[Колонка Чон Сон У] Робот, который хорошо режет, и робот, который хорошо выращивает

В фруктовый сад приходят роботы. Камера сканирует дерево, считывая расположение и толщину ветвей, а роботизированная рука выдвигается и срезает ветку с заданным усилием. Место среза получается гладким. Сцена, в которой машина выполняет обрезку, на которую у человека уходило несколько дней, сама по себе впечатляет. Верно и то, что сельская местность, испытывающая нехватку рабочих рук, давно ждала таких технологий.

 Однако если смотреть на эту сцену вместе с фермерами, которые всю жизнь занимались плодовых деревьями, обычно возникает один и тот же вопрос. «Но почему он срезал именно эту ветку?»

Потому что главный вопрос обрезки заключается не в том, 'как резать', а в том, 'какую ветку оставить'. От того, как выбрать ветви, которые нужно оставить, зависит, куда пойдут накопленные деревом питательные вещества, проникнет ли солнечный свет внутрь кроны, сколько плодов завяжется и насколько крупными они станут. Более того, это связано и с тем, сколько цветочных почек сформируется на следующий год, и с тем, возникнет ли периодичность плодоношения, когда урожайность резко колеблется через год. Обрезка — это не операция резки, а физиологическое решение, выходящее за пределы одного сезона.

Этот пример хорошо показывает, где сейчас находится центр тяжести исследований искусственного интеллекта в сельском хозяйстве. Технологии распознавания и движения быстро становятся точнее, но вопрос о том, что такая операция оставляет растению, относительно отодвинут на второй план.

Если оглянуться назад, за последние 15 лет субъект дискуссий об агротехнологиях постоянно менялся. Фабрики растений, где культуры выращивают при искусственном освещении независимо от времени года, стали символом сельского хозяйства будущего, а вскоре их место заняли умные фермы. От дистанционного управления этапы поднялись через большие данные и искусственный интеллект к беспилотной автоматизации, и теперь новым субъектом становится физический AI. То, что технологии шли впереди и привлекали внимание и инвестиции, — несомненное достижение. Однако в это время исследования физиологии растений оставались на роли второго плана.

 Вспомним одну запись тех лет. В конце 2000-х годов были данные опроса отечественных специалистов по садоводству об уровне технологий фабрик растений. Если принять мировой лучший уровень за 100, то транспортировочные устройства и механическое оборудование составляли 72, системы посева·выращивания рассады — около 66 , а пункты, связанные с производственным оборудованием и контролем среды, в целом распределялись между 50 и 60 . Но область выведения сортов плодово-овощных культур, предназначенных специально для фабрик растений, оставалась на уровне 20.

Вряд ли кто-то будет спорить с тем, что главной причиной, по которой фабрики растений не распространились так широко, как ожидалось, стали высокие первоначальные инвестиции и расходы на электроэнергию. Но стоит также помнить, в какую сторону был смещен центр тяжести технологий.

 Похожая структура и сейчас повторяется во многих местах. Уборочные роботы определяют зрелость по цвету и размеру, но многие исследования указывают, что сахаристость плодов не имеет прямой причинно-следственной связи с цветом. Если собирать урожай, ориентируясь только на внешний вид, вместе с ним окажутся собранными и плоды, у которых сахаристость еще не успела повыситься. Искусственный интеллект управления поливом·питательным раствором реагирует на показания датчиков, но одни и те же условия влажности имеют разное значение в зависимости от стадии роста. 

Период наибольшей чувствительности к нехватке воды обычно приходится на цветение и завязывание плодов, и на каждом этапе различаются контрольные пороговые значения, которые необходимо соблюдать. Диагностика болезней на основе изображений считывает видимые симптомы. Однако возбудитель фитофтороза картофеля проявляет симптомы лишь после нескольких дней инкубационного периода после заражения, тогда как возбудитель альтернариоза на том же поле при подходящих условиях дает симптомы почти сразу. Время до появления симптомов болезни на экране у разных патогенов различается.

 Думаю, именно здесь кроется причина того, что технологии постоянно разрабатываются, но их внедрение на практике идет медленно. Исследовательская среда говорит о производительности через точность распознавания, успешность выполнения операций, время работы. Фермеры судят по урожайности и качеству, а также по стабильности хозяйствования в следующем году. Эти два языка отличаются друг от друга. Фермерам нужен не робот, который хорошо режет, а робот, который не нарушит урожай следующего года. Доверие создается не демонстрационным видео, а результатами после завершения сезона.

 Что же тогда было бы хорошо дополнить? Хотелось бы подумать сразу о трех вещах.

 Прежде всего, хотелось бы, чтобы данные доходили до результата. Нынешние обучающие данные в основном останавливаются сразу после завершения операции. Однако результаты сельскохозяйственных работ всегда возвращаются с временной задержкой. Если это листовые овощи, они проявляются в росте через несколько дней, если плодовые овощи или продовольственные культуры — в урожайности и доле товарной продукции этого сезона, если плодовые деревья — в цветочных почках и урожае следующего года. Чтобы искусственный интеллект мог учиться тому, верным ли было его решение, нужны записи, продолжающиеся до конца этой временной задержки. Поскольку у каждой культуры свое время, через которое приходит ответ, период сбора данных и ритм исследований также должны быть согласованы с этим временем.

 Далее, было бы хорошо использовать вместе то, что у нас уже есть. У нас есть накопленные за длительное время модели роста культур и исследования физиологии выращивания. Чем меньше данных в сельскохозяйственной области, тем выгоднее не заставлять систему учиться только на данных, а добавлять уже имеющиеся знания. Физиологические исследования — не конкурент искусственного интеллекта, а ресурс, который помогает обучению.

 Наконец, хотелось бы совместно установить критерии успеха. Когда рядом с точностью распознавания стоят такие показатели, как урожайность и качество, стабильность производства в следующем году, язык исследований и практики становится ближе. И такие критерии формируются не на этапе проверки результата, а на самом первом этапе, когда определяется, какую задачу решать. Возможно, самым практическим отправным пунктом станет то, что исследователи в области инженерии и исследователи садоводства·физиологии культур сядут за этот стол вместе.

 На самом деле это требование не ново. Когда этапы развития технологий умных ферм делили по уровням, уже второй этап с момента определения предполагал уровень, на котором искусственный интеллект диагностирует рост и помогает фермеру принимать решения. В дорожной карте растение уже присутствовало. Просто центр тяжести реальной реализации оставался в стороне управления средой.

 Чтобы физический AI укоренился в сельском хозяйстве, одних только точных рук недостаточно. Нужны и глаза, способные считывать, что сейчас переживает растение. Физиология растений — это не область, отстающая в эпоху искусственного интеллекта, а путь, по которому искусственный интеллект можно привести на реальные поля и в фруктовые сады.

 Я верю, что и 'сельское хозяйство для всех', при котором технологии не остаются только у части передовых хозяйств, а доходят до полей всех фермеров, начинается именно здесь. Чтобы нам не пришлось еще раз подтверждать урок пятнадцатилетней давности, хотелось бы, чтобы технологии и физиологические исследования шли плечом к плечу.