Сельское хозяйство ― довольно консервативная и инертная отрасль. В выращивании зерновых мало что менялось веками после нововведений с гужевым плугом и трехпольем. Например, в виноградарстве все сохраняется примерно так, как было 4–6 тыс. лет назад.
Кардинальные инновации случились относительно недавно, в XX веке: внедрение аграрных химикатов (гербицидов и пестицидов), появление гибридных сортов зерновых (прежде всего кукурузы, которая в том или ином виде присутствует почти в каждом продукте глубокой переработки в США), электрификация, искусственное оплодотворение, сельхозтехника.
В начале 2000-х годов, казалось, потенциал этих инноваций для дальнейшего увеличения производительности труда в сельском хозяйстве исчерпан, прогресс замедлился. Когда на производстве постоянно работает несколько человек, времени на эксперименты не остается. С тех пор фермеров, которые производят до 80% всей сельхозпродукции в мире, настойчиво пытаются подружить с передовыми технологиями: нано, био, смарт и ИИ.
В списке Crunchbase порядка 1 300 стартапов по направлению «сельское хозяйство и фермерство», в ИТ это десятки тысяч имен. В агробизнесе у вас 40 попыток, чтобы проверить, работает ли гипотеза, пока вам условно от 20 до 60 лет; в технологиях вы можете делать 40 попыток в неделю. На российском рынке представлено около 70 стартапов в сфере «умного» фермерства, точного земледелия, биотехнологий.
Мировые расходы на «умные» технологии в сельском хозяйстве, системы на основе искусственного интеллекта к 2025 году, по прогнозам, должны вырасти втрое по отношению к 2020 году, достигнув $15,3 млрд. Затраты хозяйств только на технические решения с искусственным интеллектом вырастут с $1 млрд в 2020 году до $4 млрд в 2026-м (данные Markets & Markets).
На что способен ИИ в сельском хозяйстве
Аргумент в пользу массового внедрения ИИ-технологий в сельском хозяйстве часто формулируется так: человеческая популяция к 2050 году достигнет 10 млрд человек, радикально увеличить обрабатываемые площади невозможно, необходимо повысить интенсивность их использования. Навязывать аграриям задачу накормить все население земного шара ― равно что требовать от средних и малых технологических компаний решить проблему глобального потепления.
В моменте производители и потребители сходятся в одном ― в желании сделать качественную сельскохозяйственную продукцию более доступной. Способны ли современные технологии решать эти чисто утилитарные вопросы?
Под технологиями ИИ, хотя в строгом смысле искусственный интеллект вряд ли появится в обозримом будущем, мы будем подразумевать для удобства классификации набор решений в области машинного обучения и обработки Big Data, нейросети, машинное зрение и так далее.
В контексте применения ИИ в выращивании зерновых, овощей и фруктов, животноводстве можно выделить три ключевых направления того, как это в принципе может работать в теории:
Раннее обнаружение вредителей, болезней и сорняков
Проблема. Сегодня фермеры вручную проверяют каждый участок своего поля на предмет обнаружения «неполадок», визуально осматривают состояние стада. Для выявления болезней на ранних стадиях элементарно может недоставать ресурсов и опыта.
Решение. Дрон, оснащенный компьютерным зрением, который регулярно проводит мониторинг участка (сигналом может служить изменение цвета листа или колоса) или стада (можно отслеживать изменения в весе).
Пример: Лососевые фермы в Норвегии используют стереоскопические камеры для раннего выявления заболевания рыбы морскими вшами. Болезнь ежегодно приводит к убыткам в сотни миллионов долларов. Правительство Норвегии планирует сделать технологию стандартом для отрасли.
Точное земледелие
Проблема. Аграрии вносят удобрения и осуществляют полив сплошным ковром, хотя участки одного поля могут иметь разные условия, рельеф, состав грунта: то есть где-то будет дефицит ресурсов, а где-то переизбыток.
Решение. Датчики, объединенные в сеть интернета вещей (IoT), отслеживают основные показатели: влажность почвы, температуру, освещенность участка, необходимые для оптимального ведения хозяйства. Алгоритм выдает рекомендации для каждого квадратного метра поля, что ведет к экономии воды, семян и химикатов.
Пример. Несколько «ИИ-ферм» расположены в провинции Гуйчжоу в Китае, где есть дешевая рабочая сила и климат, позволяющий задействовать технику и центры обработки данных без дорогостоящих охлаждающих систем.
Расчет урожайности
Проблема. Фермерам крайне сложно год к году предсказывать результат своих усилий по выращиванию зерна, овощей или фруктов, особенно если речь идет о введении новых сортов, пестицидов и так далее. В целом, на урожайность влияет множество факторов.
Решение. Информация, собранная сенсорами или дронами, анализируется алгоритмами с машинным обучением, которые оперируют в том числе историческими данными об изменении климата, создаются карты полей, выявляются паттерны. В итоге фермер может рассчитать урожайность с каждого участка и даже изменение цены на свою продукцию, оптимизировать расход ресурсов.
Пример. Цифровая платформа для точного земледелия в Аргентине. Система использует машинное обучение, геоданные дронов и спутников, облачные вычисления для разработки рекомендаций фермерам в реальном времени.
Как отдельный пример можно выделить городское фермерство. Израильская технологическая компания использовала алгоритмы ИИ для подбора оптимальных условий по освещению и влажности, чтобы выращивать сельскохозяйственные продукты в небольших домашних контейнерах.
Где еще доказательства, что это внедрено и работает?
Кейсов применения аграриями технологий ИИ в открытых источниках крайне мало. Почти вся информация исходит от разработчиков подобных решений в контексте их потенциальных возможностей.
Сделаем шаг назад: от алгоритмов ИИ к простой автоматизации. Полностью автоматизированная, с минимальным участием человека распашка полей и уборка урожая зерновых не кажется сложным решением. Траектория движения здесь проста и понятна. Все, что делает водитель техники при подготовке поля, ― разворот. Здесь нет препятствий в виде другого транспорта или людей.
Первый концепт полностью автономного трактора (без оператора в кабине) выпустила компания CNH Industrial в 2016 году сразу в двух версиях. До настоящего времени информации о запуске производства и массовом внедрении модели в агрокомплексах нет.
Крупнейший производитель сельхозтехники в США John Deere, также уже представлявший на одной из выставок концепт трактора с автопилотом, только в августе 2021 года заявил о создании стартапа Bear Flag Robotics, который собирается довести технологию до ума. По сути, в компании признали, что сейчас на рынке ничего подобного нет.
В плане развития в сельском хозяйстве ИИ-технологий речь идет о точечном использовании датчиков и дронов в экспериментальных хозяйствах. В масштабе всей индустрии это единичные примеры. О широком внедрении подобных решений фермерами пока говорить рано.
Объективные препятствия
Интерес фермеров к новейшим техническим решениям в сельском хозяйстве все же есть. Например, крупные агрокомплексы в Китае в период распространения африканской чумы свиней попытались внедрить машинное зрение для выявления и изоляции больных особей. Проблема в том, что небольшие фермерские хозяйства, которых большинство, просто не могут пока себе это позволить.
Технологии ИИ для массового сельхозпроизводителя дороги и избыточны. В сельской местности есть дешевая рабочая сила. Плюс к тому имеется и социальный контекст: высвободить даже тех немногих работников, заменив их роботизированной техникой, ― социальная проблема.
Кроме того, как мы знаем на примере российских хозяйств, рост урожайности не делает фермеров и агрокомплексы богаче, он просто приводит к обвалу закупочных цен у посредников. В такой ситуации сложно найти стимул к внедрению дорогостоящих инноваций. При том что свободных средств, которые можно было бы вложить в масштабное техническое переоснащение, у фермера, как правило, нет.
Объективное препятствие состоит в том, что в сельском хозяйстве действительно долгий цикл проверки гипотезы и отработки новых технологий. На экспериментальном предприятии, в полевой лаборатории сложно смоделировать условия, которые бы подходили для других регионов, с другим климатом, влажностью, рельефом, составом грунта.
Внедрение решений на основе ИИ требует базовой технической и цифровой оснащенности. Для подключения сенсоров в сеть IoT банально необходимо устойчивое высокоскоростное интернет-покрытие. Данные должны где-то обрабатываться и храниться. Значит, нужно искать вычислительные мощности или строить свои локальные центры обработки данных. Для БПЛА (дронов) законодательством установлены ограничения на использование.
Широкое внедрение технологий несет свои риски. Обучение одной подобной системы ― энергетически затратный процесс. По подсчетам экспертов, он оставляет углеродный след, эквивалентный выбросу 284 т CO2. То есть запуск одной ИИ-системы обойдется для планеты в пять раз «дороже», чем вклад в глобальное потепление одного автомобиля.
ИИ не стоит рассматривать как «серебряную пулю» для решения всех глобальных проблем отрасли. Но это одно из перспективных направлений, безусловно, заслуживающих внимания.