當農業面對AI：重點不只在工具，而在知識、資料與判斷
🎧 歡迎收聽本集Podcast，聽呂秀英博士聊農業！
曾任農業部苗栗區農業改良場場長、現任運籌學會顧問的呂秀英博士（以下簡稱呂顧問），從改良場體系的研究經驗出發，回顧農業AI的發展脈絡，也談到臺灣目前最值得投入的場域與最常遇到的限制。她認為農業導入AI，重點仍在研究、技術擴散與現場決策三個環節；工具本身固然重要，但更關鍵的，仍是它能否真正回應農業現場的問題。
農業並非現在才接觸 AI，現在的差別在於進入應用加速期
呂顧問指出早在二、三十年前，農業領域即已導入AI，主要應用在環境辨識、生長狀況辨識，以及土壤情況判讀等工作。臺灣則是在106年政府推動智慧農業後，有系統地把AI引進農業研究與應用，她當時也帶領水稻推動小組參與其中，持續累積相關資料與經驗。
她也提到，AI的發展早期以判別式AI為主，典型應用就是影像辨識；之後進入生成式AI階段，系統開始能與人互動、整理資訊並回應提問；再往下則是代理式AI，能依照目標協助規劃與安排；近年全球科技產業高度投入的，則是物理式AI，也就是實體AI，已逐步延伸到機器人與現場操作。對農業而言，這不只是技術名詞的更新，而是工具角色的改變：AI已從辨識與分類，走向生成、協助執行，並逐漸進入更具體的應用場景。
農業適合導入AI的地方，在於那些人很難快速判斷的問題
在呂顧問看來，農業本來就充滿決策問題。氣候變遷會影響作物生長，病蟲害發生型態不斷改變，研究與生產現場每天都要面對大量資訊。若只靠人力蒐集、整理，再從雜亂資料中找出方向，速度既慢且難以及時判斷。她因此認為，凡是例行性高、資料量大、人又不容易很快判斷的工作，就是值得考慮投入AI的痛點。雖然AI未必直接給出最終答案，但有機會先協助縮小範圍，讓研究與判斷更快找到方向。
她進一步談到，氣候變遷之下的農業技術調整，是AI很值得再投入的方向。過去研究人員要釐清某一作物在環境變動下的反應，往往要花三、四年做實驗，慢慢排除錯誤與不適用的方法。AI當然不能代替實驗，但它可以在眾多資訊與可能性中，先幫忙找出較明確的一條路，讓研究不必完全從零開始摸索。循著這條較清楚的路徑前進，有機會縮短試誤時間。
農業技術知識的擴散，可能是最值得優先投入的場域之一
若從研究延伸至生產現場，呂顧問認為最值得優先投入的方向之一，是農業技術輔導知識的擴散。現在改良場、試驗單位與輔導體系，仍主要透過刊物、說明會、講習會、社群平台與現場服務傳遞技術。這些方式仍然重要，但傳遞效率與覆蓋率都有侷限。農民未必會參加每一場活動，也未必習慣從文字資料吸收技術內容。
在這樣的限制下，AI有機會協助改善知識擴散的形式。呂顧問特別提到，伴隨AI的影片生成工具日趨成熟，專業人員可將熟悉的技術內容轉成更逼真、更符合需求的教學影片，讓農民透過影像理解操作流程。相較單純文字，影片更容易傳達步驟、場景與重點，也更貼近農民的使用情境。她的看法並不是要用 AI 取代既有技術體系，而是希望透過更合適的形式，讓知識更快到達需要的人手中。
農民真正需要的不是答案，而是一套能支撐決策的判斷
呂顧問認為發展農業AI的重點，是究竟要回答什麼問題。農民面對的從來不是單一技術問題，而是一整串相連的判斷：土地適合種什麼、環境風險高不高、管理方式要怎麼調整、病蟲害如何提早辨識、賣到哪裡、產銷資訊要怎麼連結。這些問題彼此相關，也難以依賴單一模型處理。
也因此，農業AI真正重要的是能否循著農業作業流程，連結知識、資料與判斷。這樣的工具，對研究人員來說，是一個可以加快整理與分析的助理；對農民來說，則可能是面對複雜情境時的一個輔助介面。呂顧問形容，若以研究人員來說，AI就像多了一位助理，它可以幫忙處理許多前置工作，但最後的判斷仍然要回到人。
農業AI最大的門檻，仍然是資料本身
談到農業AI最常卡關的問題，呂顧問給的答案很明確：最大的問題還是資料本身。她以過去推動稻作智慧農業的經驗為例，團隊原本認為已累積十幾萬筆資料，包括植株生長、不同環境、不同品種與不同施肥等級等資訊，但交由AI專家檢視後，對方卻認為真正可用的資料只有36筆。原因在於，AI看待資料的方式，和一般統計計數並不相同。對AI來說，有變異才算一筆資料；同一條件下的重複，不會自動增加有效學習量。五種肥料等級，對AI來說就是五筆，而不是每株都各算一筆。
這個例子說明，農業資料能不能支持AI，不只看筆數，還要看資料設計、變異性與可學習性。若前端蒐集方式沒有按照後續分析需求規劃，後面即使發展工具，也未必能直接使用。這也是農業導入AI時最容易低估的門檻。
農業知識必須精準，因為農民承受不起連續出錯
呂顧問特別擔心的一點，是農民透過AI找到資訊的正確性。她提醒AI的運作基礎仍是統計學，系統根據大量資料推估出「最可能」的結果，但這個結果不保證真實，也不保證一定有對應事實，甚至可能出現幻覺。AI也不會對它的答覆負責，因此使用者一定要懂得判斷。對農民而言，錯誤判斷的代價往往高於研究人員，研究做錯了還可以修正，但農民若在作期中做出錯誤判斷，可能直接影響整期收入。
這也是她反覆強調要以人作為最後一道決策關卡的原因，縱使AI可以幫人處理很多例行性工作，但不能代替人保留判斷能力。伴隨工具愈加普及，人愈需要知道它的能力與限制。判斷真偽、辨別合理與否，這件事最後還是要靠人自己。
不是所有判斷都必須走到AI，統計方法仍然重要
呂顧問也提出一個很實際的提醒：不是所有input變成output的判斷，都一定要使用AI。很多問題，用傳統統計方法仍然可以處理。因為AI背後本來就建立在統計基礎之上，只是它能接收的資料類型更多，不只包括數量資料，也能納入影像與性狀等資訊。相較之下，傳統統計方法的邏輯路徑通常更清楚，前提、公式與檢驗方式較容易追溯；AI則常帶有黑箱特性，結果如果不對，有時連研究人員也不容易判斷是哪個環節出了問題。
AI固然重要與便利，但方法選擇仍要回到問題本身。適合用統計處理的問題，仍可以用統計；需要整合多型態資料、需要大量判讀與持續學習的場景，AI才會展現更大的優勢。
工具愈快，人的自我提升也要更快
對於研究端而言，AI最直接的影響，是知識搜尋與整理方式的改變。過去研究人員找文獻、讀報告、整理重點，往往要花很多時間在前處理工作。現在AI工具已能協助搜尋、摘要與草擬，讓研究者把時間挪回判斷、分析與設計工作本身。這種改變不只是效率提升，也在改變研究工作的節奏。
不過，呂顧問認為AI固然可以幫研究人員處理很多例行性工作，但研究者自己的深層能力必須同步提升，否則就沒有判斷內容正確性的能力，也無法監督或引導工具。同時，對於第一線的農友也是一樣，AI可以協助自動化，也能幫忙處理一些例行性工作，但它無法替人決定「這件事該不該做」，最後仍是人的問題。
她說得很直接：「AI它不是代讀，它只是一個陪讀。」AI工具更新太快，但農業資料累積與研究計畫通常需要較長時間。資料不會在短時間內改變，它需要穩定累積可是使用的工具、策略與研究方向，卻可能需要同步跟著技術變化調整。未來不只研究人員，連第一線的工作者都要持續更新自己的知識，也要能接受計畫內容與方法會因AI發展而不斷修正。
農業面對AI，重點始終不只在工具，而在知識如何整理、資料如何治理、服務如何擴散，以及人如何判斷。這也是本次訪談最核心的提醒。
0 留言