未来，人类食物供应或掌握在人工智能手中
真正智能的机器人以及机器学习算法，或许会带来一场绿色革命
人类给自己出了个难题。到2050年，人口或许将逼近100亿，但是，地球还是那么大，也就是说，相同的土地面积要养活更多的人。再加上全球变暖、随之而来的淡水缺乏等等诸多状况，人类还能不能养活自己？这是个大问题。
或许是天意，机器来到了人类身边。真正智能的机器人以及机器学习算法，或许会带来一场绿色革命，让人们在这个日益有限的星球上养活自己。想象一下，可以自动探测干旱图样的卫星，识别并杀死感染疾病的植物的拖拉机，和告诉农民哪种疾病感染作物的人工智能手机应用……
忘了稻草人吧。农业的未来掌握在机器的手中。
数字农业专家
深度学习是一种功能强大的计算方法，程序员并不需要清楚告知计算机做什么，只需训练它识别特定模式。你可以给计算机输入病变以及健康农作物叶子的图片，然后如是标签。算法会通过这些数据，掌握病变以及健康农作物叶子的样子，自己决定新叶子是否健康。
这正是生物学家David Hughes和流行病学家Marcel Salathé对14种感染不同疾病的农作物所做的。他们给一台计算机输入了50,000多张图片，通过自我学习，程序可以识别新输入的照片情况，准确率达99.35%。
这些仍然是人为处理过的图片，这些图片亮度和背景都是统一的。因此对于计算机来说，这不是很难。但是如果从互联网上随便摘取一张病变植物照片，识别的正确率就降到了30%到40%。
结果也不是太糟糕。不过，Hughes和Salathé希望用这款人工智能系统驱动他们的应用PlantVillage。目前，这款应用允许全世界的农民上传自己作物的照片到一个论坛，请专家诊断。为了让人工智能更聪明，他们会继续给系统输入染病作物的图片。Salathé说：“输入照片越来越多，来源各异。这些照片是如何拍摄，时间、地点信息又是如何等等。算法可以自行吸收学习。”
目标不仅仅是排除染病植物，找出病因也很重要。“大部分影响植物生长的疾病都源自生理上的压力，比如钙镁元素不足、太多盐，或温度太高等等。人们经常误认为是细菌或真菌感染。”Hughes 说道。错误的诊断会浪费农民的时间和金钱。将来，人工智能可以帮助农民迅速、准确地找到病因。
找到病因后，人类会夺回控制权——虽然应用也许可以找到问题，但是只有人类专家才能找到一套适合于时间、土地与气候的解决方案。联合国粮食与农业组织认为，对作物管理而言，这种技术是一个有效工具，但是专家才有资格板上钉钉。该组织的一位植物病理学家Fazil Dusunceli说道，这样的电子设备会很受欢迎，但是“最终的农害管理，应该与当地专家们一起决定。”
拖拉机训练者
发展中国家急需农业知识，而发达国家却被杀虫剂和农药淹没了。在美国，农民每年要用掉3.1亿磅除草剂——这还仅仅是在玉米，大豆和棉花田上。并且是“喷洒出去并祈祷农药起作用”的作业方式。与其说是狙击虫害，不如说是地毯式轰炸。
一家叫做Blue River Technology的公司，或许已经想到了解决方案，至少对于生菜而言。它的LettuceBot（生菜机器人）看起来很像拖拉机，但实际上它是一个支持机器学习的机器。
Blue River 宣称，LettuceBot可以一分钟拍摄5,000张幼小的植物的照片，利用算法和机器视觉去识别每株植物是生菜还是杂草，速度快到你难以想象。“这仍在机器视觉和机器学习的计算能力范围内。”深度学习设备Enlitic的创始人Jeremy Howard说，一个图像芯片只需0.02秒，就可以识别出一张图片。
应用的精确度可达四分之一英寸，机器人可以在运行中精确定位每株杂草并喷洒农业。如果看见了一株生菜，判定它长得不健康，也会喷洒农药牺牲掉多余的。如果两株芽长得过近，机器也可以加以区分分别喷洒，而不是误认为一大株植物。
现在，再想想传统方案：不论情况如何，统统给地里喷洒农药。Blue River Technology的Ben Chostne说：“这就像是说，如果旧金山的一小部分人感染了疾病，你的唯一选择就是给城里所有人一片抗生素。病治好了，但是成本太高，没有很好地利用抗生素潜能。”
另一方面，Chostner称，有了LettuceBot农民可以减少90%的农药用量。现在，机器已经被用于市场——Blue River所服务的农田，每年供应的生菜占全美生菜供应量的10%。
一分钟拍摄5,000张幼小的植物的照片，利用算法和机器视觉去识别每株植物是生菜还是杂草
LettuceBot非常的强大，因为它利用机器学习加强了机器人的自身优势：精确性。虽然不能像我们一样奔跑或者操控物体，但是它们细致谨慎，做事前后一致——一个完美的农业狙击手。
处理卫星数据的人工智能
头顶400英里的轨道上，NASA的Landsat卫星正利用空间光谱之外的电磁波段，为我们提供了地球表面调查数据，堪称神奇。对于人类来说，这些信息难以消化，不过对于机器学习算法来说，小菜一碟。
在监视农业种植方面，这些数据极具价值。尤其是发展中国家，当决定是否给农民发放贷款或者给予紧急援助时，*和银行往往面临着数据短缺。在印度的一场干旱期间，不同的地区，旱情也不同。而且在这些地区中，一些农民比其他地区的农民有更好的办法获取水资源。
因此，一家叫做Harvesting的公司正在用深度学习来大规模分析卫星数据，帮助机构能够更有效地分配资金。Harvesting的CEO Ruchit Garg说，“我们的愿望是利用这种技术来区分出这样的农民和村庄，帮助银行或*把钱贷给正确的对象。”他还指出，尽管一个分类分析师可能同时分析10或15个变量，机器学习可以同时处理2,000或更多。
随着地球变暖所引发的气候变化，*面临着紧迫的问题：如何分配资源。一直以来，印度的农业相对具有可预测性。Garg说，“因此，我从我父亲、祖父身上学会如何种植，以及分辨四季。但是，由于剧烈的气候变化，情况已经变化，过去的那套做法不管用了。”
这是新的世界秩序。农民可以接受失败，或者以智能的方式种植农业——用更多的数据，更多的人工智能，以及更多喷洒农药的机器人。