AI for Science在農業領域的應用研究

關鍵詞：AI for Science；人工智能；智慧農業；科研范式

人工智能（artificial intelligence，AI）是以計算機科學為基礎的多學科融合的交叉學科，是新一輪科技革命和產業變革的重要驅動力，其引領的技術革命是大勢所趨，已上升至國家戰略高度，成為萬眾矚目的焦點。2024年兩會政府工作報告提出，深化大數據、人工智能等研發應用，開展“人工智能+”行動，打造具有國際競爭力的數字產業集群[1]。強國必先強農，農強方能國強。以習近平同志為核心的黨中央把建設農業強國擺在重要位置，強調“要依靠科技和改革雙輪驅動，持續推進農業農村現代化”。AI技術的進步及智慧農業的發展使化解糧食危機迎來曙光[2]。隨著AI技術的發展和普及，農業行業正迎來一次新的變革，從傳統的勞動密集型產業逐步轉變為高科技產業。智慧農業是農業發展的高級形態，依靠AI這一先進生產力實現農業和信息技術的有效融合，為農業強國展翅高飛插上有力的翅膀[3]。本文分析了人工智能驅動的科學研究（AI for Science，AI4S）的國際發展態勢，梳理了其在我國農業領域的發展現狀及現實困境，并提出推動AI4S賦能我國農業發展的實踐路徑，以期推動農業數字化、智能化發展，提升農業生產力水平，助力農業強國建設。

1 AI4S 國際發展態勢

當前數據密集型科研范式長期面臨的困境是分析維度高、尺度跨度大。隨著復雜科學問題變量個數或分析維數的增加，計算復雜度成指數增加，傳統的計算方法工作量大、分析時間長，科學研究遭遇前所未有的困難。而AI4S利用數學計算和科學模型相結合的方法，能實現海量數據高效模擬尺度和精度的平衡，使得科研過程變得自動化、并行化、規模化、平臺化，從而幫助科學家突破科研瓶頸[4]。2018年，中國科學院院士、北京科學智能研究院院長鄂維南首次提出AI forScience，將機器學習引入科學建模過程，利用AI學習科學理論，構建科學模型來解決領域難題，使之成為研究新范式[5]。當前，AI4S已得到國內外學界和業界的普遍認可[6]，AlphaFold是AI4S領域的成功代表，將預測誤差縮小到原子尺度，計算時間從數年縮減到數分鐘，效率顯著提升，榮獲《Science》2021年度十大科學突破榜單榜首。在數學領域，2023年谷歌DeepMind實現了數學大模型領域的重要突破，其發布的FunSearch針對諸多歷史上經典數學難題給出了新的解法，能力超越了人類數學家，相關研究成果已發表在《Nature》上。在物質領域，AI實現了可控核聚變突破，提高了等離子體性狀的模擬精度。眾多的科學突破和國內外的發展趨勢表明，AI for Science正在成為一種新的研究范式[7]。

AI全面融入科學、技術和工程研究，跨學科合作成為主流科研方式，AI4S勢必將引領新一輪科技革命，科研更加依靠以大模型為特征的數字科研平臺。世界發達國家紛紛出臺相關政策推動科研技術設施建設，試圖抓住這次技術變革機遇。鑒于AI對于科技創新的強大驅動力，2021年英國發布首個國家級別AI戰略，提出用于科學研究和政府管理的人工智能（AI for Science andGovernment）計劃，以期應用AI 技術來解決現實自然或者社會科學難題[6]。2021年美國國家科學基金會（National Science fundation，NSF）提出了一項AI4S研究計劃，將AI應用于數學和物理學領域。2022 年法國國家科學研究中心（CentreNational de la Recherche Scientifique ，CNRS）成立人工智能與科學研究雙向驅動的跨學科中心（AISSAI，The Artificial Intelligence for Science， Sciencefor Artificial Intelligence Center），推動AI和其他領域的深度融合。2023年美國在國家人工智能研究和發展戰略規劃的更新中指出，對國家人工智能研究所（AI Institutes）進行長期投資，并與歐盟合作研究人工智能在極端天氣和氣候預報、健康和醫療改善、農業優化等領域的使用。美國農業部國家食品與農業研究所（USDA-NIFA）資助成立AI-CLIMATE 研究所，旨在創建以氣候為重點的農林人工智能學科（AgFoAI），通過整合農業和林業科學知識并研究利用人工智能方法來遏制氣候影響。2023年澳大利亞最高國家科研機構聯邦科學與工業研究組織（CSIRO，CommonwealthScientific and Industrial Research Organisation）發布《澳大利亞人工智能（AI）生態系統》報告；經濟合作與發展組織（OECD）面向全球政策制定者發布AI in Science的綜述與政策建議；FAO“氣候適應型農業食品系統的人工智能和數字工具”成為科學與創新論壇的焦點。

我國同樣非常重視AI的發展。2017年國務院印發的《新一代人工智能發展規劃》明確提出，聚焦人工智能重大科學前沿問題，兼顧當前需求與長遠發展，以突破人工智能應用基礎理論瓶頸為重點，超前布局可能引發人工智能范式變革的基礎研究，促進學科交叉融合，為人工智能持續發展與深度應用提供強大科學儲備[8]。2023年科學技術部聯合國家自然科學基金委啟動“人工智能驅動的科學研究”專項，緊密結合數學、物理、化學、天文等基礎學科關鍵問題，圍繞藥物研發、基因研究、生物育種、新材料研發等重點領域科研需求展開，布局“人工智能驅動的科學研究”前沿科技研發體系[9]，加速我國科研范式變革和能力提升。中國科學院、中國農業科學院等科研機構在生物醫學、計算物理、生物育種等多個領域應用AI技術開展了研究。中國科學技術大學提出了一種基于神經網絡的統計模型SCUBA，該模型能夠設計蛋白質的主鏈結構。清華大學等提出的NowcastNet 模型旨在產生物理上可信的降水預報，在極端降水的臨近預報方面取得了重大進展。哈爾濱工業大學進行了基于增強采樣分子動力學（MD）的復雜結晶過程仿真，對于復雜晶體材料的分析和設計意義重大。華為盤古大模型應用三維神經網絡進行中期全球天氣預報，實現了精準預測，為氣象科學研究和相關行業帶來深遠影響。百度PaddleScience 是基于飛槳深度學習框架的科學計算通用求解器，旨在為科學研究提供新的解決方案，如計算流體力學領域。

2 我國農業數字化發展現狀及困境

近年來，智慧農業受到高度重視，相關部門陸續出臺一系列政策從頂層規劃、技術研發、人才培養、基礎設施建設、資金補貼等方面鼓勵智慧農業發展。得益于國家政策的支持和信息技術的飛速發展，近年來我國智慧農業發展迅速并取得了一系列成果。當前，我國大田種植信息化率達到26.4%，農作物耕種收綜合機械化率達74%，安裝北斗終端農機已達220萬臺[10]，全國植保無人機總量接近20萬架，年作業面積更是超過21億畝（1.4億hm2）[11]。

在產前環節，我國農作物良種覆蓋率超過96%，農作物自主選育品種面積占比超過95%，良種對糧食增產貢獻率達到45%[12]，主要糧棉油作物用種供應得到有效保障。2022年、2023年大豆種植面積連續2年穩定在1.5億畝（0.1億hm2）以上且穩中有增，產量保持在2 000萬t以上[13]，自給率實現兩連增。表現優異的小麥新品種不斷涌現，2023年新麥58通過國家審定，其核心優勢是抗凍抗寒、超強筋、高產、抗倒、抗逆性強，2024年可大面積推廣種植。截止目前已累計建成超過10億畝（0.67億hm2）高標準農田，大力實施黑土地保護工程，加強鹽堿耕地綜合利用，推進南方酸化耕地治理，對保障糧食穩產保供起到了重要支撐作用。

在產中環節，AI、大數據、物聯網、區塊鏈、北斗導航等現代信息技術在種植業生產中被普遍用于墑情監測、灌溉控制、精準施肥、病蟲害監測預警等場景，科技支撐農業發展的廣度和深度持續加強。當前，我國主要農作物病蟲害綠色防控覆蓋率達54.1%，水稻、小麥、玉米三大糧食作物統防統治面積覆蓋率達45.2%，化肥、農藥利用率超過41%[14]。草地貪夜蛾自2019 年１月入侵云南后，以迅雷不及掩耳之勢迅速完成傳入、定殖、潛伏、擴散與危害整個過程，同年10月8日就已擴散蔓延到我國26 省（自治區、直轄市）1 518 個縣（區、市），玉米發生面積106.5萬 hm2[15]。我國實施以精準監測預警和遷飛高效阻截等現代信息技術為核心的可持續治理技術，昆蟲雷達網的大尺度監測網絡結合地面高空燈、性誘捕器及地面燈等構建的小尺度監測網，可以精準定位、定量草地貪夜蛾成蟲遷移動態，并實時發布預警，從而實施聯防聯控[16]。黑龍江鶴山農場早在2021年就已構建完善的農業數據采集、分析、應用體系，在田間搭建氣象采集設備、蟲情測報燈和孢子捕捉儀等物聯網設備，并根據物聯網采集的信息，對大田的苗情、草情、病情、蟲情、墑情進行實時監測，指導大田農事生產[17]。利用無人機、衛星遙感技術可以實時、客觀地獲取大尺度作物生長全程實時動態監測信息，實現作物播種面積、苗情長勢、氣象災害、病蟲害、產量品質等方面的多尺度時序監測[18]，有助于提高糧食綜合生產能力、災害防御能力，保障國家糧食安全。

在產后環節，我國三大主糧作物收獲損失率為4.09%[19]，通過加強專業收獲機具的研發和應用，深度融合AI視覺技術和自動控制技術，具備作物收獲的“自識別、自適應、自調整”功能，改善農機收獲作業的含雜率、破碎率、損失率等，提高收獲效率，降低勞動強度，減少收獲損失。另外，我國每年糧食儲藏、運輸、加工環節損失量在350 億kg 以上，糧食全產業鏈總損耗率約為12%[20]。針對儲藏、運輸環節造成的減損，智慧糧庫、科學儲糧、智慧多式聯運、線上線下物流運輸等信息化手段為借糧減損提供了技術支撐。

與此同時，我國農業科技基礎研究薄弱，創新能力不強的問題依然存在。農業科技前沿基礎研究、原始性創新仍處于追趕階段，部分源頭和底層技術對外依存度高，核心技術專利面臨“卡脖子”風險。科學技術部第六次國家技術預測的最新數據顯示，我國農業農村領域的技術僅有10%處于國際領跑地位，與國際領先水平仍存在較大差距，在作物種質核心材料、畜禽核心種質、有機污染物控制、高精尖農機裝備等諸多領域[21]被“卡脖子”。農機裝備自主可控能力不強，農機裝備短板突出，重大農機和食品裝備核心部件90%以上來自國外，部分產品供應鏈不能完全自主可控[22]，受技術門檻高、知識產權保護、市場規模限制和貿易壁壘等因素影響，面臨“斷供”“卡脖子”風險。

整體而言，目前我國智慧農業處于發展初期，盡管國家在20多個地區開展省級數字鄉村試點示范工作，在數據貫通、技術融合、整體規劃、裝備研發等方面實踐探索，但行業整體滲透率較低[23]，未來仍有較大發展空間。《中國數字鄉村發展報告（2022年）》顯示，在生產端，2021年農業整體信息化率為25.4%；在銷售端，網絡銷售額占農產品銷售總額的14.8%，產品質量安全追溯信息化率為24.7%[24]。智慧農業發展在基礎設施、數據質量、“智慧”人才供給等方面仍存在諸多難題，需多方合力破解。

3 AI4S 賦能農業發展

農業是充滿變量的動態系統，無論是土壤、種子、環境、氣象，還是水資源、肥料、病蟲害等投入品，對人工經驗都有著較高的依賴度，難以把控，具有大規模、高維度、多層次、多尺度、高度關聯、動態調控的特點。AI 不僅能夠對已有數據進行學習，還能基于機器學習從數據分析中獲得規律，提取特征，并對新樣本進行預測，推動對每個變量、每個生產過程的精細化管控。在農業生產過程中，農民需要綜合管理作物生長數據、環境數據、土壤數據、氣象數據、水肥藥等投入品等多個要素，這些多元化的參數以及它們間的關聯性正好為AI施展提供了極大的空間。因此，當農業領域引入人工智能后，其發揮的作用和取得的成果無疑是顯著的。如圖1 所示，AI4S 賦能智慧農業沿著“數字化感知-精準化運算-智慧化決策-智能化應用”路線推進，助力農業生產高產、優質、生態、安全。在數字化感知層，利用“地?空?星”多尺度、多通道感知設備和互聯網數據采集工具，全方位獲取農情、災害、作物立地條件、生長狀況等多源異構數據，為運算層提供動態精準多模態數據資源。在精準化運算層，由于農業生產環境氣候、作物品種等因素的復雜多變，農業數據表現為多源異構、分散低秩、弱耦合連接等特點，存在噪聲分類困難、應用動態變化、行為表現多樣等難題，開展面向多模態智能計算的內容分析、融合推理以及智能計算等工作，大幅度提升識別、預測、決策等智能算法精度，實現跨媒體內容高層語義信息相關性分析和數據貫通[25]。在智慧化決策層，圍繞農業生產專業決策支持模型欠缺、復雜成因農情多粒度關聯與多模式協同反演預測等難點，突破跨域、跨媒體推理機制與可視化可解釋性呈現方法，應對農業氣象災害、干旱洪澇、植物疫病、土壤富營養化、長勢抑制等復雜成因溯源難，綜合預測精度低的挑戰。決策層形成的指令和指導意見傳遞到農業生產的應用場景，支撐生物育種、智能農機、智能植保、耕地保護等應用。

因此，當前精準農業遭遇的瓶頸問題是在農業全產業鏈全生命周期打通農業生產數據壁壘，將AI與農業深度融合，使數據在農業全產業鏈發揮乘數作用。AI4S結合機器學習擬合高維函數的強大能力，可以在智能平臺完成科學研究的部署、實驗、分析、驗證等全流程，呈現算力、模型、數據、工具、平臺等模塊組配的特征，推動科學研究從單打獨斗的“小農作坊”模式走向“安卓模式”的平臺科研[5]。在此平臺上，科研人員共享基本的算力、模型、算法、數據庫和知識庫等基礎設施，圍繞農業全產業鏈全生命周期研發應用，通過“滾雪球效應”加速科研創新和成果應用。在AI4S的新范式下，大規模跨領域的協作已成為科學研究的必然模式[26]。不同學科背景的科學家群體在共同構建模型、協同提升算力和持續優化算法等方面開展大量的跨領域科研工作，貫穿農業全產業鏈，促進AI與現代農業科技交叉融合，通過數據要素與算力協同，優化資源優化配置、提高生產效率、創新科研模式，有效提升農業生產力水平，助力農業強國建設。

4 AI4S 賦能我國農業發展的實踐路徑

“十四五”規劃綱要提出，加快發展智慧農業，推進農業生產經營和管理服務數字化改造。在精準農業發達國家，1人可以種植5 000畝（333 hm2）地、養殖1萬頭豬、200頭奶牛，實現了農業資源的高度集約和綠色生產，徹底改變了粗放經營、競爭力弱、資源利用率低、農民收入低等傳統農業面臨的難題。智慧農業是我國農業未來發展的方向，也是我國農業現代化和鄉村振興的重要內容[23]。智慧農業是復雜的系統工程，木桶效應明顯，需要圍繞產前、產中、產后全鏈條，全過程和全要素的數字化，將碎片化的技術進行串聯，為保障糧食安全提供技術支撐，實現“藏糧于技”。為此，本文基于控制論的概念，結合至今仍然適用的農業八字（土、肥、水、種、密、保、管、工）憲法，提出AI賦能智慧農業的“八步法”，即六精兩減，充分發揮智慧農業效益（圖2）。

4.1 AI 賦能農業，增強穩產保供能力

農業是充滿不確定性的高風險行業，AI可以幫助農民更精準地預測和管理：從整地、培育、施肥、施水、施藥、精細化田間管理，再到收獲減損、運儲減損等環節，不僅通過“六精”做好增產，更是通過“兩減”減低損失，提高生產效率，節約生產資料投入，從而促進農業提質增效，堅持開源和節流并用，增產和減損并行，從真正意義上保障我國糧食供給安全。我國耕地資源有限，2024年中央一號文件提出，實施糧食單產提升工作，把糧食增產的重點放在大面積單產提高上。糧食單產受到光、熱、水等氣候因素，墑情和地形等土壤因素，化肥和農藥等投入品因素，品種改良、耕地治理等科技因素的影響。近15年的研究數據顯示，在推動玉米單產增加的諸多因素中，氣候因素占48%，田間管理占39%，可見精細化管理對提高糧食單產的作用巨大[27]。因此，當前我國農業生產亟待充分利用現代信息技術，瞄準單產這一關鍵變量，圍繞產前、產中、產后生產全鏈條，依托AI4S“安卓模式”科研平臺，聚焦從耕整地到糧食入庫全過程核心“六精兩減”環節，即精準整地、精準培育、精量施肥、精量施水、精量施藥、精細管理、收獲減損、運儲減損，通過將碎片化的單點技術進行串聯，加快形成“多技術集成、大面積普及”均衡增產的格局。利用智能感知技術打通農業生產全鏈條數據壁壘，積累農業大數據，并開發通用算法和專業模型深度挖掘數據價值，為農業生產提供精準決策建議，并利用智能農機裝備執行決策。此外，智能農業裝備又可在作業的同時采集數據，實現數據閉環，隨著數據的不斷積累，數據驅動的模型訓練得到優化，實現精準決策，進一步提升農業科技的增產增效潛力。這也是深入貫徹落實習近平總書記“加大良種、良機、良法推廣力度，在精耕細作上下功夫，進一步把糧食單產和品質提上去，讓種糧也能夠致富”指示精神的重要舉措。

4.2 AI 賦能農業，提升科技創新能力

2020年中央經濟工作會議提出，在農業領域要開展種源“卡脖子”技術攻關，堅決落實“藏糧于地、藏糧于技”戰略。農業“卡脖子”問題第一次被提到國家戰略高度[29]。傳統育種模式主要通過人工篩選優質品種，由于數據量巨大導致處理效率低，費時耗力。隨著AI技術的發展，育種遇到的“卡點”問題有了新突破。AI通過提高數據處理能力優化育種策略，加速新品種培育，為作物改良和農業生產帶來了革命性變化，有助于科研人員快速分析作物的遺傳特征和表現型特征之間的關系，加速關鍵調控基因的發掘，精準預測作物表型，提高育種效率。2023年中國農業科學院國家南繁研究院與阿里巴巴達摩院共同研發了一款全流程智慧育種平臺，該平臺集成了育種數據管理和分析、計算加速、AI算法預測等功能，提升了育種效率和精準度，顯著加速了基因測序和遺傳學分析，全球已有23 家科研單位使用。KnetMiner基因組規模知識圖的智能搜索和可視化工具，被多個植物育種組織采用，用于加速基因發現和復雜性狀分析，幫助科學家更有效地利用基因組數據，推動作物改良和新品種的開發。Yield10公司通過AI識別與作物生長代謝密切相關的關鍵基因，并利用CRISPR技術對其進行精確改造，提高作物產量。AI在作物育種領域的應用正逐漸成為解決全球糧食短缺問題的關鍵途徑。AI技術可以收集和分析土壤、氣候、作物生長等數據，從而實現精量播種、灌溉、施肥和收割。在實踐方面，The Climate Corporation 通過分析氣象數據、土壤數據和作物生長數據，為農民提供精準的種植、灌溉和收割建議。Blue River Technology 開發的See and Spray技術能夠識別作物和雜草，精準施用除草劑，減少化學制品的使用。Trimble提供的精準農業技術包括作物健康監測、產量監測和土壤分析等，并通過使用衛星導航和遙感技術，農民可以獲得作物生長的詳細圖像，從而有針對性地進行施肥和灌溉。Semio提供了綜合的作物健康監測平臺，結合天氣數據、土壤濕度和作物生長模型，為農民提供實時的病蟲害預警和灌溉建議。Greeneye Technology 開發了一種精準施藥系統，該系統使用AI來分析作物圖像并識別病蟲害，然后精確施用農藥，減少化學品的使用并保護環境。2023年7月，清華大學軟件學院聯合國家氣象中心、國家氣象信息中心共同推出了NowcastNet極端降水臨近預報大模型，顯著提升了強降水、暴風雨、暴雪及冰雹等極端天氣事件預報精度，有效彌補了傳統氣象預測模型在此類極端降水事件中的不足[29]，為減少農業災害損失、力奪糧食豐收保駕護航。AI在精準農業的應用不僅可以提高農業生產的精確性和效率，優化資源使用和增強農業可持續性，還有助于實現環境友好和資源節約的農業生產模式，從而在一定程度上緩解了傳統農業對自然條件高度依賴的問題，對于應對全球糧食安全和氣候變化的挑戰具有重要意義。

4.3 AI 賦能農業，提高綠色發展水平

農業綠色發展是踐行新發展理念的重要途徑。AI賦能智慧農業，通過農業資源、環境、設施裝備等農業生產要素的在線化、數據化和網絡化，實現對農業生產經營管理的全面感知、定量決策、智能控制、精準投入和精細化農作，具有資源節約、產出高效、環境友好、產品安全等特點[30]。通過AI賦能，種植、養殖等生產作業環節可以減少對自然環境和人力的依賴，實現勞動生產效率、土地產出率和資源利用率的提高。通過精準分析遺傳性狀和基因提高種子活力和出苗率、增強幼苗生長潛勢、提升植株抗逆能力和生產潛力[31]。中國農業科學院以提高種植密度挖掘產能潛力為增產核心，系統集成土地精細耕整技術、種子精準包衣技術、導航單粒精播技術、水肥一體化技術、精準化病蟲草害防控技術和機械精準收獲技術“六大精準”調控關鍵技術，綜合施策解決玉米種植密度提升和單產增長的關鍵難題[32]，自2004年在新疆奇臺研發創制以來，在我國東北、西北、黃淮海等主產區連續7年刷新我國玉米高產紀錄[33]。利用AI技術可以實現對農作物生長情況的智能監測，通過數據挖掘分析，提前預測可能發生的病蟲害和氣象災害，預警農民及時采取措施，降低生產風險；利用AI技術可以實現農田自動化管理，利用傳感器等物聯網設備實現智能灌溉，最大化利用水資源，提高灌溉效率；AI技術還可以幫助農民實現精準施肥施藥，通過對土壤、氣候和作物生長情況等多維數據的分析，精準地判斷施肥量、施藥量和類別，減少農藥和肥料的使用和環境污染，提高農產品的質量；智能農機可以實現自動化收割，提高收割效率和質量，降低人力成本，改善農民工作環境。AI還可以通過大數據分析幫助農民優化農業生產計劃、改善農產品質量、降低損失和浪費等。在農產品銷售方面，AI還可以通過市場數據分析和預測，幫助農民制定最佳的銷售策略，增加收益。總的來說，AI技術在農業生產、管理、監測和銷售等各個環節中都可以發揮重要作用，幫助農業實現智能化、高效化和可持續化發展。

5 AI4S 農業應用政策建議

5.1 完善高質量農業科學數字資源體系

AI技術強大的數據歸納、分析能力能夠挖掘出人類難以察覺的模式和關聯，讓科學家從重復驗證和試錯的過程中解放出來，成為科學家發現新知識的重要工具。我國擁有10億畝（6 667 hm2）耕地，獲取這些耕地全面、動態的地塊級作物全流程全生命周期大數據仍然面臨顯著的挑戰。農業數據種類繁多（包括土壤類型、作物品種、氣候條件、農事操作、病蟲害記錄、產量統計、市場信息等），涵蓋了農業生產的各個方面，且具有多樣性、時空性、復雜性、動態性、可持續性、大數據特性、互操作性的特點。但是，當前農業數據低秩化、規則關聯度低和推理可解釋性差，科學數據結構的復雜性和異構性使數據間的互操作性和數據集成極其困難，阻礙了科學數據價值的最大化發揮。科學研究往往需要高質量、準確和全面的數據，AI模型的性能在很大程度上取決于訓練數據的質量和數量。為了構建精確的算法模型，對于特定的農田需要進行大量的實驗并積累充分的生產數據，以確保模型訓練的全面性和準確性。此外，在大數據的采集、傳輸和存儲的過程中，數據安全問題亟待加強。當前，我國高端農業機械和先進的農業傳感器過度依賴進口，重大農機和食品加工裝備核心部件90%以上來自國外[22]，存在農業數據泄漏的安全隱患。因此，一方面應加大國內自主知識產權的高端智能農業裝備研發，降低進口依賴度，并盡快替代進口產品；另一方面需研究和制定農業大數據規范體系建設，構建跨領域、可泛化的數據評價體系，包括數據采集、存儲、整合、分析、處理及共享服務標準，數據平臺和系統接口標準，以及數據訪問和交換標準，探索建立統一、規范的數據管理制度，制定數據隱私保護和安全審查制度，提升數據質量和標準化。

我國基礎科研數據外流的嚴峻現實帶來研發工作受制于人、國家戰略和科技安全存在隱患等問題[34]，亟需加強科學數據資源的多源匯聚、高效整合、開放共享，提高數據的質量和安全性，加強數據供給與管理，推動跨領域多模態科技資源融匯治理、開放共享服務能力的提升[32]，更好地支持AI驅動的研究，以滿足新一代新型數字科研平臺需求的發展。

5.2 適度超前推進AI 關鍵技術

歐美國家的AI4S應用技術相對成熟，尤其是在數據處理、模型構建、算力平臺和算法優化方面。國際上，尤其是DeepMind等科技巨頭在AI4S領域的技術領先性顯著，如AlphaFold3的推出，對整個科研領域產生了深遠影響。我國雖然在AI應用方面取得了進展，但在技術創新和突破性成果方面差距明顯，在某些垂直領域仍需進一步的技術積累和實踐驗證。AI核心技術領域仍面臨發展瓶頸，核心技術相對匱乏，我國自主原創的算法、模型、工具仍高度依賴國外。以計算育種為例，目前使用的深度學習、機器學習、統計學習等算法都是國外原創開發的，專用的深度神經網絡基因組預測模型、從基因型到表型預測算法、染色體片段置換系育種模擬工具等鮮有我國自主原創研發的算法和模型，面臨缺“芯”之痛[27]。鑒于當前大數據的海量、高維、分布不均衡等特征，亟需發展智能計算與挖掘方法以處理復雜數據。新范式研究對數據、模型和算力提出了更高要求，需加快推進新一代信息基礎設施建設，突破算力瓶頸。未來應加快適度超前推進AI關鍵技術，包括基于原理與數據驅動的算法模型與軟件、高精度高效率的實驗表征方法、高度整合的算力平臺、高速大容量存儲系統、高性能高吞吐量超級計算機、專門用于處理農業科學大數據的芯片、設計專門用于加速模型推理和訓練的處理器等[35]，為農業科學研究提供高效可靠的計算支撐，保障AI在農業領域的應用和創新。

5.3 優化新范式下的交叉創新科研生態

國際上的AI4S研究往往涉及跨學科的合作，如計算機科學、生物學、物理學等多學科的融合，人工智能技術的有效應用需要數據科學家、領域專家和軟件工程師之間的緊密合作。跨學科合作能夠促進不同研究機構和部門之間的資源共享和合作，提高科研資源的使用效率，同時也有助于形成更廣泛的合作網絡。現有研究方式打破了原有以科研人員個體或者小組為單元的科研組織模式。這一科研范式的轉變迫切需要打破各創新主體間的壁壘，圍繞共同的創新目標，充分發揮不同創新主體的優勢，有效匯聚創新資源和創新要素，加快建立健全各主體、各方面和各環節有機互動，實現優勢互補、資源共享和合作攻關。建立更為廣泛的協同高效創新鏈條，在最大范圍內獲得科研資源、技術支撐、人力支撐，有效支撐新型科學研究的創新發展。美國白宮發布的《國家人工智能研發戰略計劃》2023更新版強調了人工智能研究中跨學科交叉融合的重要性。因此，新范式下的科研生態應推動更為廣泛的跨學科“大交叉”“大融合”，建立干濕結合、理實交融的新型學科領域，加強培養高水平復合型交叉研究人才。為了加快推動AI在農業的應用并優化完善人才培養方案，建議農業高校和科研機構加快調整優化學科結構，著力推進智慧農業等一流專業建設，著力打造涉農智慧化專業群，提升專業核心競爭力，提高人才培養質量。

5.4 制定完善的配套政策和激勵機制

發達國家和地區對AI4S領域的政策和資金支持力度較大，谷歌、微軟等科技公司在AI4S的投入巨大，包括資金、人才和技術資源。我國雖然高度重視，但是在政策和資金的配套上仍有提升空間。AI在農業領域的應用是一項系統性工程，需要健全多元投入機制，保障有計劃、持續性、長期性的投入。農業生產的周期性特征和多變量影響因素要求算法模型的開發與訓練必需經歷長期的迭代過程。為了獲得有效的算法模型，研究人員需投入大量的時間，以確保模型能夠充分學習和適應農業生產的復雜性。同時農業生產過程中涉及的變量眾多，包括但不限于施肥施藥、灌溉水源、作物品種選擇、種植時間、耕作方式、輪作制度、自然災害及全球變暖等，每個因素都構成了龐大的數據集，需要大量人力、物力和財力投入進行有效的管理和分析。加強數據信息的共建共享、開放應用的政策、標準工作，積極研究出臺鼓勵信息、數據開放獲取，共享應用的政策，推動國家公共資金資助產出的各類科研信息與大數據、自然資源與環境信息和大數據、生產經營過程產出的信息和大數據等強制開放獲取。