[Columna de Jeong Seon-woo] Robots que cortan bien y robots que cultivan bien

Los robots llegan a los huertos frutales. Las cámaras recorren los árboles para leer la ubicación y el grosor de las ramas, y un brazo robótico se extiende y corta las ramas con una fuerza determinada. La superficie de corte es lisa. La escena en la que una máquina sustituye la labor de poda que una persona hacía durante varios días es, en sí misma, impresionante. También es cierto que las zonas rurales, escasas de mano de obra, han esperado durante mucho tiempo una tecnología así.

 Pero cuando esta escena se observa junto con agricultores que han trabajado con frutales toda la vida, por lo general surge la misma pregunta. “Pero, ¿por qué cortó esa rama?”

Porque la pregunta esencial de la poda no es 'cómo cortar', sino 'qué rama dejar'. Según cómo se elijan las ramas que se van a dejar, cambia hacia dónde irán los nutrientes almacenados en el árbol, si la luz del sol llegará hasta el interior, cuántos frutos cuajarán y cuánto engordarán. Más aún, esto se prolonga hasta determinar cuántas yemas florales se formarán al año siguiente, e incluso si se producirá la vecería, esa irregularidad en la cosecha de un año para otro. La poda no es una tarea de corte, sino un juicio fisiológico que atraviesa el año.

Este ejemplo muestra bien dónde se encuentra ahora el centro de gravedad de la investigación en inteligencia artificial agrícola. Las tecnologías que reconocen y se mueven se están volviendo rápidamente más sofisticadas, pero la pregunta sobre qué deja esa labor en el cultivo queda relativamente relegada.

Si miramos atrás, durante los últimos 15 años el sujeto del debate sobre tecnología agrícola ha ido cambiando continuamente. Las fábricas de plantas, que cultivan bajo luz artificial sin depender de las estaciones, emergieron como símbolo de la agricultura del futuro, y poco después las granjas inteligentes ocuparon ese lugar. Se avanzó por etapas desde el control remoto, pasando por los macrodatos y la inteligencia artificial, hasta la automatización no tripulada, y ahora la IA física se está convirtiendo en el nuevo sujeto. Es indudable que la tecnología ha liderado la captación de interés e inversión, y eso es un logro claro. Sin embargo, mientras tanto, la investigación sobre fisiología de los cultivos permaneció en un papel secundario.

 Recuerdo un registro de aquella época. Hay datos de una encuesta realizada a finales de la década de los 2000 entre especialistas coreanos en horticultura sobre el nivel tecnológico de las fábricas de plantas. Si se situaba el nivel más alto del mundo en 100, los dispositivos de transporte y las instalaciones mecánicas estaban en 72, los sistemas de siembra·cría de plántulas en torno a 66 , y los ítems relacionados con las instalaciones fabriles y el control ambiental se distribuían en general entre 50 y 60 . Sin embargo, el campo de la obtención de variedades de hortalizas de fruto específicas para fábricas de plantas se quedaba en 20.

No habrá discrepancias en que la mayor razón por la que las fábricas de plantas no se extendieron tanto como se esperaba fue la carga de la inversión inicial y de la factura eléctrica. Aun así, también merece la pena recordar hacia qué lado estaba inclinado el centro de gravedad de la tecnología.

 Una estructura similar se repite todavía hoy en muchos lugares. Los robots cosechadores determinan la madurez por el color y el tamaño, pero diversos estudios señalan que el contenido de azúcar del fruto no tiene una relación causal directa con el color. Si se cosecha mirando solo el exterior, también se recogen frutos cuyo contenido de azúcar aún no ha subido lo suficiente. La inteligencia artificial para controlar el riego·la solución nutritiva responde a los valores de los sensores, pero una misma condición de humedad tiene significados distintos según la etapa de crecimiento. 

Los períodos más sensibles a la falta de agua suelen concentrarse en la floración y el cuajado del fruto, y las líneas de referencia que deben respetarse difieren en cada etapa. El diagnóstico de enfermedades basado en imágenes lee los síntomas visibles. Sin embargo, mientras que el patógeno del tizón tardío de la papa muestra síntomas solo después de varios días de período de incubación tras la infección, el hongo de la mancha concéntrica en el mismo campo presenta síntomas casi de inmediato si las condiciones son adecuadas. El tiempo que tarda en aparecer el síntoma en la pantalla es diferente para cada patógeno.

 Creo que aquí está la razón por la que, aunque la tecnología se desarrolla de forma constante, su difusión en el terreno avanza con lentitud. En el ámbito de la investigación, el rendimiento se expresa en precisión de reconocimiento, tasa de éxito de la tarea, y tiempo de trabajo. Los agricultores juzgan por el rendimiento, la calidad, y la estabilidad de la cosecha del año siguiente. Son dos lenguajes distintos. Lo que desean los agricultores no es un robot que corte bien, sino un robot que no desajuste la cosecha del año siguiente. La confianza no se crea con un video de demostración, sino con los resultados después de una temporada.

 Entonces, ¿qué convendría complementar? Quisiera pensar en tres cosas a la vez.

 Primero, sería deseable que los datos llegaran hasta los resultados. Los datos de aprendizaje actuales, por lo general, se detienen justo después de terminada la labor. Pero los resultados de una labor agrícola siempre vuelven con un desfase temporal. Si se trata de hortalizas de hoja, se manifiestan en el crecimiento de unos días después, si se trata de hortalizas de fruto o cultivos alimentarios, en el rendimiento y la tasa comercializable de esa campaña, y si se trata de frutales, en las yemas florales y la cosecha del año siguiente. Para que la inteligencia artificial aprenda si su propio juicio fue correcto, debe haber registros que se prolonguen hasta el final de ese desfase. Dado que el tiempo en que vuelve la respuesta es distinto para cada cultivo, también es necesario ajustar a ese tiempo el período de recopilación de datos y el ritmo de la investigación.

 En segundo lugar, sería bueno usar juntos lo que ya tenemos. Contamos con modelos de crecimiento de cultivos e investigaciones sobre fisiología del cultivo acumulados durante mucho tiempo. Cuanto más escasos son los datos en el sector agrícola, más ventajoso resulta incorporar también el conocimiento existente, en lugar de hacer que se aprenda solo a partir de datos. La investigación fisiológica no es competidora de la inteligencia artificial, sino un activo que puede ayudar a su aprendizaje.

 Por último, quisiera que estableciéramos juntos los criterios de éxito. Cuando junto a la precisión de reconocimiento se colocan indicadores como el rendimiento y la calidad, y la estabilidad de la producción del año siguiente, el lenguaje de la investigación y el del campo se acercan. Y esos criterios no se crean en la etapa de verificar los resultados, sino en la primera etapa, cuando se decide qué problema resolver. Quizá el punto de partida más práctico sea que los investigadores de ingeniería y los investigadores de horticultura·fisiología de cultivos se sienten juntos en ese lugar.

 En realidad, esta demanda no es nueva. Cuando se dividen las etapas de desarrollo de la tecnología de granjas inteligentes, su segunda etapa ya se definía, desde la fase de definición, como un nivel en el que la inteligencia artificial diagnostica el crecimiento y ayuda a los agricultores a tomar decisiones. Los cultivos ya estaban incluidos en el plano. Solo que el centro de gravedad de la implementación real permaneció en el control ambiental.

 Para que la IA física se asiente en la agricultura, no basta con unas manos precisas. También hacen falta ojos capaces de leer qué está experimentando la planta en ese momento. La fisiología de los cultivos no es un campo rezagado en la era de la inteligencia artificial, sino la vía que lleva la inteligencia artificial a los campos y huertos reales.

 Creo que la 'agricultura de todos', en la que la tecnología no se queda solo en algunas explotaciones avanzadas, sino que llega a los campos de todos los agricultores, también empieza aquí. Para no tener que confirmar una vez más la lección de hace 15 años, ojalá la tecnología y la investigación fisiológica avancen hombro con hombro.