人類本身已經(jīng)成為一個問題。

　　到了2050年，全球人口估計會達(dá)到100億，但是地球的大小不會改變，也就是說同樣的土地需要養(yǎng)活更多的人口。

　　也許是幸運，機器終于到來了。真正智能、真正驚人的工具，機器學(xué)習(xí)算法，它們也許可以引爆新一輪“綠色革命”，讓人類可以在越來越善變的地球上維持生計。不妨想像一下：衛(wèi)星可以自動偵測干旱模式，拖拉機可以盯著土地，醫(yī)治病變的地塊，用AI驅(qū)動的智能手機APP可以告訴農(nóng)民什么病害正在攻擊他的農(nóng)作物。

　　忘掉稻草人吧，未來的農(nóng)業(yè)將會由機器掌控。

　　數(shù)字綠色

　　深度學(xué)習(xí)是一種強大的計算形式，程序員沒有必要明確告訴計算機應(yīng)該做什么，相反，他們訓(xùn)練計算機，讓它們識別特定的模式。你可以向計算機輸入染病植物的圖片和健康植物葉子的圖片，為這些圖片貼上標(biāo)簽。機器會學(xué)習(xí)，知道什么是病蟲災(zāi)害，知道健康的葉子是什么樣的，從而判斷新葉子是否健康。

　　生物學(xué)家大衛(wèi)?休斯(David Hughes)和流行病學(xué)家馬塞爾?薩拉瑟(Marcel Salathé)正是這樣做的，他們在14種農(nóng)作物上做實驗，這些作物感染了26種疾病。科學(xué)家向計算機傳輸了5萬張圖片，讓它自己學(xué)習(xí)，當(dāng)專家丟入新的圖片時，程序準(zhǔn)確識別的概率達(dá)到99.35%。

　　

　　盡管如此，這些圖片還是受到人的操縱，它們擁有統(tǒng)一的照明條件和背景，這樣可以方便計算機理解葉子。如果從互聯(lián)網(wǎng)上抽出一張染病植物的圖片，將它送入計算機，識別的精準(zhǔn)率只有30-40%。

　　并不糟糕，但是休斯和薩拉瑟希望AI能夠驅(qū)動他們的APP——PlantVillage，目前這個應(yīng)用程序允許全球農(nóng)民將染病植物的圖片上傳到論壇，方便專家診斷。為了讓AI更聰明，他們不斷向機算機傳輸染病植物的圖片。薩拉瑟稱：“從不同的源頭收集的圖片越來越多，根據(jù)圖片拍攝的方式、年份、位置等信息，算法可以挑選圖片進行學(xué)習(xí)。”

　　要找出傳染病并不是一件簡單的事：摧毀植物的東西太多了。休斯說：“困擾種植者的大多病害都是生理應(yīng)激造成的，比如鈣或者鎂不足，或者鹽與熱量太多。許多人認(rèn)為它們是細(xì)菌或者真菌造成的。”如果診斷錯誤，農(nóng)民就會在農(nóng)藥和除草劑上浪費時間和金錢。未來，AI可以幫助農(nóng)民快速、準(zhǔn)確找到問題的要害。

　　之后，人類開始介入，盡管APP能夠找到問題，但是只有專家可以定制解決方案。

　　機器學(xué)習(xí)拖拉機

　　一家名為Blue River Technology的美國科技公司推出了LettuceBot，它看起來像是一臺普通的拖拉機，實際上卻是一臺具備機器學(xué)習(xí)能力的設(shè)備。Blue River聲稱自己的LettuceBot在滾過田地時，每分鐘可以給5000棵幼小植物拍照，然后利用算法和機器視覺來分辨哪些是生菜苗芽，哪些是雜草。聽起來似乎快得不可思議。機器學(xué)習(xí)技術(shù)提供商Enlitic創(chuàng)始人杰里米?霍華德(Jeremy Howard)稱：“在機器學(xué)習(xí)計算和計算機視覺上，這種速度很不錯。”他還說，圖形芯片可以在0.02秒內(nèi)識別一張圖片。

　　在0.25英寸之內(nèi)機器可以保持精準(zhǔn)度，它可以精準(zhǔn)定位，從上空為每一株雜草噴藥。如果機器的“眼睛”發(fā)現(xiàn)了生菜植物，認(rèn)定它的生長狀況不好，也會給生菜噴藥。

　　如果不加分辨噴霧，成本無疑太高。有了LettuceBot之后，農(nóng)民可以將化學(xué)品的使用量減少90%。LettuceBot機器已經(jīng)投入使用，Blue River處理的土地每年供應(yīng)的生菜占了美國的10%。

　　LettuceBot之所以如此強大，主要是因為它使用了機器學(xué)習(xí)，讓機器人原本很擅長的技藝更上層樓：精準(zhǔn)。

　　在我們頭頂400英里的軌道上，NASA的Landsat衛(wèi)星可以對地表進行調(diào)查，衛(wèi)星使用了大量的頻寬，遠(yuǎn)遠(yuǎn)超過可見光譜。所有的信息人類都很難發(fā)現(xiàn)，這是很自然的事，但是對機器學(xué)習(xí)算法而言，這些信息十分重要。

　　要監(jiān)視農(nóng)業(yè)生產(chǎn)狀況，這些信息很有價值。

　　一家名叫Harvesting的創(chuàng)業(yè)公司致力于分析衛(wèi)星數(shù)據(jù)，用機器學(xué)習(xí)大規(guī)模分析，目的是幫助機構(gòu)更合理地分配資金。Harvesting CEO魯治特?加格(Ruchit Garg)說：“我們希望通過自己的技術(shù)對農(nóng)戶和農(nóng)村進行區(qū)分，讓銀行或者政府向正確的人投入資金。”加格稱，在同一時間，人類可以分析大約10或者15個變量，但是機器學(xué)習(xí)算法可以處理2000個甚至更多。