AI育种成果密集涌现，躬身入局者为何都说“太难了！”

在一向被认为人工智能中的“冷门”赛道——农业领域中，近来接连出现引人注目的成果：世界首台智能育种机器人“吉儿”登上《细胞》杂志；走向崇明田头的全球首个生物育种工程化平台“海霸”将育种速度代际更替从“年”压缩到“月”；中国农业大学与上海人工智能实验室联合发布的首个生物育种科研智能体“丰登·基因科学家”推出至今，已经辅助科学家在主粮作物中成功发现了数十个新的基因功能。

农业是国之根本，种子是农业领域的“芯片”。AI赋能农业可以说是一场关乎粮食安全、技术突围与产业未来的深刻变革。近期的成果密集爆发，是否意味着这一赛道正在由冷转热？记者在采访中发现，农业与AI的双向奔赴，现在已经迈出了艰难的第一步。但这是一个国家急需、大有可为的领域，应被更多科学家、企业家看到，并投身其中。

AI正在重塑农业生产的底层逻辑

“过去育种靠经验，现在育种靠算法。”上海人工智能实验室青年科学家董楠卿用一句话概括了这场变革的本质。

生物育种涉及生物学、遗传学、气象学、土壤学等多学科交叉，可过去的育种信息呈孤岛式分布。董楠卿研发“丰登·种业大模型”的初衷，就是要打破知识壁垒，让AI通过自主学习，改变数据碎片化的现状。“我们希望‘丰登’可以成为育种科研工作者的‘科研助手’。”

如何让农作物适应人工智能，是中国科学院遗传与发育生物学研究所研究员许操的思维突破口，“现在的农作物是为工业化机械种植设计的，我们要设计出适应机器人时代的作物形态”。

许操首先想改变的是授粉，这是育种、制种过程中重复性劳动占比最高的环节——占育种成本25%以上。利用基因编辑技术，他的团队培育出柱头外露的番茄、大豆，让机器人可以方便地一路“刷粉”。这项成果为多年未有突破的手工操作农业打开了口子，在《细胞》上刊登之后，很多国际种业都前来寻求合作。“我们给生物技术和AI赋能农业打了个样，探了条路。”

“海霸”设施诞生在中国科学院合肥物质科学研究院的智能机械研究所。吴丽芳告诉记者，种质创新、鉴定和稳定是一条环环相扣的育种链条，要让每一环都快起来，才能实现育种的加速。目前，“海霸”包括一个智能育种中心和三条加速线，可实现这三个环节的全面加速。“我们的最终目标是打造一个大科学装置，引领带动智能育种的工程化，为农业产业带来新变革。”

双向奔赴中的“一把辛酸泪”

从不同路径重塑传统农业，科学家描绘的蓝图令人振奋，然而在实验室光芒背后，智能系统与田间现实的碰撞却充满艰辛。三位受访科学家均坦言，在这场“双向奔赴”中，几乎人人都有“一把辛酸泪”。

2018年，许操刚提出为机器人农业改造作物时，不少人觉得他不务正业，跑了不少单位寻求合作，均遭拒绝。“赚钱不够快”是最现实的问题。博士毕业于牛津大学计算机科学系的董楠卿坦言，当下大模型技术人才本身很受资本追捧，而开发金融、医疗、能源、气象等行业大模型周期短、回报高，吸引了大多数AI人才，“农业领域的投入周期长、见效慢，但需要学习更多领域的知识，就显得冷门”。

作为农业的“门外汉”，从研究智能育种伊始，董楠卿就注意到国外企业只卖种子，却不公布育种技术，这使得国内只能从底层原创技术路线开始“摸着石头过河”，大模型和智能体的研发难度远超其他领域。同时，分子生物学育种的科研红利还在延续，不少从事农业研究的科学家还没有感受到拥抱AI的迫切。

“现在，真正在拥抱AI的农业领域科学家，大概不到20%。”吴丽芳也有同感，但她已清醒认识到，如果困在本学科方向，已很难有大突破，“农业与AI结合是一个互相成就的过程”。

令吴丽芳感到幸运的是，2020年合肥物质院进行科研团队的建制化整合，她有了尝试“AI for 农业”的机会。2023年，在合肥市政府的支持下，一个专注于智能育种加速平台建设的新型研发机构“中科合肥智能育种加速器创新研究院”成立。在顶层设计推动下，短短两年，该机构已具备“自我造血”能力，从快速育种技术到智能育种装备，沿途产出的技术颇受市场认可。

加速赋能还需突破几道瓶颈

这一代在田头劳作的农民正在老去，下一代年轻人不再愿意从事“面朝黄土背朝天”的耕种，农业劳动力已面临短缺。

“这是世界共性问题，我们要敢为天下先，而且做成就是世界第一。”许操就是用这句话，打动了中国科学院自动化研究所副研究员杨明浩，一起合作研发“吉儿”。他希望，通过AI赋能农业，实现换道超车，让下一代农民能手持平板电脑，指挥机器人种地，更体面地从事农业劳动。

然而，要想让AI加速赋能农业，还需打破认知偏见、建立数据共享机制、完善人才培养体系。这不仅是技术问题，更是一场需要多方协同的系统变革。

例如，“跨界农人”的培育就很难一蹴而就。董楠卿提到，在招聘和招生时，“很多优秀候选人听说我是做农业大模型的，就不来了”。而创新和育人的更大困难在于多学科融合。吴丽芳提到，研发育种装备时，常遇到“AI技术不懂农业需求、农业需求找不到AI解决方案”的困境，而要形成一支富有创新力的团队，则要整合人工智能、光学、材料、生物等多学科人才，没有多年磨合与积累很难办到。