當TOP3高校工科博導開始種菜，會有什么不一樣？

一出手，就搭了個數據量超13萬組的可視化信息分析平臺，三個月從入門到產量暴增135%。

還是在純封閉環境——集裝箱那種。

要知道，集裝箱種菜這件事兒，就連馬斯克的“農民”弟弟金巴爾·馬斯克（Kimbal Musk）都還沒搞明白。

其創辦的垂直農業公司Square Roots，最后一次融資是在六年前，此后再未掀起更多水花。

即便這個領域軟銀、亞馬遜等科技巨頭押注，但現實是大部分公司仍處在規模化落地探索階段。

沒關系，中國技術團隊會出手。

上海崇明的四個集裝箱內，來自上海交通大學、中國農業大學、上海農科院和極星農業的研究人員們，悄然開展了一場技術探索。

挑戰馬斯克兄弟的商業化難題

金巴爾·馬斯克涉足的垂直農業領域，指利用建筑物室內的垂直空間進行種植。

在室內，光照、水和溫濕度等一切條件變得可控。換言之，作物不再靠天生長，全程由人類來把控。

相較傳統農場，它存在大量商業化優勢——

節省近90%用水量、減少農藥使用、降低運輸成本……

然而，所有這些優勢的實現，都有一個“砍不掉”的前提條件，那就是巨大的成本投入。具體又分為能源和技術成本。

能源上，用燈光替代陽光，不到950㎡的室內，光是燈電費每年就可能達到10~20萬美元，更別提還有控溫用的空調、除濕風扇等。

技術成本方面，植物品種繁雜、可控數據類型多等因素，目前尚未誕生一個通用作物模型，同時還得應對各種復雜環境，導致研發需要持續投入。

于是乎，來自四個不同單位的中國產學研團隊，正式就這一系列行業瓶頸發起挑戰。

一方面設立了產量、品質和能耗三個指標，盡可能在降低能源成本情況下提升收益；另一方面則要求體現算法的突破性、創新性，在技術研發上尋找突破口。除此之外，商業創新也被列為需要考慮的因素。

首先就是來自上海交通大學博士生導師鮑華帶領的“純工科”團隊。

團隊一上來就發現，原始集裝箱的數據無法直接建模進行數據分析。

其一，采集量太少，只提供24h歷史數據；其二，數據分散在不同控制系統中，包括光照、溫濕度和其他單元等；其三，查看方式不方便，需要用特定APP手動導出。

于是乎，他們干脆將數據采集和分析這兩個步驟全自動化——自研數據平臺，將所有的異構數據（如同一時間點記錄的植物生長照片、溫度濕度數據、二氧化碳濃度、光照條件等）融合其中。

平臺前后一共采集了接近13萬組數據，并將這些原本在“不同組別”的數據進行了融合。

理論上不同類型數據聯動得越好，“模擬”植物后續生長流程就會越順利，從而迅速總結出考慮更全面、迭代更先進的環境控制算法，進一步降低人工分析的復雜度。

基于隊內植物專家提供的目標理想參數，團隊將場景溫度-系統能耗-空調控制綜合考慮進去，同時基于熱特性分析、風速和溫度場模擬等工程算法，迭代了幾次。

最終在能源成本降低上，他們空調和光照的能耗相比最初節省了29%。即使在溫度升高9℃的情況下，基于環境控制算法，團隊也能用同樣的能耗量將溫濕度及二氧化碳濃度調控在目標水平。

在商業化推廣思路上，團隊將數據用前端進行可視化，更方便從其中快速總結教訓和經驗，進一步降低用戶的操作門檻。

同樣從工科角度出發，但又具備農業知識的中國農業大學團隊，則將團隊創新思路放在了產量預測算法上。

具體而言，一個是基于二氧化碳質量平衡的植物凈同化量動態監測技術，預測植物地上部分鮮重的積累。

另一個則是建立植物冠層的面積識別模型，基于相機采集并設計圖像分割算法，不斷調參優化性能，可以實現基于機器視覺識別的植物生物量監測，同時也能調控生長速度，避免出現燒心現象降低產量。

最終他們實際的產量與預測單株的產量僅相差1g。

而對于四個團隊中唯一的企業極星農業而言，他們關注三點核心：產量預測、無人化和易用性。

產量預測上，團隊基于動態密度變更策略，開發了一套植物種植密度預測系統，基于這套系統變更的栽培方式，理論上節約了10%用電量；再結合產量預測算法，基于光照、溫度、生產周期以根據市場需求調整生產速率，甚至做到從生長到產出直接定量供應。

同時，與其他團隊不同，在整個比賽的這三個多月，極星農業沒有人在現場，實現了調控的完全無人化。

為此，極星農業研發了一個自動報警系統，增強設備可靠性，這樣就能在溫度等條件出現偏差時及時處理。

最后就是易用性了。團隊認為，相比調控大量設備，更重要的是系統能自動控制核心變量，如水、溫度等環境條件，從而將參數控制在目標值內，無需手動調控。

不過要論真正的“專業對口”，其實還是上海市農業科學院團隊。

相比算法，團隊更側重于植物品種特性的挖掘，在真正規模化種植之前，先來了一波“控制變量法”，將不同環境下植物生長的情況全部測試了一番。

基于此，團隊最終開發了一套智慧種植決策管理系統，融合植株的生長模型、光截獲模型、蒸騰模型等算法，實時收集多傳感器數據，以檢測植物生長情況。

也正是基于這種思路，上海農科院整出了其他三個團隊都沒想到的“新活兒”，即集裝箱中不設置晝夜溫差，最大程度上提升植物產量。

最終他們的植物生產效率達到0.18kg/㎡/天，產量是幾個團隊中之最，他們還計劃將核心技術申請專利。

在幾支團隊的合力之下，“集裝箱種菜”全流程能耗降低了30%，產能也比預估提高了30%~50%的效果。

這不僅簡化了農業生產的的過程，也增強了技術落地的可能性。而且，這些團隊研發的系統經過完善后，甚至具備可推廣性。

典型例證就是，有一些從事植物工廠建設或制造的企業，已經主動找到部分團隊對接了。

這一次的種植成果，也被有的團隊挖掘出了新的科研方向。

已有實際成果轉化

熟悉智慧農業的朋友，或許對這場練兵并不陌生。

事實上，這是由拼多多牽頭，同光明母港攜手舉辦的第三屆多多農研科技大賽——

參賽團隊需在90天內實現三茬“翠恬”生菜的種植，過程中需要兼顧產量、品質和可持續性。

換言之，依靠前沿技術實現對現實農業的賦能。在此之前，草莓、櫻桃番茄的比拼中已經有了成果轉化。

比如首屆團隊“智多莓”，正是看到技術產品化的應用前景，比賽完就成立公司。

如今該公司已形成智能灌溉系統、智能溫室環境控制系統等硬件、軟件、算法產品。截至今年一季度，總共向全國輸出40套系統，覆蓋遼寧、云南、安徽、上海、北京、內蒙等地，并從草莓、藍莓逐步擴展到咖啡、花卉、小番茄和柑橘種植市場。

另外，在云南省怒江州老窩村，他們在當地搭建起了數字化草莓生產體系，直接將產業常用工成本下降30%以上，包括肥料支出減少2500元/畝、植保支出減少1000元/畝，而草莓產量增加30%。

還有第二屆冠軍團隊番茄快長團隊，設計的產量預測模型——從基因層面了解到的品種生理需求，與現場圖像結合進行融合修正，也已經在自己企業玻璃溫室中應用，更好地方便產銷對接。

不過，跟以往不同的是，此次不在玻璃溫室里，而是在一個特殊的環境——沒有土壤沒有陽光的封閉集裝箱，最大程度阻隔外界環境的影響，回歸植物本身的需求。

某種程度上講，這種場景也最考驗技術，因此在成果轉化上也最具有研究價值。

如果說第一屆屬于是人機大戰，首次驗證了AI種的作物，在產量上遠超人類；

第二次則是更多年輕高技術人才加入，他們利用前沿作物模型、精準農業、營養科學等技術實現遠程種植。

那么這一次則是集前兩次之大成，有AI有人才，更關鍵的是，工程技術與農學在這里進行了更深入的融合。

最直觀感受就是，更多工程學科背景的人參與到其中，給農業一點小小的“工科震撼”。

光明母港農業事業部總監王金華就坦言：沒想到能有這么多跨學科人員進入到農業領域。

植物工廠的比賽是要打破邊界的探索，這是我們比較興奮的一點。

比如就像此次鮑華教授團隊，依托于上海交通大學溥淵未來技術學院。

他本人研究領域包括微納米尺度的熱量輸送和能量轉換，以及對熱量輸送的物理過程的多尺度仿真等，在熱電轉換和微電子器件散熱等領域有著重要的應用價值。

在此次比賽前，他們團隊各位成員互不相識。他坦言，這次大賽是工科團隊知識在農業場景應用的首次嘗試，一次較為成功的學科交叉。

事實上，由于沒有一點種植經驗，他們第一茬生菜種植表現并不理想。但因為數據平臺能夠感知實時變化，方便更新迭代和優化決策。

兩輪作物迭代后，第三輪的產量較第二茬增長86%，較第一茬增長135%。

甚至有專家驚嘆，如果時間再延長一點，產量冠軍或許就是這支“全工科團隊”了。

團隊接下來還計劃引入生成式AI更好地總結其中的規律，進一步加速工業化生產落地。

這種農業與工程技術、前沿技術的更緊密融合，是整個農業發展的一隅。

農學與工學手拉手

以往的傳統農業，與工學之間的聯系可能感知很少。但現在“工農融合”已經注入到實實在在的作物種植當中去。

比如去年就有團隊用YOLO V3網絡識別番茄不同生長狀態。

用極星農業團隊的話來說，未來農業工業這兩個學科就必須手拉手。

這個比賽之前，各種數字技術其實已經亮相在田間地頭。

比如無人機已經肩負起播撒、施肥、遙感等工作。

地面也有無人拖拉機進行作業，農戶只需通過連接智能手機或平板電腦進行航線規劃。

清華教授張宏宇曾表示，農業現代化的推進過程，本質上講，其實恰是更多工業元素的滲透、融合和替代的過程。

往更早前回溯，以化肥、農藥和農機為代表的工業元素融合，這是農業工業化的上半場。那么隨著科學技術的進步，5G、物聯網、AI、云計算、大數據的發展，這種滲透、融合和替代的趨勢加快，以數字技術為表征的工業元素進入到農業領域，也就來到了農業工業化的下半程。

這種推進，需要各方、尤其是農業產業鏈上的企業伙伴來承擔。

作為國內最大的農產品上行平臺，拼多多在產業鏈上承擔著重要角色——

一頭連著各地的農戶，一頭直接連著市場。在幫助農戶建立連接、打開銷路的同時，拼多多也建立起一條覆蓋全國的農產品流通-消費體系。

解放流通體系，用數字化技術，推動農業效率的提升。但這也只是大家感知最多的、拼多多推動農業數字化的其中一步。

自成立以來，他們就已從底層生產出發，推動前沿科技創新。

比如持續三年舉辦的多多農研科技大賽，還有“拼多多杯”科技小院大賽、全球農創客大賽等比賽。

就在上個月，拼多多還向中國農業大學捐贈1億元，設立了“拼多多-中國農業大學研究基金”，支持中國農業大學在基礎研究和農業核心技術攻關方面進行探索。

只有更多的企業、技術人才的助力，看似與科幻隔絕的農業，也將帶來更多想象。

正如當前大模型風頭正盛，已經有企業在進行相關探索。

比如商湯推出的AI遙感大模型，借助通用視覺大模型10億級模型參數，涵蓋了46類語義分割、5類目標監測、4類變化檢測、2類超分辨率算法。

還有一畝田集團推出基于大模型的農業AI對話機器人“小田”。針對不同用戶群體，涉及從生產、流通、采購等全鏈條多個場景，幫助農民解決種什么、怎么種、如何賣、高效買的問題。

好了最后還想請大家集思廣益一下，大模型在農業上，還能有哪些用途和前景？

以及是不是科技農業規模化應用了，是不是能田園牧歌式寫代碼了？