[Chuyên mục Yang Myeong-gyun] Trong kỷ nguyên AI vật lý, dữ liệu nông nghiệp có ‘động từ’ không?

AIđã vượt qua thời kỳ chỉ đưa ra câu trả lời trong màn hình, và AI vật lý có thể quan sát thực tế, phán đoán rồi trực tiếp hành động đang được chú ý. Trong nông nghiệp, các nỗ lực kết hợp AI và robot vào thu hoạch, phòng trừ, vận chuyển, điều khiển môi trường đang tăng nhanh. Tuy nhiên, trước khi nói về robot và mô hình, có một điều cần phải hỏi trước. Với AI muốn học hành động, chúng ta sẽ cho nó đọc điều gì.

Nếu phân loại dữ liệu nông nghiệp từ trước đến nay theo từ loại, phần lớn là ‘danh từ’. Nhiệt độ, độ ẩm, diện tích lá, quả, triệu chứng bệnh, sản lượng thu hoạch. Nhưng để AI vật lý hành động trong thực tế, chỉ danh từ thôi là không đủ. Dữ liệu nông nghiệp cũng cần ‘động từ’.
 

Từ thì nhiều, câu thì hiếm

AI nông nghiệp trong thời gian qua đã nhanh chóng nâng cao năng lực ‘nhìn’ cây trồng. RGB Cách tiếp cận đa phương thức kết hợp video với 3D, quang phổ·siêu phổ, ảnh nhiệt, cảm biến môi trường đã giúp biểu đạt trạng thái cây trồng chính xác hơn. Những dữ liệu này trở thành ‘đôi mắt’ của AI vật lý. Bởi muốn hành động thì trước hết phải nhìn cho đúng.

Không phải hoàn toàn không có động từ. Bộ điều khiển của nhà kính thông minh ghi lại khi nào cửa mái được mở và đã cung cấp bao nhiêu dung dịch dinh dưỡng. Tuy nhiên, việc ghi chép thường kết thúc ở đó. Khi đó cây trồng ở trạng thái nào, vì sao đưa ra phán đoán như vậy, sau đó cây phản ứng ra sao thì nằm ở nơi khác hoặc không được lưu lại. Những công việc làm bằng tay người như tỉa lá, tỉa quả, dẫn cành, thu hoạch thường không để lại chính hành động đó dưới dạng dữ liệu.

Rốt cuộc, thứ thiếu không chỉ là lượng dữ liệu mà là sự kết nối. Trong trạng thái nào, đã làm gì, vì sao làm, và kết quả là điều gì đã thay đổi. Khi bốn yếu tố này được nối tiếp theo dòng thời gian, chúng mới trở thành một ‘câu’ mà AI có thể học. Dữ liệu nông nghiệp của chúng ta có nhiều từ, nhưng câu thì hiếm.
 

Chờ đợi cũng là động từ

Hãy nghĩ đến robot thu hoạch. Chỉ thu thập quỹ đạo robot tìm vị trí quả, cánh tay robot tiến lại gần và hái thì chưa đủ để trở thành dữ liệu hành động. Vì sao chọn quả đó, tiếp cận từ hướng nào, đã dùng lực bao nhiêu, sau thu hoạch có hư hại hay không cũng phải đi kèm.

Điều thú vị hơn là những quả không được hái. Người lao động lành nghề nhìn thấy nhưng không động tay vào. Vì họ phán đoán rằng chờ thêm một hai ngày nữa sẽ tốt hơn. Trong nông nghiệp, việc ‘chờ đợi’ cũng là một hành động quan trọng. Nhưng những việc không làm thường không được ghi lại. AI học từ dữ liệu chỉ ghi những việc đã làm có thể học được khi nào cần hành động, nhưng khó học được khi nào không nên hành động.
 

Câu của nông nghiệp kết thúc muộn

Trong nhiều công việc robot sản xuất·logistics, có thể xác nhận trong thời gian ngắn liệu đã cầm được vật hay chưa, đã đặt đúng chỗ hay chưa. Nông nghiệp thường không như vậy. Việc tưới nước và điều chỉnh dung dịch dinh dưỡng hôm nay ảnh hưởng đến sinh trưởng và chất lượng vài ngày sau, tỉa lá và cắt tỉa thể hiện thành khác biệt về sản lượng và chất lượng sau vài tuần. Cùng một hành động cũng cho kết quả khác nhau tùy giống, giai đoạn sinh trưởng, và môi trường.

Nếu ví như một câu, chủ ngữ và động từ được viết hôm nay nhưng dấu chấm phải vài ngày hoặc vài tuần sau mới được đặt. Trong khoảng thời gian đó, thời tiết thay đổi và các công việc khác chồng lên nhau, khiến việc phân biệt kết quả nào bắt nguồn từ hành động nào trở nên khó khăn. Việc phải đối diện với sinh vật sống là lý do khiến AI vật lý trong nông nghiệp khó có thể hoàn thiện chỉ bằng cách bê nguyên tự động hóa từ các lĩnh vực khác sang.
 

Tri thức ngầm không phải đáp án, mà là giả thuyết

Trong nông nghiệp, người ta nói kinh nghiệm và cảm giác của nông dân lành nghề, tức tri thức ngầm, rất quan trọng. Năng lực nhìn màu sắc và dáng lá, thời tiết trong ngày rồi phán đoán ‘hôm nay hãy giảm nước một chút’ rõ ràng là có tồn tại. Vậy chỉ cần dạy nguyên phán đoán đó cho AI là được chăng.

Ngay trong cùng một tình huống, mỗi nông dân lành nghề có thể phán đoán khác nhau, và cũng không có gì bảo đảm rằng phương pháp đã dùng lâu nay luôn là tối ưu. Kết quả tốt không chỉ do phán đoán của nông dân mà còn do nhiều điều kiện như cơ sở vật chất, giống cây, thời tiết cùng tác động. Vì vậy, chỉ thu thập nhiều ghi chép không tự động tách riêng được hiệu quả của một phán đoán cụ thể. Cần có thêm các trường hợp đã thử làm khác đi trong điều kiện tương tự hoặc thí nghiệm so sánh thì mới có thể xác nhận phán đoán đó có đúng hay không.

Vì thế, tri thức ngầm gần với một giả thuyết tốt đang chờ được kiểm chứng hơn là đáp án mà AI phải noi theo. Dữ liệu hóa kinh nghiệm của nông dân không phải là sao chép kinh nghiệm thành đáp án, mà là biến nó thành tri thức có thể xác nhận khi nào hữu hiệu và khi nào không.
 

Điều cần hỏi trước tên của mô hình mới

Trong AI vật lý, mô hình VLA(thị giác·ngôn ngữ·hành động) , các mô hình cùng học kinh nghiệm của nhiều robot, và công nghệ mở rộng kinh nghiệm bằng môi trường ảo cùng mô hình thế giới đang phát triển nhanh chóng. Tuy nhiên, điều cần hỏi trước hơn là mô hình đó sẽ trải nghiệm điều gì và học từ đâu.

Chúng ta đang tạo ra dữ liệu nông nghiệp mới cho AI vật lý, hay chỉ đang gắn tên công nghệ mới lên dữ liệu quen thuộc.

Nếu từ trước đến nay chúng ta đã ghi lại trạng thái của nông nghiệp, thì giờ là lúc ghi lại hành động của nông nghiệp. Nhìn, chờ đợi, tiến lại gần, nắm giữ, cắt, tưới nước, thông gió — những ‘động từ’ được đặt bên cạnh danh từ và nối tiếp đến tận kết quả để trở thành một câu, khi đó AI vật lý mới có thể học được cách vận hành nông nghiệp.