摘要：人工智能的定义很宽松，可以指从机器学习到大型语言模型 (LLM) 生成人工智能的任何事物。机器学习已经应用于农业，例如约翰迪尔的 See and Spray 系统，使用摄像头识别要喷洒的杂草和要避开的障碍物。
人工智能 (AI) 是科技行业的最新创新之一，可能会影响每个行业。这项技术不仅仅是一个流行词，它可能很快就会出现在您的农场上。
人工智能的定义很宽松，可以指从机器学习到大型语言模型 (LLM) 生成人工智能的任何事物。机器学习已经应用于农业，例如约翰迪尔的 See and Spray 系统，使用摄像头识别要喷洒的杂草和要避开的障碍物。
人们很可能已经听说过生成式人工智能，并且已经可以在多个不同的网络平台和设备上使用它——微软的 Copilot、谷歌的 Gemini 和 Facebook 的 Meta AI 都可供消费者使用。生成式人工智能可以创建各种文本、图像和音频，并且处于视频生成的早期阶段。 有许多人工智能商业级和消费级应用，包括农业领域的应用。在深入研究人工智能的潜在好处之前，有必要了解它的工作原理及其局限性。
它是如何运作的
作为首批进入市场的人工智能模型之一，OpenAI 的 ChatGPT 处于该技术的前沿，并且已经集成到许多企业的日常运营中。用户可以要求ChatGPT编写文本，进行总结和组织，甚至进行“对话”。
ChatGPT 和许多其他流行的人工智能服务在 LLM 上运行，根据用户的输入生成文本。它通过“阅读”互联网上的现有文本来实现这一点，并识别单词在上下文中如何与其他单词一起出现，有点像在智能手机上打字时的高性能自动完成功能。它用它来预测响应请求时可能出现的下一个最有可能的单词，以及之后的每个单词。 据该公司网站称，ChatGPT 正在积极开发中，使用三种信息来源：互联网上公开的书面作品、OpenAI 从第三方授权的内容以及用户或人类培训师提供的数据。然而，这导致了限制。 由于该服务依赖于公开的互联网——这可能并不总是准确的——人工智能会产生“幻觉”。
当人工智能模型产生幻觉时，它会根据这些错误信息做出错误的反应，或者完全自行给出答案，并将其呈现为事实。人工智能模型也无法为其输出提供来源，即使是准确的。由于该技术仍处于早期开发阶段，ChatGPT 网站建议验证任何生成的响应并提供反馈。 Molewa AI Studio 创始人帕特里克·沃尔特 (Patrick Walther) 表示，检索增强生成 (RAG) 是公司避免人工智能幻觉的一种方法。基于 RAG 的人工智能模型不是使用整个数据库，而是根据用户提供的私人信息进行训练，该信息优先于其他信息源。这样，公司对人工智能生成的结果更有信心，因为这些结果是基于他们自己的人造信息。
环境影响
事实证明，人工智能模型比互联网繁荣以来大多数数据中心使用的数据检索、流媒体和通信更加耗能。
根据电力研究所 (EPRI) 进行的一项研究，谷歌搜索需要 0.3 瓦时的电力才能检索结果。在 ChatGPT 中提出一个问题需要 2.9 瓦时才能产生响应——大约是原来的 10 倍。 EPRI 表示，全球互联网用户数量达到 53 亿，这可能会导致能源需求急剧增加。
国际能源署 (IEA) 估计，人工智能和加密货币领域的全球能源消耗量将比 2022 年估计的 460 太瓦时 (TWh) 增加一倍多，到 2026 年将达到 1,000 太瓦时以上。这与整个国家每年消耗的能源大致相同。
日本。 2023 年，Google 的温室气体排放总量为 1,430 万吨二氧化碳当量 (tCO2e)，较 2019 年增加 48%，同比增加 13%。
根据谷歌 2024 年环境报告，这“主要是由数据中心能源消耗和供应链排放增加造成的”。谷歌正在通过开发一种新的张量处理单元来调整人工智能的高影响力能源使用，他们声称该单元的能源效率比上一代高出 67% 以上。该公司还表示，它已经确定了经过测试的做法，可以将训练人工智能模型所需的能源减少多达 100 倍，并将相关排放量减少多达 1,000 倍。 生成式人工智能也是水资源密集型的。为了生成结果，大型语言模型在大型、密集的数据中心中使用图形处理单元 (GPU)。 GPU 在此过程中会变得非常热，需要进行水冷以避免过热。 2023 年，谷歌数据中心消耗了 61 亿加仑淡水，比 2022 年增加了 17%。
按照目前的增长率，到 2027 年，全球人工智能需求可能需要抽取 4.2 至 66 亿立方米淡水，是英国的一半根据加州大学河滨分校发表的一项研究，每年的总取水量。
人工智能如何被使用
2023 年，Farmers Business Network (FBN) 推出了 Norm，这是一款基于 OpenAI 的 ChatGPT 模型的人工智能农业顾问。 FBN 技术副总裁 Kit Barron 表示：“当 OpenAI 发布 GPT-3 时，我们认为这是技术领域的一项惊人发展。” “我们立即开始在内部问自己，‘我们如何利用这项技术来支持我们的使命并支持我们的农民成员？’我们开始思考农民今天需要成为专家才能取得成功的所有领域。” 巴伦说，农民需要成为植物遗传学和生物学、化学和施用率、天气、生育力、谷物贸易和营销方面的专家。 Norm 是一个潜在的解决方案，可以简化这些过程的方法并扩大农民的知识。在早期测试中，FBN 发现农民使用 Norm 来询问作物保护问题。这里有一个作物保护零售店面和一个可追溯至 10 年前的数据库，这似乎是重点开发的合适地点。 FBN 的农学家团队针对哪些助剂与不同类型的作物保护相匹配提出了建议，并利用这些数据来微调 Norm 的反应。虽然 ChatGPT 通过用户输入和数据进行学习，但 FBN 确定其农民的数据需要保密，要求用户仅共享邮政编码以提供基于位置的响应。对于个人提示，农民提供的问题背景越多，规范的回答就越相关。 Norm 可以从 OpenAI 的 ChatGPT 基础模型中访问更广泛的数据，但专注于根据 FBN 的专有数据提供响应，例如农艺师建议、产品标签和手册以及相关文章。 巴伦将人工智能发展的早期阶段描述为“狂野的西部”，并明确表示 Norm 仍处于试验阶段。在可用的最初几个月，Norm 经常会产生幻觉，推荐不存在的文章或提供不正确的信息。为了防止这种情况发生，FBN 设置了护栏，Norm 拒绝对其农业知识库之外的话题发表评论。从那时起，响应变得不再那么随机且更加准确。 Norm 当前的迭代仅适用于应用或混合自己的作物保护的农民。然而，FBN 不断添加新工具，例如新的生育模型，以进一步帮助农民。 Norm 还嵌入到 FBN 的在线购物体验中，允许农民提出问题或选择预先提示的问题之一，以便在浏览时了解有关产品的更多信息。 FBN 还正在考虑将粮食市场和粮食交易工具纳入规范。
Walther 专注于推荐人工智能驱动的解决方案，帮助农业企业提高生产力、可持续性和盈利能力。他与作物保护公司、种子制造商、能源公司和农学家等客户合作，帮助寻找利用人工智能简化工作流程的机会。例如，在与农艺师交谈时，瓦尔特将他们的整个工作流程分解为多个步骤，从土壤采样到向农民提出建议。 “[农艺师]必须一步一步完成大量的手动数据输入过程，”瓦尔特说。 “我开始问，‘如果我们将其自动化，这会对您的利润产生什么影响？’” 他说，让人工智能分析数据并提出建议，农艺师对工作进行双重检查，不仅可以为他们节省数千美元，还可以让他们的业务更上一层楼。花更少的时间进行手动数据输入可以让农艺师以更快的速度覆盖更多的土地。 爱科正在使用人工智能分析进行市场预测、质量控制和客户支持。这帮助爱科将曾经需要大量时间和资源的流程简化为一个人可以在几分钟内解决的问题。
AGCO 高级副总裁兼 PTx 总经理 Seth Crawford 表示：“多年来，存在着巨大的市场数据集，没有人能够独自处理这些数据。” “但凭借数据中可用的处理能力，我们相信这有助于我们更加主动地规划市场的涨跌。” 人工智能工具有助于处理季节性高峰时段的繁重客户负载。该工具监听支持电话，并可以根据客户的问题提取信息，例如相关案例、相关设备手册和作物信息。这可以集中解决问题，帮助客户支持尽快找到解决方案。 爱科还在其质量控制流程中使用人工智能来分析世界各地农田机械的反馈，并识别可能困扰整个车队的潜在问题。质量控制、制造和设计工程部门可以评估数据并找到问题的根源，无论是批次不良的零件还是设计问题。 Walther 预测，在不久的将来，人工智能可能会以 RAG 为中心，几乎无处不在。拥有数十年内部数据的公司将能够比以往更快地筛选和分析这些数据。他说人工智能也可以帮助农民管理他们的数据——人工智能现在可以拍摄文档并将其直接翻译成电子表格。
来源：农业机械
