術(shù)研發(fā)、人才培養(yǎng)、基礎(chǔ)設(shè)施建設(shè)、資金補(bǔ)貼等方面鼓勵(lì)智慧農(nóng)業(yè)發(fā)展。得益于國(guó)家政策的支持和信息技術(shù)的飛速發(fā)展，近年來(lái)我國(guó)智慧農(nóng)業(yè)發(fā)展迅速并取得了一系列成果。當(dāng)前，我國(guó)大田種植信息化率達(dá)到26.4%，農(nóng)作物耕種收綜合機(jī)械化率達(dá)74%，安裝北斗終端農(nóng)機(jī)已達(dá)220萬(wàn)臺(tái)[10]，全國(guó)植保無(wú)人機(jī)總量接近20萬(wàn)架，年作業(yè)面積更是超過(guò)21億畝（1.4億hm2）[11]。

在產(chǎn)前環(huán)節(jié)，我國(guó)農(nóng)作物良種覆蓋率超過(guò)96%，農(nóng)作物自主選育品種面積占比超過(guò)95%，良種對(duì)糧食增產(chǎn)貢獻(xiàn)率達(dá)到45%[12]，主要糧棉油作物用種供應(yīng)得到有效保障。2022年、2023年大豆種植面積連續(xù)2年穩(wěn)定在1.5億畝（0.1億hm2）以上且穩(wěn)中有增，產(chǎn)量保持在2 000萬(wàn)t以上[13]，自給率實(shí)現(xiàn)兩連增。表現(xiàn)優(yōu)異的小麥新品種不斷涌現(xiàn)，2023年新麥58通過(guò)國(guó)家審定，其核心優(yōu)勢(shì)是抗凍抗寒、超強(qiáng)筋、高產(chǎn)、抗倒、抗逆性強(qiáng)，2024年可大面積推廣種植。截止目前已累計(jì)建成超過(guò)10億畝（0.67億hm2）高標(biāo)準(zhǔn)農(nóng)田，大力實(shí)施黑土地保護(hù)工程，加強(qiáng)鹽堿耕地綜合利用，推進(jìn)南方酸化耕地治理，對(duì)保障糧食穩(wěn)產(chǎn)保供起到了重要支撐作用。

在產(chǎn)中環(huán)節(jié)，AI、大數(shù)據(jù)、物聯(lián)網(wǎng)、區(qū)塊鏈、北斗導(dǎo)航等現(xiàn)代信息技術(shù)在種植業(yè)生產(chǎn)中被普遍用于墑情監(jiān)測(cè)、灌溉控制、精準(zhǔn)施肥、病蟲(chóng)害監(jiān)測(cè)預(yù)警等場(chǎng)景，科技支撐農(nóng)業(yè)發(fā)展的廣度和深度持續(xù)加強(qiáng)。當(dāng)前，我國(guó)主要農(nóng)作物病蟲(chóng)害綠色防控覆蓋率達(dá)54.1%，水稻、小麥、玉米三大糧食作物統(tǒng)防統(tǒng)治面積覆蓋率達(dá)45.2%，化肥、農(nóng)藥利用率超過(guò)41%[14]。草地貪夜蛾自2019 年１月入侵云南后，以迅雷不及掩耳之勢(shì)迅速完成傳入、定殖、潛伏、擴(kuò)散與危害整個(gè)過(guò)程，同年10月8日就已擴(kuò)散蔓延到我國(guó)26 ?。ㄗ灾螀^(qū)、直轄市）1 518 個(gè)縣（區(qū)、市），玉米發(fā)生面積106.5萬(wàn) hm2[15]。我國(guó)實(shí)施以精準(zhǔn)監(jiān)測(cè)預(yù)警和遷飛高效阻截等現(xiàn)代信息技術(shù)為核心的可持續(xù)治理技術(shù)，昆蟲(chóng)雷達(dá)網(wǎng)的大尺度監(jiān)測(cè)網(wǎng)絡(luò)結(jié)合地面高空燈、性誘捕器及地面燈等構(gòu)建的小尺度監(jiān)測(cè)網(wǎng)，可以精準(zhǔn)定位、定量草地貪夜蛾成蟲(chóng)遷移動(dòng)態(tài)，并實(shí)時(shí)發(fā)布預(yù)警，從而實(shí)施聯(lián)防聯(lián)控[16]。黑龍江鶴山農(nóng)場(chǎng)早在2021年就已構(gòu)建完善的農(nóng)業(yè)數(shù)據(jù)采集、分析、應(yīng)用體系，在田間搭建氣象采集設(shè)備、蟲(chóng)情測(cè)報(bào)燈和孢子捕捉儀等物聯(lián)網(wǎng)設(shè)備，并根據(jù)物聯(lián)網(wǎng)采集的信息，對(duì)大田的苗情、草情、病情、蟲(chóng)情、墑情進(jìn)行實(shí)時(shí)監(jiān)測(cè)，指導(dǎo)大田農(nóng)事生產(chǎn)[17]。利用無(wú)人機(jī)、衛(wèi)星遙感技術(shù)可以實(shí)時(shí)、客觀地獲取大尺度作物生長(zhǎng)全程實(shí)時(shí)動(dòng)態(tài)監(jiān)測(cè)信息，實(shí)現(xiàn)作物播種面積、苗情長(zhǎng)勢(shì)、氣象災(zāi)害、病蟲(chóng)害、產(chǎn)量品質(zhì)等方面的多尺度時(shí)序監(jiān)測(cè)[18]，有助于提高糧食綜合生產(chǎn)能力、災(zāi)害防御能力，保障國(guó)家糧食安全。

在產(chǎn)后環(huán)節(jié)，我國(guó)三大主糧作物收獲損失率為4.09%[19]，通過(guò)加強(qiáng)專業(yè)收獲機(jī)具的研發(fā)和應(yīng)用，深度融合AI視覺(jué)技術(shù)和自動(dòng)控制技術(shù)，具備作物收獲的“自識(shí)別、自適應(yīng)、自調(diào)整”功能，改善農(nóng)機(jī)收獲作業(yè)的含雜率、破碎率、損失率等，提高收獲效率，降低勞動(dòng)強(qiáng)度，減少收獲損失。另外，我國(guó)每年糧食儲(chǔ)藏、運(yùn)輸、加工環(huán)節(jié)損失量在350 億kg 以上，糧食全產(chǎn)業(yè)鏈總損耗率約為12%[20]。針對(duì)儲(chǔ)藏、運(yùn)輸環(huán)節(jié)造成的減損，智慧糧庫(kù)、科學(xué)儲(chǔ)糧、智慧多式聯(lián)運(yùn)、線上線下物流運(yùn)輸?shù)刃畔⒒侄螢榻杓Z減損提供了技術(shù)支撐。

與此同時(shí)，我國(guó)農(nóng)業(yè)科技基礎(chǔ)研究薄弱，創(chuàng)新能力不強(qiáng)的問(wèn)題依然存在。農(nóng)業(yè)科技前沿基礎(chǔ)研究、原始性創(chuàng)新仍處于追趕階段，部分源頭和底層技術(shù)對(duì)外依存度高，核心技術(shù)專利面臨“卡脖子”風(fēng)險(xiǎn)。科學(xué)技術(shù)部第六次國(guó)家技術(shù)預(yù)測(cè)的最新數(shù)據(jù)顯示，我國(guó)農(nóng)業(yè)農(nóng)村領(lǐng)域的技術(shù)僅有10%處于國(guó)際領(lǐng)跑地位，與國(guó)際領(lǐng)先水平仍存在較大差距，在作物種質(zhì)核心材料、畜禽核心種質(zhì)、有機(jī)污染物控制、高精尖農(nóng)機(jī)裝備等諸多領(lǐng)域[21]被“卡脖子”。農(nóng)機(jī)裝備自主可控能力不強(qiáng)，農(nóng)機(jī)裝備短板突出，重大農(nóng)機(jī)和食品裝備核心部件90%以上來(lái)自國(guó)外，部分產(chǎn)品供應(yīng)鏈不能完全自主可控[22]，受技術(shù)門檻高、知識(shí)產(chǎn)權(quán)保護(hù)、市場(chǎng)規(guī)模限制和貿(mào)易壁壘等因素影響，面臨“斷供”“卡脖子”風(fēng)險(xiǎn)。

整體而言，目前我國(guó)智慧農(nóng)業(yè)處于發(fā)展初期，盡管國(guó)家在20多個(gè)地區(qū)開(kāi)展省級(jí)數(shù)字鄉(xiāng)村試點(diǎn)示范工作，在數(shù)據(jù)貫通、技術(shù)融合、整體規(guī)劃、裝備研發(fā)等方面實(shí)踐探索，但行業(yè)整體滲透率較低[23]，未來(lái)仍有較大發(fā)展空間?！吨袊?guó)數(shù)字鄉(xiāng)村發(fā)展報(bào)告（2022年）》顯示，在生產(chǎn)端，2021年農(nóng)業(yè)整體信息化率為25.4%；在銷售端，網(wǎng)絡(luò)銷售額占農(nóng)產(chǎn)品銷售總額的14.8%，產(chǎn)品質(zhì)量安全追溯信息化率為24.7%[24]。智慧農(nóng)業(yè)發(fā)展在基礎(chǔ)設(shè)施、數(shù)據(jù)質(zhì)量、“智慧”人才供給等方面仍存在諸多難題，需多方合力破解。

3 AI4S 賦能農(nóng)業(yè)發(fā)展

農(nóng)業(yè)是充滿變量的動(dòng)態(tài)系統(tǒng)，無(wú)論是土壤、種子、環(huán)境、氣象，還是水資源、肥料、病蟲(chóng)害等投入品，對(duì)人工經(jīng)驗(yàn)都有著較高的依賴度，難以把控，具有大規(guī)模、高維度、多層次、多尺度、高度關(guān)聯(lián)、動(dòng)態(tài)調(diào)控的特點(diǎn)。AI 不僅能夠?qū)σ延袛?shù)據(jù)進(jìn)行學(xué)習(xí)，還能基于機(jī)器學(xué)習(xí)從數(shù)據(jù)分析中獲得規(guī)律，提取特征，并對(duì)新樣本進(jìn)行預(yù)測(cè)，推動(dòng)對(duì)每個(gè)變量、每個(gè)生產(chǎn)過(guò)程的精細(xì)化管控。在農(nóng)業(yè)生產(chǎn)過(guò)程中，農(nóng)民需要綜合管理作物生長(zhǎng)數(shù)據(jù)、環(huán)境數(shù)據(jù)、土壤數(shù)據(jù)、氣象數(shù)據(jù)、水肥藥等投入品等多個(gè)要素，這些多元化的參數(shù)以及它們間的關(guān)聯(lián)性正好為AI施展提供了極大的空間。因此，當(dāng)農(nóng)業(yè)領(lǐng)域引入人工智能后，其發(fā)揮的作用和取得的成果無(wú)疑是顯著的。如圖1 所示，AI4S 賦能智慧農(nóng)業(yè)沿著“數(shù)字化感知-精準(zhǔn)化運(yùn)算-智慧化決策-智能化應(yīng)用”路線推進(jìn)，助力農(nóng)業(yè)生產(chǎn)高產(chǎn)、優(yōu)質(zhì)、生態(tài)、安全。在數(shù)字化感知層，利用“地?空?星”多尺度、多通道感知設(shè)備和互聯(lián)網(wǎng)數(shù)據(jù)采集工具，全方位獲取農(nóng)情、災(zāi)害、作物立地條件、生長(zhǎng)狀況等多源異構(gòu)數(shù)據(jù)，為運(yùn)算層提供動(dòng)態(tài)精準(zhǔn)多模態(tài)數(shù)據(jù)資源。在精準(zhǔn)化運(yùn)算層，由于農(nóng)業(yè)生產(chǎn)環(huán)境氣候、作物品種等因素的復(fù)雜多變，農(nóng)業(yè)數(shù)據(jù)表現(xiàn)為多源異構(gòu)、分散低秩、弱耦合連接等特點(diǎn)，存在噪聲分類困難、應(yīng)用動(dòng)態(tài)變化、行為表現(xiàn)多樣等難題，開(kāi)展面向多模態(tài)智能計(jì)算的內(nèi)容分析、融合推理以及智能計(jì)算等工作，大幅度提升識(shí)別、預(yù)測(cè)、決策等智能算法精度，實(shí)現(xiàn)跨媒體內(nèi)容高層語(yǔ)義信息相關(guān)性分析和數(shù)據(jù)貫通[25]。在智慧化決策層，圍繞農(nóng)業(yè)生產(chǎn)專業(yè)決策支持模型欠缺、復(fù)雜成因農(nóng)情多粒度關(guān)聯(lián)與多模式協(xié)同反演預(yù)測(cè)等難點(diǎn)，突破跨域、跨媒體推理機(jī)制與可視化可解釋性呈現(xiàn)方法，應(yīng)對(duì)農(nóng)業(yè)氣象災(zāi)害、干旱洪澇、植物疫病、土壤富營(yíng)養(yǎng)化、長(zhǎng)勢(shì)抑制等復(fù)雜成因溯源難，綜合預(yù)測(cè)精度低的挑戰(zhàn)。決策層形成的指令和指導(dǎo)意見(jiàn)傳遞到農(nóng)業(yè)生產(chǎn)的應(yīng)用場(chǎng)景，支撐生物育種、智能農(nóng)機(jī)、智能植保、耕地保護(hù)等應(yīng)用。

因此，當(dāng)前精準(zhǔn)農(nóng)業(yè)遭遇的瓶頸問(wèn)題是在農(nóng)業(yè)全產(chǎn)業(yè)鏈全生命周期打通農(nóng)業(yè)生產(chǎn)數(shù)據(jù)壁壘，將AI與農(nóng)業(yè)深度融合，使數(shù)據(jù)在農(nóng)業(yè)全產(chǎn)業(yè)鏈發(fā)揮乘數(shù)作用。AI4S結(jié)合機(jī)器學(xué)習(xí)擬合高維函數(shù)的強(qiáng)大能力，可以在智能平臺(tái)完成科學(xué)研究的部署、實(shí)驗(yàn)、分析、驗(yàn)證等全流程，呈現(xiàn)算力、模型、數(shù)據(jù)、工具、平臺(tái)等模塊組配的特征，推動(dòng)科學(xué)研究從單打獨(dú)斗的“小農(nóng)作坊”模式走向“安卓模式”的平臺(tái)科研[5]。在此平臺(tái)上，科研人員共享基本的算力、模型、算法、數(shù)據(jù)庫(kù)和知識(shí)庫(kù)等基礎(chǔ)設(shè)施，圍繞農(nóng)業(yè)全產(chǎn)業(yè)鏈全生命周期研發(fā)應(yīng)用，通過(guò)“滾雪球效應(yīng)”加速科研創(chuàng)新和成果應(yīng)用。在AI4S的新范式下，大規(guī)?？珙I(lǐng)域的協(xié)作已成為科學(xué)研究的必然模式[26]。不同學(xué)科背景的科學(xué)家群體在共同構(gòu)建模型、協(xié)同提升算力和持續(xù)優(yōu)化算法等方面開(kāi)展大量的跨領(lǐng)域科研工作，貫穿農(nóng)業(yè)全產(chǎn)業(yè)鏈，促進(jìn)AI與現(xiàn)代農(nóng)業(yè)科技交叉融合，通過(guò)數(shù)據(jù)要素與算力協(xié)同，優(yōu)化資源優(yōu)化配置、提高生產(chǎn)效率、創(chuàng)新科研模式，有效提升農(nóng)業(yè)生產(chǎn)力水平，助力農(nóng)業(yè)強(qiáng)國(guó)建設(shè)。

4 AI4S 賦能我國(guó)農(nóng)業(yè)發(fā)展的實(shí)踐路徑

“十四五”規(guī)劃綱要提出，加快發(fā)展智慧農(nóng)業(yè)，推進(jìn)農(nóng)業(yè)生產(chǎn)經(jīng)營(yíng)和管理服務(wù)數(shù)字化改造。在精準(zhǔn)農(nóng)業(yè)發(fā)達(dá)國(guó)家，1人可以種植5 000畝（333 hm2）地、養(yǎng)殖1萬(wàn)頭豬、200頭奶牛，實(shí)現(xiàn)了農(nóng)業(yè)資源的高度集約和綠色生產(chǎn)，徹底改變了粗放經(jīng)營(yíng)、競(jìng)爭(zhēng)力弱、資源利用率低、農(nóng)民收入低等傳統(tǒng)農(nóng)業(yè)面臨的難題。智慧農(nóng)業(yè)是我國(guó)農(nóng)業(yè)未來(lái)發(fā)展的方向，也是我國(guó)農(nóng)業(yè)現(xiàn)代化和鄉(xiāng)村振興的重要內(nèi)容[23]。智慧農(nóng)業(yè)是復(fù)雜的系統(tǒng)工程，木桶效應(yīng)明顯，需要圍繞產(chǎn)前、產(chǎn)中、產(chǎn)后全鏈條，全過(guò)程和全要素的數(shù)字化，將碎片化的技術(shù)進(jìn)行串聯(lián)，為保障糧食安全提供技術(shù)支撐，實(shí)現(xiàn)“藏糧于技”。為此，本文基于控制論的概念，結(jié)合至今仍然適用的農(nóng)業(yè)八字（土、肥、水、種、密、保、管、工）憲法，提出AI賦能智慧農(nóng)業(yè)的“八步法”，即六精兩減，充分發(fā)揮智慧農(nóng)業(yè)效益（圖2）。

4.1 AI 賦能農(nóng)業(yè)，增強(qiáng)穩(wěn)產(chǎn)保供能力

農(nóng)業(yè)是充滿不確定性的高風(fēng)險(xiǎn)行業(yè)，AI可以幫助農(nóng)民更精準(zhǔn)地預(yù)測(cè)和管理：從整地、培育、施肥、施水、施藥、精細(xì)化田間管理，再到收獲減損、運(yùn)儲(chǔ)減損等環(huán)節(jié)，不僅通過(guò)“六精”做好增產(chǎn)，更是通過(guò)“兩減”減低損失，提高生產(chǎn)效率，節(jié)約生產(chǎn)資料投入，從而促進(jìn)農(nóng)業(yè)提質(zhì)增效，堅(jiān)持開(kāi)源和節(jié)流并用，增產(chǎn)和減損并行，從真正意義上保障我國(guó)糧食供給安全。我國(guó)耕地資源有限，2024年中央一號(hào)文件提出，實(shí)施糧食單產(chǎn)提升工作，把糧食增產(chǎn)的重點(diǎn)放在大面積單產(chǎn)提高上。糧食單產(chǎn)受到光、熱、水等氣候因素，墑情和地形等土壤因素，化肥和農(nóng)藥等投入品因素，品種改良、耕地治理等科技因素的影響。近15年的研究數(shù)據(jù)顯示，在推動(dòng)玉米單產(chǎn)增加的諸多因素中，氣候因素占48%，田間管理占39%，可見(jiàn)精細(xì)化管理對(duì)提高糧食單產(chǎn)的作用巨大[27]。因此，當(dāng)前我國(guó)農(nóng)業(yè)生產(chǎn)亟待充分利用現(xiàn)代信息技術(shù)，瞄準(zhǔn)單產(chǎn)這一關(guān)鍵變量，圍繞產(chǎn)前、產(chǎn)中、產(chǎn)后生產(chǎn)全鏈條，依托AI4S“安卓模式”科研平臺(tái)，聚焦從耕整地到糧食入庫(kù)全過(guò)程核心“六精兩減”環(huán)節(jié)，即精準(zhǔn)整地、精準(zhǔn)培育、精量施肥、精量施水、精量施藥、精細(xì)管理、收獲減損、運(yùn)儲(chǔ)減損，通過(guò)將碎片化的單點(diǎn)技術(shù)進(jìn)行串聯(lián)，加快形成“多技術(shù)集成、大面積普及”均衡增產(chǎn)的格局。利用智能感知技術(shù)打通農(nóng)業(yè)生產(chǎn)全鏈條數(shù)據(jù)壁壘，積累農(nóng)業(yè)大數(shù)據(jù)，并開(kāi)發(fā)通用算法和專業(yè)模型深度挖掘數(shù)據(jù)價(jià)值，為農(nóng)業(yè)生產(chǎn)提供精準(zhǔn)決策建議，并利用智能農(nóng)機(jī)裝備執(zhí)行決策。此外，智能農(nóng)業(yè)裝備又可在作業(yè)的同時(shí)采集數(shù)據(jù)，實(shí)現(xiàn)數(shù)據(jù)閉環(huán)，隨著數(shù)據(jù)的不斷積累，數(shù)據(jù)驅(qū)動(dòng)的模型訓(xùn)練得到優(yōu)化，實(shí)現(xiàn)精準(zhǔn)決策，進(jìn)一步提升農(nóng)業(yè)科技的增產(chǎn)增效潛力。這也是深入貫徹落實(shí)習(xí)近平總書(shū)記“加大良種、良機(jī)、良法推廣力度，在精耕細(xì)作上下功夫，進(jìn)一步把糧食單產(chǎn)和品質(zhì)提上去，讓種糧也能夠致富”指示精神的重要舉措。

4.2 AI 賦能農(nóng)業(yè)，提升科技創(chuàng)新能力

2020年中央經(jīng)濟(jì)工作會(huì)議提出，在農(nóng)業(yè)領(lǐng)域要開(kāi)展種源“卡脖子”技術(shù)攻關(guān)，堅(jiān)決落實(shí)“藏糧于地、藏糧于技”戰(zhàn)略。農(nóng)業(yè)“卡脖子”問(wèn)題第一次被提到國(guó)家戰(zhàn)略高度[29]。傳統(tǒng)育種模式主要通過(guò)人工篩選優(yōu)質(zhì)品種，由于數(shù)據(jù)量巨大導(dǎo)致處理效率低，費(fèi)時(shí)耗力。隨著AI技術(shù)的發(fā)展，育種遇到的“卡點(diǎn)”問(wèn)題有了新突破。AI通過(guò)提高數(shù)據(jù)處理能力優(yōu)化育種策略，加速新品種培育，為作物改良和農(nóng)業(yè)生產(chǎn)帶來(lái)了革命性變化，有助于科研人員快速分析作物的遺傳特征和表現(xiàn)型特征之間的關(guān)系，加速關(guān)鍵調(diào)控基因的發(fā)掘，精準(zhǔn)預(yù)測(cè)作物表型，提高育種效率。2023年中國(guó)農(nóng)業(yè)科學(xué)院國(guó)家南繁研究院與阿里巴巴達(dá)摩院共同研發(fā)了一款全流程智慧育種平臺(tái)，該平臺(tái)集成了育種數(shù)據(jù)管理和分析、計(jì)算加速、AI算法預(yù)測(cè)等功能，提升了育種效率和精準(zhǔn)度，顯著加速了基因測(cè)序和遺傳學(xué)分析，全球已有23 家科研單位使用。KnetMiner基因組規(guī)模知識(shí)圖的智能搜索和可視化工具，被多個(gè)植物育種組織采用，用于加速基因發(fā)現(xiàn)和復(fù)雜性狀分析，幫助科學(xué)家更有效地利用基因組數(shù)據(jù)，推動(dòng)作物改良和新品種的開(kāi)發(fā)。Yield10公司通過(guò)AI識(shí)別與作物生長(zhǎng)代謝密切相關(guān)的關(guān)鍵基因，并利用CRISPR技術(shù)對(duì)其進(jìn)行精確改造，提高作物產(chǎn)量。AI在作物育種領(lǐng)域的應(yīng)用正逐漸成為解決全球糧食短缺問(wèn)題的關(guān)鍵途徑。AI技術(shù)可以收集和分析土壤、氣候、作物生長(zhǎng)等數(shù)據(jù)，從而實(shí)現(xiàn)精量播種、灌溉、施肥和收割。在實(shí)踐方面，The Climate Corporation 通過(guò)分析氣象數(shù)據(jù)、土壤數(shù)據(jù)和作物生長(zhǎng)數(shù)據(jù)，為農(nóng)民提供精準(zhǔn)的種植、灌溉和收割建議。Blue River Technology 開(kāi)發(fā)的See and Spray技術(shù)能夠識(shí)別作物和雜草，精準(zhǔn)施用除草劑，減少化學(xué)制品的使用。Trimble提供的精準(zhǔn)農(nóng)業(yè)技術(shù)包括作物健康監(jiān)測(cè)、產(chǎn)量監(jiān)測(cè)和土壤分析等，并通過(guò)使用衛(wèi)星導(dǎo)航和遙感技術(shù)，農(nóng)民可以獲得作物生長(zhǎng)的詳細(xì)圖像，從而有針對(duì)性地進(jìn)行施肥和灌溉。Semio提供了綜合的作物健康監(jiān)測(cè)平臺(tái)，結(jié)合天氣數(shù)據(jù)、土壤濕度和作物生長(zhǎng)模型，為農(nóng)民提供實(shí)時(shí)的病蟲(chóng)害預(yù)警和灌溉建議。Greeneye Technology 開(kāi)發(fā)了一種精準(zhǔn)施藥系統(tǒng)，該系統(tǒng)使用AI來(lái)分析作物圖像并識(shí)別病蟲(chóng)害，然后精確施用農(nóng)藥，減少化學(xué)品的使用并保護(hù)環(huán)境。2023年7月，清華大學(xué)軟件學(xué)院聯(lián)合國(guó)家氣象中心、國(guó)家氣象信息中心共同推出了NowcastNet極端降水臨近預(yù)報(bào)大模型，顯著提升了強(qiáng)降水、暴風(fēng)雨、暴雪及冰雹等極端天氣事件預(yù)報(bào)精度，有效彌補(bǔ)了傳統(tǒng)氣象預(yù)測(cè)模型在此類極端降水事件中的不足[29]，為減少農(nóng)業(yè)災(zāi)害損失、力奪糧食豐收保駕護(hù)航。AI在精準(zhǔn)農(nóng)業(yè)的應(yīng)用不僅可以提高農(nóng)業(yè)生產(chǎn)的精確性和效率，優(yōu)化資源使用和增強(qiáng)農(nóng)業(yè)可持續(xù)性，還有助于實(shí)現(xiàn)環(huán)境友好和資源節(jié)約的農(nóng)業(yè)生產(chǎn)模式，從而在一定程度上緩解了傳統(tǒng)農(nóng)業(yè)對(duì)自然條件高度依賴的問(wèn)題，對(duì)于應(yīng)對(duì)全球糧食安全和氣候變化的挑戰(zhàn)具有重要意義。

4.3 AI 賦能農(nóng)業(yè)，提高綠色發(fā)展水平

農(nóng)業(yè)綠色發(fā)展是踐行新發(fā)展理念的重要途徑。AI賦能智慧農(nóng)業(yè)，通過(guò)農(nóng)業(yè)資源、環(huán)境、設(shè)施裝備等農(nóng)業(yè)生產(chǎn)要素的在線化、數(shù)據(jù)化和網(wǎng)絡(luò)化，實(shí)現(xiàn)對(duì)農(nóng)業(yè)生產(chǎn)經(jīng)營(yíng)管理的全面感知、定量決策、智能控制、精準(zhǔn)投入和精細(xì)化農(nóng)作，具有資源節(jié)約、產(chǎn)出高效、環(huán)境友好、產(chǎn)品安全等特點(diǎn)[30]。通過(guò)AI賦能，種植、養(yǎng)殖等生產(chǎn)作業(yè)環(huán)節(jié)可以減少對(duì)自然環(huán)境和人力的依賴，實(shí)現(xiàn)勞動(dòng)生產(chǎn)效率、土地產(chǎn)出率和資源利用率的提高。通過(guò)精準(zhǔn)分析遺傳性狀和基因提高種子活力和出苗率、增強(qiáng)幼苗生長(zhǎng)潛勢(shì)、提升植株抗逆能力和生產(chǎn)潛力[31]。中國(guó)農(nóng)業(yè)科學(xué)院以提高種植密度挖掘產(chǎn)能潛力為增產(chǎn)核心，系統(tǒng)集成土地精細(xì)耕整技術(shù)、種子精準(zhǔn)包衣技術(shù)、導(dǎo)航單粒精播技術(shù)、水肥一體化技術(shù)、精準(zhǔn)化病蟲(chóng)草害防控技術(shù)和機(jī)械精準(zhǔn)收獲技術(shù)“六大精準(zhǔn)”調(diào)控關(guān)鍵技術(shù)，綜合施策解決玉米種植密度提升和單產(chǎn)增長(zhǎng)的關(guān)鍵難題[32]，自2004年在新疆奇臺(tái)研發(fā)創(chuàng)制以來(lái)，在我國(guó)東北、西北、黃淮海等主產(chǎn)區(qū)連續(xù)7年刷新我國(guó)玉米高產(chǎn)紀(jì)錄[33]。利用AI技術(shù)可以實(shí)現(xiàn)對(duì)農(nóng)作物生長(zhǎng)情況的智能監(jiān)測(cè)，通過(guò)數(shù)據(jù)挖掘分析，提前預(yù)測(cè)可能發(fā)生的病蟲(chóng)害和氣象災(zāi)害，預(yù)警農(nóng)民及時(shí)采取措施，降低生產(chǎn)風(fēng)險(xiǎn)；利用AI技術(shù)可以實(shí)現(xiàn)農(nóng)田自動(dòng)化管理，利用傳感器等物聯(lián)網(wǎng)設(shè)備實(shí)現(xiàn)智能灌溉，最大化利用水資源，提高灌溉效率；AI技術(shù)還可以幫助農(nóng)民實(shí)現(xiàn)精準(zhǔn)施肥施藥，通過(guò)對(duì)土壤、氣候和作物生長(zhǎng)情況等多維數(shù)據(jù)的分析，精準(zhǔn)地判斷施肥量、施藥量和類別，減少農(nóng)藥和肥料的使用和環(huán)境污染，提高農(nóng)產(chǎn)品的質(zhì)量；智能農(nóng)機(jī)可以實(shí)現(xiàn)自動(dòng)化收割，提高收割效率和質(zhì)量，降低人力成本，改善農(nóng)民工作環(huán)境。AI還可以通過(guò)大數(shù)據(jù)分析幫助農(nóng)民優(yōu)化農(nóng)業(yè)生產(chǎn)計(jì)劃、改善農(nóng)產(chǎn)品質(zhì)量、降低損失和浪費(fèi)等。在農(nóng)產(chǎn)品銷售方面，AI還可以通過(guò)市場(chǎng)數(shù)據(jù)分析和預(yù)測(cè)，幫助農(nóng)民制定最佳的銷售策略，增加收益?？偟膩?lái)說(shuō)，AI技術(shù)在農(nóng)業(yè)生產(chǎn)、管理、監(jiān)測(cè)和銷售等各個(gè)環(huán)節(jié)中都可以發(fā)揮重要作用，幫助農(nóng)業(yè)實(shí)現(xiàn)智能化、高效化和可持續(xù)化發(fā)展。

5 AI4S 農(nóng)業(yè)應(yīng)用政策建議

5.1 完善高質(zhì)量農(nóng)業(yè)科學(xué)數(shù)字資源體系

AI技術(shù)強(qiáng)大的數(shù)據(jù)歸納、分析能力能夠挖掘出人類難以察覺(jué)的模式和關(guān)聯(lián)，讓科學(xué)家從重復(fù)驗(yàn)證和試錯(cuò)的過(guò)程中解放出來(lái)，成為科學(xué)家發(fā)現(xiàn)新知識(shí)的重要工具。我國(guó)擁有10億畝（6 667 hm2）耕地，獲取這些耕地全面、動(dòng)態(tài)的地塊級(jí)作物全流程全生命周期大數(shù)據(jù)仍然面臨顯著的挑戰(zhàn)。農(nóng)業(yè)數(shù)據(jù)種類繁多（包括土壤類型、作物品種、氣候條件、農(nóng)事操作、病蟲(chóng)害記錄、產(chǎn)量統(tǒng)計(jì)、市場(chǎng)信息等），涵蓋了農(nóng)業(yè)生產(chǎn)的各個(gè)方面，且具有多樣性、時(shí)空性、復(fù)雜性、動(dòng)態(tài)性、可持續(xù)性、大數(shù)據(jù)特性、互操作性的特點(diǎn)。但是，當(dāng)前農(nóng)業(yè)數(shù)據(jù)低秩化、規(guī)則關(guān)聯(lián)度低和推理可解釋性差，科學(xué)數(shù)據(jù)結(jié)構(gòu)的復(fù)雜性和異構(gòu)性使數(shù)據(jù)間的互操作性和數(shù)據(jù)集成極其困難，阻礙了科學(xué)數(shù)據(jù)價(jià)值的最大化發(fā)揮?？茖W(xué)研究往往需要高質(zhì)量、準(zhǔn)確和全面的數(shù)據(jù)，AI模型的性能在很大程度上取決于訓(xùn)練數(shù)據(jù)的質(zhì)量和數(shù)量。為了構(gòu)建精確的算法模型，對(duì)于特定的農(nóng)田需要進(jìn)行大量的實(shí)驗(yàn)并積累充分的生產(chǎn)數(shù)據(jù)，以確保模型訓(xùn)練的全面性和準(zhǔn)確性。此外，在大數(shù)據(jù)的采集、傳輸和存儲(chǔ)的過(guò)程中，數(shù)據(jù)安全問(wèn)題亟待加強(qiáng)。當(dāng)前，我國(guó)高端農(nóng)業(yè)機(jī)械和先進(jìn)的農(nóng)業(yè)傳感器過(guò)度依賴進(jìn)口，重大農(nóng)機(jī)和食品加工裝備核心部件90%以上來(lái)自國(guó)外[22]，存在農(nóng)業(yè)數(shù)據(jù)泄漏的安全隱患。因此，一方面應(yīng)加大國(guó)內(nèi)自主知識(shí)產(chǎn)權(quán)的高端智能農(nóng)業(yè)裝備研發(fā)，降低進(jìn)口依賴度，并盡快替代進(jìn)口產(chǎn)品；另一方面需研究和制定農(nóng)業(yè)大數(shù)據(jù)規(guī)范體系建設(shè)，構(gòu)建跨領(lǐng)域、可泛化的數(shù)據(jù)評(píng)價(jià)體系，包括數(shù)據(jù)采集、存儲(chǔ)、整合、分析、處理及共享服務(wù)標(biāo)準(zhǔn)，數(shù)據(jù)平臺(tái)和系統(tǒng)接口標(biāo)準(zhǔn)，以及數(shù)據(jù)訪問(wèn)和交換標(biāo)準(zhǔn)，探索建立統(tǒng)一、規(guī)范的數(shù)據(jù)管理制度，制定數(shù)據(jù)隱私保護(hù)和安全審查制度，提升數(shù)據(jù)質(zhì)量和標(biāo)準(zhǔn)化。

我國(guó)基礎(chǔ)科研數(shù)據(jù)外流的嚴(yán)峻現(xiàn)實(shí)帶來(lái)研發(fā)工作受制于人、國(guó)家戰(zhàn)略和科技安全存在隱患等問(wèn)題[34]，亟需加強(qiáng)科學(xué)數(shù)據(jù)資源的多源匯聚、高效整合、開(kāi)放共享，提高數(shù)據(jù)的質(zhì)量和安全性，加強(qiáng)數(shù)據(jù)供給與管理，推動(dòng)跨領(lǐng)域多模態(tài)科技資源融匯治理、開(kāi)放共享服務(wù)能力的提升[32]，更好地支持AI驅(qū)動(dòng)的研究，以滿足新一代新型數(shù)字科研平臺(tái)需求的發(fā)展。

5.2 適度超前推進(jìn)AI 關(guān)鍵技術(shù)

歐美國(guó)家的AI4S應(yīng)用技術(shù)相對(duì)成熟，尤其是在數(shù)據(jù)處理、模型構(gòu)建、算力平臺(tái)和算法優(yōu)化方面。國(guó)際上，尤其是DeepMind等科技巨頭在AI4S領(lǐng)域的技術(shù)領(lǐng)先性顯著，如AlphaFold3的推出，對(duì)整個(gè)科研領(lǐng)域產(chǎn)生了深遠(yuǎn)影響。我國(guó)雖然在AI應(yīng)用方面取得了進(jìn)展，但在技術(shù)創(chuàng)新和突破性成果方面差距明顯，在某些垂直領(lǐng)域仍需進(jìn)一步的技術(shù)積累和實(shí)踐驗(yàn)證。AI核心技術(shù)領(lǐng)域仍面臨發(fā)展瓶頸，核心技術(shù)相對(duì)匱乏，我國(guó)自主原創(chuàng)的算法、模型、工具仍高度依賴國(guó)外。以計(jì)算育種為例，目前使用的深度學(xué)習(xí)、機(jī)器學(xué)習(xí)、統(tǒng)計(jì)學(xué)習(xí)等算法都是國(guó)外原創(chuàng)開(kāi)發(fā)的，專用的深度神經(jīng)網(wǎng)絡(luò)基因組預(yù)測(cè)模型、從基因型到表型預(yù)測(cè)算法、染色體片段置換系育種模擬工具等鮮有我國(guó)自主原創(chuàng)研發(fā)的算法和模型，面臨缺“芯”之痛[27]。鑒于當(dāng)前大數(shù)據(jù)的海量、高維、分布不均衡等特征，亟需發(fā)展智能計(jì)算與挖掘方法以處理復(fù)雜數(shù)據(jù)。新范式研究對(duì)數(shù)據(jù)、模型和算力提出了更高要求，需加快推進(jìn)新一代信息基礎(chǔ)設(shè)施建設(shè)，突破算力瓶頸。未來(lái)應(yīng)加快適度超前推進(jìn)AI關(guān)鍵技術(shù)，包括基于原理與數(shù)據(jù)驅(qū)動(dòng)的算法模型與軟件、高精度高效率的實(shí)驗(yàn)表征方法、高度整合的算力平臺(tái)、高速大容量存儲(chǔ)系統(tǒng)、高性能高吞吐量超級(jí)計(jì)算機(jī)、專門用于處理農(nóng)業(yè)科學(xué)大數(shù)據(jù)的芯片、設(shè)計(jì)專門用于加速模型推理和訓(xùn)練的處理器等[35]，為農(nóng)業(yè)科學(xué)研究提供高效可靠的計(jì)算支撐，保障AI在農(nóng)業(yè)領(lǐng)域的應(yīng)用和創(chuàng)新。

5.3 優(yōu)化新范式下的交叉創(chuàng)新科研生態(tài)

國(guó)際上的AI4S研究往往涉及跨學(xué)科的合作，如計(jì)算機(jī)科學(xué)、生物學(xué)、物理學(xué)等多學(xué)科的融合，人工智能技術(shù)的有效應(yīng)用需要數(shù)據(jù)科學(xué)家、領(lǐng)域?qū)＜液蛙浖こ處熤g的緊密合作?？鐚W(xué)科合作能夠促進(jìn)不同研究機(jī)構(gòu)和部門之間的資源共享和合作，提高科研資源的使用效率，同時(shí)也有助于形成更廣泛的合作網(wǎng)絡(luò)。現(xiàn)有研究方式打破了原有以科研人員個(gè)體或者小組為單元的科研組織模式。這一科研范式的轉(zhuǎn)變迫切需要打破各創(chuàng)新主體間的壁壘，圍繞共同的創(chuàng)新目標(biāo)，充分發(fā)揮不同創(chuàng)新主體的優(yōu)勢(shì)，有效匯聚創(chuàng)新資源和創(chuàng)新要素，加快建立健全各主體、各方面和各環(huán)節(jié)有機(jī)互動(dòng)，實(shí)現(xiàn)優(yōu)勢(shì)互補(bǔ)、資源共享和合作攻關(guān)。建立更為廣泛的協(xié)同高效創(chuàng)新鏈條，在最大范圍內(nèi)獲得科研資源、技術(shù)支撐、人力支撐，有效支撐新型科學(xué)研究的創(chuàng)新發(fā)展。美國(guó)白宮發(fā)布的《國(guó)家人工智能研發(fā)戰(zhàn)略計(jì)劃》2023更新版強(qiáng)調(diào)了人工智能研究中跨學(xué)科交叉融合的重要性。因此，新范式下的科研生態(tài)應(yīng)推動(dòng)更為廣泛的跨學(xué)科“大交叉”“大融合”，建立干濕結(jié)合、理實(shí)交融的新型學(xué)科領(lǐng)域，加強(qiáng)培養(yǎng)高水平復(fù)合型交叉研究人才。為了加快推動(dòng)AI在農(nóng)業(yè)的應(yīng)用并優(yōu)化完善人才培養(yǎng)方案，建議農(nóng)業(yè)高校和科研機(jī)構(gòu)加快調(diào)整優(yōu)化學(xué)科結(jié)構(gòu)，著力推進(jìn)智慧農(nóng)業(yè)等一流專業(yè)建設(shè)，著力打造涉農(nóng)智慧化專業(yè)群，提升專業(yè)核心競(jìng)爭(zhēng)力，提高人才培養(yǎng)質(zhì)量。

5.4 制定完善的配套政策和激勵(lì)機(jī)制

發(fā)達(dá)國(guó)家和地區(qū)對(duì)AI4S領(lǐng)域的政策和資金支持力度較大，谷歌、微軟等科技公司在AI4S的投入巨大，包括資金、人才和技術(shù)資源。我國(guó)雖然高度重視，但是在政策和資金的配套上仍有提升空間。AI在農(nóng)業(yè)領(lǐng)域的應(yīng)用是一項(xiàng)系統(tǒng)性工程，需要健全多元投入機(jī)制，保障有計(jì)劃、持續(xù)性、長(zhǎng)期性的投入。農(nóng)業(yè)生產(chǎn)的周期性特征和多變量影響因素要求算法模型的開(kāi)發(fā)與訓(xùn)練必需經(jīng)歷長(zhǎng)期的迭代過(guò)程。為了獲得有效的算法模型，研究人員需投入大量的時(shí)間，以確保模型能夠充分學(xué)習(xí)和適應(yīng)農(nóng)業(yè)生產(chǎn)的復(fù)雜性。同時(shí)農(nóng)業(yè)生產(chǎn)過(guò)程中涉及的變量眾多，包括但不限于施肥施藥、灌溉水源、作物品種選擇、種植時(shí)間、耕作方式、輪作制度、自然災(zāi)害及全球變暖等，每個(gè)因素都構(gòu)成了龐大的數(shù)據(jù)集，需要大量人力、物力和財(cái)力投入進(jìn)行有效的管理和分析。加強(qiáng)數(shù)據(jù)信息的共建共享、開(kāi)放應(yīng)用的政策、標(biāo)準(zhǔn)工作，積極研究出臺(tái)鼓勵(lì)信息、數(shù)據(jù)開(kāi)放獲取，共享應(yīng)用的政策，推動(dòng)國(guó)家公共資金資助產(chǎn)出的各類科研信息與大數(shù)據(jù)、自然資源與環(huán)境信息和大數(shù)據(jù)、生產(chǎn)經(jīng)營(yíng)過(guò)程產(chǎn)出的信息和大數(shù)據(jù)等強(qiáng)制開(kāi)放獲取。