当 TOP3 高校工科博导开始种菜，会有什么不一样？

一出手，就搭了个数据量超 13 万组的可视化信息分析平台，三个月从入门到产量暴增 135%。

(资料图片仅供参考)

还是在纯封闭环境——集装箱那种。

要知道，集装箱种菜这件事儿，就连马斯克的 " 农民 " 弟弟金巴尔 · 马斯克（Kimbal Musk）都还没搞明白。

其创办的垂直农业公司 Square Roots，最后一次融资是在六年前，此后再未掀起更多水花。

即便这个领域软银、亚马逊等科技巨头押注，但现实是大部分公司仍处在规模化落地探索阶段。

没关系，中国技术团队会出手。

上海崇明的四个集装箱内，来自上海交通大学、中国农业大学、上海农科院和极星农业的研究人员们，悄然开展了一场技术探索。

挑战马斯克兄弟的商业化难题

金巴尔 · 马斯克涉足的垂直农业领域，指利用建筑物室内的垂直空间进行种植。

在室内，光照、水和温湿度等一切条件变得可控。换言之，作物不再靠天生长，全程由人类来把控。

相较传统农场，它存在大量商业化优势——

节省近 90% 用水量、减少农药使用、降低运输成本……

然而，所有这些优势的实现，都有一个 " 砍不掉 " 的前提条件，那就是巨大的成本投入。具体又分为能源和技术成本。

能源上，用灯光替代阳光，不到 950㎡的室内，光是灯电费每年就可能达到 10~20 万美元，更别提还有控温用的空调、除湿风扇等。

技术成本方面，植物品种繁杂、可控数据类型多等因素，目前尚未诞生一个通用作物模型，同时还得应对各种复杂环境，导致研发需要持续投入。

于是乎，来自四个不同单位的中国产学研团队，正式就这一系列行业瓶颈发起挑战。

一方面设立了产量、品质和能耗三个指标，尽可能在降低能源成本情况下提升收益；另一方面则要求体现算法的突破性、创新性，在技术研发上寻找突破口。除此之外，商业创新也被列为需要考虑的因素。

首先就是来自上海交通大学博士生导师鲍华带领的 " 纯工科 " 团队。

团队一上来就发现，原始集装箱的数据无法直接建模进行数据分析。

其一，采集量太少，只提供 24h 历史数据；其二，数据分散在不同控制系统中，包括光照、温湿度和其他单元等；其三，查看方式不方便，需要用特定 APP 手动导出。

于是乎，他们干脆将数据采集和分析这两个步骤全自动化——自研数据平台，将所有的异构数据（如同一时间点记录的植物生长照片、温度湿度数据、二氧化碳浓度、光照条件等）融合其中。

平台前后一共采集了接近 13 万组数据，并将这些原本在 " 不同组别 " 的数据进行了融合。

理论上不同类型数据联动得越好，" 模拟 " 植物后续生长流程就会越顺利，从而迅速总结出考虑更全面、迭代更先进的环境控制算法，进一步降低人工分析的复杂度。

基于队内植物专家提供的目标理想参数，团队将场景温度 - 系统能耗 - 空调控制综合考虑进去，同时基于热特性分析、风速和温度场模拟等工程算法，迭代了几次。

最终在能源成本降低上，他们空调和光照的能耗相比最初节省了 29%。即使在温度升高 9 ℃的情况下，基于环境控制算法，团队也能用同样的能耗量将温湿度及二氧化碳浓度调控在目标水平。

在商业化推广思路上，团队将数据用前端进行可视化，更方便从其中快速总结教训和经验，进一步降低用户的操作门槛。

同样从工科角度出发，但又具备农业知识的中国农业大学团队，则将团队创新思路放在了产量预测算法上。

具体而言，一个是基于二氧化碳质量平衡的植物净同化量动态监测技术，预测植物地上部分鲜重的积累。

另一个则是建立植物冠层的面积识别模型，基于相机采集并设计图像分割算法，不断调参优化性能，可以实现基于机器视觉识别的植物生物量监测，同时也能调控生长速度，避免出现烧心现象降低产量。

最终他们实际的产量与预测单株的产量仅相差 1g。

而对于四个团队中唯一的企业极星农业而言，他们关注三点核心：产量预测、无人化和易用性。

产量预测上，团队基于动态密度变更策略，开发了一套植物种植密度预测系统，基于这套系统变更的栽培方式，理论上节约了 10% 用电量；再结合产量预测算法，基于光照、温度、生产周期以根据市场需求调整生产速率，甚至做到从生长到产出直接定量供应。

同时，与其他团队不同，在整个比赛的这三个多月，极星农业没有人在现场，实现了调控的完全无人化。

为此，极星农业研发了一个自动报警系统，增强设备可靠性，这样就能在温度等条件出现偏差时及时处理。

最后就是易用性了。团队认为，相比调控大量设备，更重要的是系统能自动控制核心变量，如水、温度等环境条件，从而将参数控制在目标值内，无需手动调控。

不过要论真正的 " 专业对口 "，其实还是上海市农业科学院团队。

相比算法，团队更侧重于植物品种特性的挖掘，在真正规模化种植之前，先来了一波 " 控制变量法 "，将不同环境下植物生长的情况全部测试了一番。

基于此，团队最终开发了一套智慧种植决策管理系统，融合植株的生长模型、光截获模型、蒸腾模型等算法，实时收集多传感器数据，以检测植物生长情况。

也正是基于这种思路，上海农科院整出了其他三个团队都没想到的 " 新活儿 "，即集装箱中不设置昼夜温差，最大程度上提升植物产量。

最终他们的植物生产效率达到 0.18kg/㎡/ 天，产量是几个团队中之最，他们还计划将核心技术申请专利。

在几支团队的合力之下，" 集装箱种菜 " 全流程能耗降低了 30%，产能也比预估提高了 30%~50% 的效果。

这不仅简化了农业生产的的过程，也增强了技术落地的可能性。而且，这些团队研发的系统经过完善后，甚至具备可推广性。

典型例证就是，有一些从事植物工厂建设或制造的企业，已经主动找到部分团队对接了。

这一次的种植成果，也被有的团队挖掘出了新的科研方向。

已有实际成果转化

熟悉智慧农业的朋友，或许对这场练兵并不陌生。

事实上，这是由拼多多牵头，同光明母港携手举办的第三届多多农研科技大赛——

参赛团队需在 90 天内实现三茬 " 翠恬 " 生菜的种植，过程中需要兼顾产量、品质和可持续性。

换言之，依靠前沿技术实现对现实农业的赋能。在此之前，草莓、樱桃番茄的比拼中已经有了成果转化。

比如首届团队" 智多莓 "，正是看到技术产品化的应用前景，比赛完就成立公司。

如今该公司已形成智能灌溉系统、智能温室环境控制系统等硬件、软件、算法产品。截至今年一季度，总共向全国输出 40 套系统，覆盖辽宁、云南、安徽、上海、北京、内蒙等地，并从草莓、蓝莓逐步扩展到咖啡、花卉、小番茄和柑橘种植市场。

另外，在云南省怒江州老窝村，他们在当地搭建起了数字化草莓生产体系，直接将产业常用工成本下降 30% 以上，包括肥料支出减少 2500 元 / 亩、植保支出减少 1000 元 / 亩，而草莓产量增加 30%。

还有第二届冠军团队番茄快长团队，设计的产量预测模型——从基因层面了解到的品种生理需求，与现场图像结合进行融合修正，也已经在自己企业玻璃温室中应用，更好地方便产销对接。

不过，跟以往不同的是，此次不在玻璃温室里，而是在一个特殊的环境——没有土壤没有阳光的封闭集装箱，最大程度阻隔外界环境的影响，回归植物本身的需求。

某种程度上讲，这种场景也最考验技术，因此在成果转化上也最具有研究价值。

如果说第一届属于是人机大战，首次验证了 AI 种的作物，在产量上远超人类；

第二次则是更多年轻高技术人才加入，他们利用前沿作物模型、精准农业、营养科学等技术实现远程种植。

那么这一次则是集前两次之大成，有 AI 有人才，更关键的是，工程技术与农学在这里进行了更深入的融合。

最直观感受就是，更多工程学科背景的人参与到其中，给农业一点小小的 "工科震撼"。

光明母港农业事业部总监王金华就坦言：没想到能有这么多跨学科人员进入到农业领域。

植物工厂的比赛是要打破边界的探索，这是我们比较兴奋的一点。

比如就像此次鲍华教授团队，依托于上海交通大学溥渊未来技术学院。

他本人研究领域包括微纳米尺度的热量输送和能量转换，以及对热量输送的物理过程的多尺度仿真等，在热电转换和微电子器件散热等领域有着重要的应用价值。

在此次比赛前，他们团队各位成员互不相识。他坦言，这次大赛是工科团队知识在农业场景应用的首次尝试，一次较为成功的学科交叉。

事实上，由于没有一点种植经验，他们第一茬生菜种植表现并不理想。但因为数据平台能够感知实时变化，方便更新迭代和优化决策。

两轮作物迭代后，第三轮的产量较第二茬增长 86%，较第一茬增长 135%。

甚至有专家惊叹，如果时间再延长一点，产量冠军或许就是这支 " 全工科团队 " 了。

团队接下来还计划引入生成式 AI更好地总结其中的规律，进一步加速工业化生产落地。

这种农业与工程技术、前沿技术的更紧密融合，是整个农业发展的一隅。

农学与工学手拉手

以往的传统农业，与工学之间的联系可能感知很少。但现在 " 工农融合 " 已经注入到实实在在的作物种植当中去。

比如去年就有团队用 YOLO V3 网络识别番茄不同生长状态。

用极星农业团队的话来说，未来农业工业这两个学科就必须手拉手。

这个比赛之前，各种数字技术其实已经亮相在田间地头。

比如无人机已经肩负起播撒、施肥、遥感等工作。

地面也有无人拖拉机进行作业，农户只需通过连接智能手机或平板电脑进行航线规划。清华教授张宏宇曾表示，农业现代化的推进过程，本质上讲，其实恰是更多工业元素的渗透、融合和替代的过程。

往更早前回溯，以化肥、农药和农机为代表的工业元素融合，这是农业工业化的上半场。那么随着科学技术的进步，5G、物联网、AI、云计算、大数据的发展，这种渗透、融合和替代的趋势加快，以数字技术为表征的工业元素进入到农业领域，也就来到了农业工业化的下半程。

这种推进，需要各方、尤其是农业产业链上的企业伙伴来承担。

作为国内最大的农产品上行平台，拼多多在产业链上承担着重要角色——

一头连着各地的农户，一头直接连着市场。在帮助农户建立连接、打开销路的同时，拼多多也建立起一条覆盖全国的农产品流通 - 消费体系。

解放流通体系，用数字化技术，推动农业效率的提升。但这也只是大家感知最多的、拼多多推动农业数字化的其中一步。

自成立以来，他们就已从底层生产出发，推动前沿科技创新。

比如持续三年举办的多多农研科技大赛，还有 " 拼多多杯 " 科技小院大赛、全球农创客大赛等比赛。

就在上个月，拼多多还向中国农业大学捐赠 1 亿元，设立了" 拼多多 - 中国农业大学研究基金 "，支持中国农业大学在基础研究和农业核心技术攻关方面进行探索。

只有更多的企业、技术人才的助力，看似与科幻隔绝的农业，也将带来更多想象。

正如当前大模型风头正盛，已经有企业在进行相关探索。

比如商汤推出的 AI 遥感大模型，借助通用视觉大模型 10 亿级模型参数，涵盖了 46 类语义分割、5 类目标监测、4 类变化检测、2 类超分辨率算法。

还有一亩田集团推出基于大模型的农业 AI 对话机器人 " 小田 "。针对不同用户群体，涉及从生产、流通、采购等全链条多个场景，帮助农民解决种什么、怎么种、如何卖、高效买的问题。

好了最后还想请大家集思广益一下，大模型在农业上，还能有哪些用途和前景？

以及是不是科技农业规模化应用了，是不是能田园牧歌式写代码了？

— 完—

点这里关注我，记得标星哦～

一键三连「分享」、「点赞」和「在看」

科技前沿进展日日相见 ~

标签：