腾讯智慧农业再发力：联办国际温室种植大赛、与农科院成立联合实验室

感谢阅读腾讯AI Lab微信号第72篇文章。在刚刚结束的首届腾讯全球数字生态大会上，腾讯宣布在智慧农业领域的最新进展：国际上与欧洲顶级农业大学WUR联办第二届“国际智慧温室种植大赛”，国内与中国农科院信息所成立智慧农业联合实验室。

在农业领域，耕地持续减少与人口不断增加的矛盾日益突出，挑战巨大，急需新兴技术解决方案。麦肯锡全球研究院数据显示，农业仍是全球数字化程度最低的行业，有待进一步发展升级。

腾讯在去年初探“AI+农业”领域后，不断在研究及应用领域探索突破。在刚刚结束的首届腾讯全球数字生态大会上，腾讯宣布在智慧农业领域的最新进展：国际上与欧洲顶级农业大学WUR联办第二届“国际智慧温室种植大赛”，国内与中国农科院信息所成立智慧农业联合实验室。

在前沿科技如何助力产业与消费互联网的发展上，腾讯副总裁姚星发表了演讲：“腾讯已建立以人工智能与前沿科技（机器人、量子计算、5G等）为基础的两大实验室矩阵，打造面向未来的科技引擎，让技术创新在农业、工业、零售到医疗等多行业落地。”

联办第二届国际智慧温室种植大赛

腾讯宣布将与欧洲顶级农业大学WUR（荷兰瓦赫宁根大学）共同举办第二届“国际智慧温室种植大赛”（Autonomous Greenhouses International Challenge 2019）。

在去年举行的首届大赛中，腾讯 AI Lab 和农科院等机构组成的 iGrow 队获得了 AI 策略第一名、总分第二名的优秀成绩。本次大赛将继续延续上届目标宗旨，吸引国际人工智能和农业专家组成跨学科团队，打造可控环境下通用人工智能种植解决方案，通过模拟器仿真温室，用AI算法实现自动决策及控制，深挖技术在农业种植的价值，如提升能效与作物收成、降低人力和通用技术迁移等。

参赛者将利用AI和物联网技术远程控制温室，尝试在6个月内生产出高质量、高生产率和高资源效率的番茄作物。根据首届比赛的经验与反馈，此次赛制也有微调与改进，包括种植作物品种增加，由黄瓜变为番茄，模拟器性能提升，及种植时间延长能凸显AI能力优势等。比赛规则和报名详情可访问官网：

http://www.autonomousgreenhouses.com

腾讯首席探索官网大为在腾讯WE大会上谈AI+农业

腾讯首席探索官网大为先生在解释腾讯为何要大力支持并参与这个项目时表示：“地球现在面临着人口增长、气候变迁等诸多挑战，人类赖以生存的FEW（食物、能源、水）对我们的未来至关重要。腾讯的使命是‘通过互联网服务提升人类生活品质’，作为国际领先的科技企业，我们必须拓展现有体系和架构，AI是其中一个重要的解决方案。我们希望从食物生产这个单一环节，扩展到对食物、能源和水作为整个体系，进行全局优化，如果能配合全面自动化，将能释放惊人的生产力。人工智能这么年轻的行业，与古老的农业相碰撞时，会遇到诸多挑战，如何预见和解决这些难题，需要耐心、创新，甚至是一些灵感。但其中蕴含的机遇也是巨大的，我们希望能有更多跨学科专家、企业家和投资者一起携手，共同探索AI+农业的各种可能性。”

成立智慧农业联合实验室

智慧农业联合实验室成立揭牌仪式

腾讯与中国农科院农业信息研究所将共同成立智慧农业联合实验室，推动AI+农业发展。

5月22日，在2019腾讯全球数字生态大会上，腾讯副总裁姚星在揭牌式上表示，“自去年底腾讯AI Lab 牵头研发的iGrow算法在首届温室种植大赛上收获丰盛，我们一直在大力推进前沿科技与农业的跨界研究。腾讯集团也已相继与中粮集团、广东粤旺农业集团、深圳壹家仓、仲恺农业工程学院等签订战略合作协议，开展智慧农业深度合作。今天我们又有了一位新伙伴，腾讯将携手中国农科院农业信息研究所，借助信息所在农业领域深厚的积累整合腾讯在AI等前沿科技的实力，成立智慧农业联合实验室，继续探索前沿科技和农业的跨领域研究，共同助力产业升级！”

中国农业科学院农业信息研究所所长孙坦表示，未来，智慧农业联合实验室将着力探索以下两个方面：

一、结合现有积累及国情，在可控环境下，开发通用人工智能种植解决方案，推动产业升级与中国智慧方案自主研发；

二、以算法为基础，整合双方在技术和农业知识上的优势，联动IoT、机器人、计算机视觉等能力，寻找前沿科技与现代农业的结合点，协同开展原始创新。

智慧农业技术需求及腾讯相关探索

在腾讯全球数字生态大会AI分论坛上，中国农科院农业信息研究所的刘升平以作物模拟模型为例，介绍了智慧农业对AI技术的应用与需求；腾讯AI Lab“AI+农业”业务负责人罗迪君介绍了团队在首届智慧温室种植大赛中的经验以及在农业AI领域的技术探索。以下是两位的演讲内容分享：

促进农业数字化升级，为智慧农业搭建基础设施

——中国农业科学院农业信息研究所 刘升平

今天我为大家进行AI+农业的主题分享，主要以作物模拟模型为例，介绍当前农业数字化升级时代，如何开展作物生产的智慧管理，以及智慧农业中对人工智能技术的应用与需求。

智慧农业的背景和作物模型的重要性

当前我国农业发展面临的一些主要问题在于，复杂多变的地理条件造就了我国具备世界上最为复杂的生产环境，同时传统和相对落后的生产方式造成当前农业种植业方面生产效率相对低下（例如澳大利亚能够做到4个人管理15万亩耕地，中国部分区域4个人可能只能管理100亩耕地）。农业产业结构相对不够合理，整体看田间水分、养分利用率低，无法做到精确施肥和灌溉。信息技术应用程度相对偏低，同时滥用化肥、农药等造成环境污染日益严重。传统的粗放型经营方式已经不能有效满足现代农业发展的需求。

智慧农业运用现代信息技术与人工智能技术，实现农业自然和社会资源的最优配置，保障粮食安全和农业可持续发展。在集约化经营中，为了有效合理配置资源，减少污染、提高产量，做好水肥统筹实施，需要数据化的生产管控，作物生长模拟模型作为智慧农业的关键与基础技术之一，能够有效指导大田生产的灌溉、施肥和收获，使农业生产管理更智慧、更高效。

小麦、玉米连作是华北地区的主要种植方式，北方小麦产量占全国小麦总产的65%以上，玉米产量占全国总产的70%以上，我们作物模型研究以小麦、玉米为主进行展开。通过作物生长机理构建小麦、玉米生产模型，通过环境信息采集、作物生长过程模拟、模拟结果可视化显示实现小麦、玉米区域产量预测、生产管理设计，为提升土壤地力、保障粮食安全、节约资源、环境保护等提供技术手段，也为生产管理部门提供直观、便捷的决策支持方案。

在当前发展智慧农业方面，面向我国现代农业发展主战场，研发农业模型应用平台，为我国智慧农业发展装上“中国芯(作物模型)” 是我们单位和团队的创新需求。在智慧农业发展过程当中，通过物联网、传感器等采集获取的数据是我们的研究基础，指导生产过程的模型研究是智慧农业的核心，而实现生产决策过程的装备则是发展智慧农业的支撑。当前数据和装备的事情相对容易解决，但是作为核心的模型研究需要农学专家、信息技术专家等长期研究才能更好应用于生产实际的指导，这也是我们单位和团队的重要研究方向。

作物模型的研究思路和智慧管理框架

作物模拟模型的研究思路，就是通过对作物生长的机理进行研究，找到作物生长发育、品质形成与环境互作生长规律，并基于作物不同器官逐日生长过程构建生长模型，开展机理建模，并通过实验对模型进行进一步验证，指导模型用于生产决策和管理。同时，我们基于模型开展三维可视化和虚拟表达，为作物育种、栽培提供信息技术的支撑，加快新品种和新种植方式的形成，为农作物产量提升做出贡献。

上面是我们开展作物模型生产智慧管理的总体框架，作物模型和生产信息化管理相结合，通过生产前的种植规划、生产中的过程控制和生产后信息采集管理，最终按照要求实现最优化配置和生产管理。

我们团队从上个世纪90年代开展模型研究，已经在作物机理模型构建、三维生长过程表达、数字化管控、连作管理等方面取得了一定成绩，获得省部级奖励科技奖励5项。

作物模型的过程建模、可视化表达和生产管理

下面我将从过程建模、可视化表达和生产管理三个方面进行详细介绍。

作物生产模型过程建模将与作物、土壤、环境相关的作物生理过程和水分、养分运动规律提取为量化数学模型，按照生长机理可分解为碳平衡模型、氮素平衡模型、水分平衡模型、形态发育模型、物质分配与生长模型和阶段发育模型。不同的模型之间随着环境、品种参数不同，逐日变化且相互影响。建模过程就是找到影响作物生长的环境、水分、肥料、品种等不同因素间的动态表示关系，最终实现作物生长过程的精确控制。

作物生长模型的可视化表达，开展器官-个体-群体的三维虚拟和可视化呈现，通过作物模型的可视化表达，可以将机理模型的结果进行可视化呈现，通过生长过程的表达，我们可以了解到作物生长规律、对光合作用的影响等内容。结合基因技术、农机应用技术和栽培管理技术，在作物品种选育和栽培方式方面可以有效提供支撑。

在作物品种选育方面，例如在新疆地区种植玉米，光照充足、适合机械化粒收的玉米品种，在品种选育阶段就需要根系发达、耐肥耐水、植株高大、茎叶繁茂的玉米品种。通过模型的实施，可依据不同地区光照、肥料等条件推荐相应品种，如果没有合适品种也可根据实际需求结合模型进行品种的培育，减少实验的次数和时间，服务作物育种。在栽培管理方面，充分考虑作物叶片遮挡，对光合作用的影响等，同时为了便于机械化生产和收割，可模拟最优的栽培模式，有效提高产量。目前，我院团队在新疆通过每亩9000株的高密度栽培实现玉米1500公斤/亩的国内最高产量。

生产管理方面，模型将结合采集信息提供不同优化管理的服务，可以从播种到收获提供全程信息采集和技术指导。我们在河北等地进行模型应用，和传统种植管理方式相比较，在穗粒数、百粒重和产量等方面均有一定比例的提升。

最后，欢迎大家和我们中国农业科学院农业信息研究所开展交流合作，一起推进智慧农业的发展。

从硅到碳：AI如何助力智慧农业

——腾讯AI Lab“AI+农业”业务负责人罗迪君

首先介绍一下这个题目，碳基文明和硅基文明是科幻小说中的概念。这里想借用这个概念，硅是半导体最重要的组成元素，也是运行人工智能算法的计算机中最重要的组成部分。在这项探索当中，腾讯AI Lab创新性地把依赖硅而存在的人工智能迁移作用到以碳为主要元素的农作物上，让农作物更智能地生长，消耗尽量少的资源，获得更多的食物，试图解决一些人类将来可能面临的全球性挑战问题。

在由荷兰瓦赫宁根大学（WUR）举办的首届温室种植大赛中，我们获取了AI策略第一名，总分第二名的成绩，平均产量是24公斤每平方米每季度，超出国内水平6倍，媲美拥有20年黄瓜种植经验的顶级专家。

农业AI系统的构建和训练方法

基于同样的理由，为了突破农业技术的局限性，我们希望构建出一种用于开发农业技术的创新工具。首先，我们构造了一个和真实温室尽量接近的仿真系统，通过仿真的传感器和控制器训练AI，通过大量的训练得到一个控制策略，当控制策略收敛后，再把AI放回一个真实的温室当中，通过同样的传感器和控制器进行全自动闭环控制。

具体学习框架是：首先，AI根据当前状态作出一个决策，环境就会根据不同的决策演变到下一个状态，同时给AI一个奖励，AI根据新的状态做出决策，以获得尽量多的奖励。如此类推，AI通过不停地和环境交互来进行学习。这个环境可以是一个真实的物理环境，也可以是一个计算机仿真的环境。因为计算机的成本越来越低，计算能力越来越高，在仿真环境下进行AI的训练变得高效而低成本。

这个算法的核心是通过极低的传感器成本训练出一个优秀的AI控制器。首先，我们减少气候传感器的数目，但同时增加了农业专家知识作为强化学习的奖励回报的一个因素。具体公式如下图，小写r代表净利润。在优化过程中，有三类初始状态，包括茎密度、留果策略和留叶策略都设置为静态参数进行优化。

AI从仿真系统迁移到真实温室的过程和挑战

如何把AI从仿真系统迁移到真实温室呢？在首届国际人工智能温室种植大赛中，我们种植的作物是黄瓜。在仿真器中，我们每次都仿真黄瓜约6个月的生长过程，记录AI每次的动作，各种资源的消耗，包括水、电、二氧化碳等，以及黄瓜的收成情况，这样AI就知道怎样的决策会获得怎样的奖励。通过不停地探索和学习，AI也在不断优化自己的决策网络和各种静态参数。在探索学习中，我们会引进很多随机决策，所以AI能寻找出一些超越人类知识的决策。当探索和学习逐渐收敛后，我们就把同样的决策网络和静态参数直接部署到真实的自动温室中进行种植。

从仿真到真实温室种植是非常有挑战的。首先，仿真器会尽量接近真实温室的物理模型，但模型总是有精度误差，导致了仿真温室中的最优种植策略，很有可能不是真实温室中的最优策略。

第二，由于是比赛环境，只能控制黄瓜从出生到死亡的一次生长过程。仿真环境下，我们可以不停地尝试种植策略，出了问题就再做一次，但真实的温室中，出了问题就无法回头了。还有，温室的控制策略和黄瓜的收成之间有延迟效应，也就是说，如果温室的控制策略出了问题，会延迟一段时间才能被感知到，这可能导致AI感知到问题的时候，才发现之前的控制错误是灾难性的。最后，真实温室的传感器、控制器总是存在噪声的，这些真实的噪声是很难通过仿真器模拟出来，仿真器和真实温室之间的差异，会导致决策网络的误差。

上图是在真实温室中我们主要的传感器和控制器。在真正种植前，我们进行了超过三万次的实验，超过一万五千年的种植经验。

左图是我们的成本和收入随时间变化的曲线，右边是静利润曲线。最初两周左右的净利润是负的，因为这时我们一直在消耗资源，温室也在折旧，却没有黄瓜收成。大概从第三周开始有黄瓜收成，于是亏损逐渐缩小。从大概40天左右开始转亏为盈，最后的净利润是大概每平方米20欧元左右。我们最后的净利润和荷兰最优秀的人类种植专家几乎一样，但获得了更好的二氧化碳效率，我们也获得了这次比赛的AI策略冠军。

AI的优势和未来发展

我们的AI在设计阶段就具有终身学习能力。这里展示的是我们的AI如何通过和仿真器以及真实温室的交互过程进行终身学习。首先，我们进行决策网络的初始化，然后在某一个版本的仿真器中进行学习，学习收敛后放入真实温室进行继续学习。如果后续再建立一些更好版本的仿真器，那么这个决策网络可以继续进行学习和迭代，迭代的结果也可以放入多个真实温室中继续学习。每次的学习都会让决策网络的性能进一步提高。

在这次的实际操作中，我们努力减少了传感器成本，产生了可观的净利润，但总成本还有进一步降低的空间。如黄瓜苗的移植、剪叶、摘瓜等人工成本还不够标准化，对于批量化温室生产来说还有一些困难，我们正在想办法将这些成本降低。另外，进一步提高仿真器的精度也是我们下一步的目标之一。最后，我们正在开发更有弹性的算法，使得在种植过程中，能以很低的学习成本从一种作物迁移到其他作物。