AI也能種黃瓜了，你想嚐嚐嗎？

來自瓦格寧根大學與研究中心、騰訊、英特爾、Delphy & AgroEnergy、微軟等公司的多個團隊參加了此次比賽。賽事主辦方在位於荷蘭布萊斯韋克（Bleiswijk）市的荷蘭瓦格寧根大學與研究中心校園內為每個團隊分配了96平方米的溫室空間，每個溫室都配備著完全相同的系統，包括通風、加熱和人工照明，以及用於測量溫度、溼度和能量消耗的感測器等裝備。各參賽隊伍只被允許進入其指定的溫室一次，安裝各自需要的額外感測器和監測裝置，其它時間裡，他們只能遠端執行各自的AI系統。

比賽的評分標準包含三個部分：淨利潤額、演算法效能、以及資源使用效率。其中，淨利潤額所佔的權重最大（50%）；演算法新穎性和效能佔30％；而根據能源、水、二氧化碳和農藥使用計算得出的效率指標則佔20％。

最終，由微軟研究院首席研究工程師Kenneth Tran帶領的Sonoma團隊所開發的系統以淨利潤值超出第二名25%的成績贏得了比賽，並在綜合可持續性方面也被賽事評審評選為最優方案。他們創下的記錄是每平方米溫室的黃瓜產量超過55千克、淨利潤25歐元。在淨利潤值的指標上，Sonoma團隊甚至超越了作為對標參考的人類專家種植者，淨利潤高出了17％。這是全球範圍內首次實現遠端AI控制下的溫室黃瓜栽培。

Sonoma團隊成員——Thomas Follender Grossfeld, Kenneth Tran, Chetan Bansal, and David Katzin（從左至右）

對於Sonoma團隊來說，跟遠端採集資料相比，資料採集的方法其實更具挑戰性。團隊需要設計一整套系統來應對墨菲定律——“任何可能出錯的地方一定會出錯”。所有的資料是從感測器盒、攝像頭、溫室所用的API等多個來源採集到的，這些資料來源都有可能出現故障，而在實際比賽過程中也確實發生了故障。所以，比賽的關鍵就在於你是否能夠及時檢測到故障，並且快速做出反應。其實，這些故障也是實際生產環境中會碰到的問題。所以，他們必須要能夠設計出一個可以有效解決這些問題的系統。

在AI系統框架的搭建上，Sonoma團隊選擇基於模型的近似貝葉斯強化學習（RL），因為這一方法具有較高的樣本效率，並且便於推廣。Tran表示：“樣本效率對現實世界的應用至關重要。即使在簡單環境下，標準的強化學習演算法仍需要數以百萬計的試驗，才可以培訓出良好的代理。對於遊戲領域而言，這並不是一個問題，一個代理能夠隨心所欲地玩各種遊戲，所以RL在遊戲中已經表現得很成功。而在實際應用中（例如黃瓜種植），我們無法承受數百萬次的失敗嘗試，所以我們需要以不同的方式來思考RL。”

為了讓強化學習成為能夠應對當今糧食問題的可行解決方案，Sonoma團隊認為AI代理必須在初始階段就要像任何現有系統一樣強大，並能夠隨著時間推移不斷學習和改進。團隊構思了一個能夠綜合這些特點的框架（見下圖）。

這個框架以訓練概率動態模型為起點。這種模型學習類似於模擬器構建，它可以幫助AI代理通過“想象”進行規劃。此外，通過模仿學習，AI代理在初始階段就能像現有的專家級策略那樣行事。之後，AI代理將在基於模型的策略持續優化過程上運轉，通過每次環境互動來提高其整體效能。

在溫室挑戰賽中，天氣條件等來自溫室外圍的資料，以及來自感測器和溫室內部的影象資料都被輸入到代理中，接著由後者確定人工照明的強度和分佈，給予植物的水分、二氧化碳和養分的量，以及溫室溫度。所有這些設定的依據都來自於框架對於如何產生最多生物量（biomass）的學習結果。

Sonoma團隊成功地將當前關於作物種植和管理以及溫室環境控制的最佳知識和實踐方法納入其溫室人工智慧控制系統中，團隊從先前模型資料中確定了從高植株密度系統入手，並根據作物生長期間的作物表現和氣象條件調整AI氣候控制，以實現這種高密度/高產量系統的最佳效能。

由於比賽規則僅允許一次嘗試，而且在賽前相關資料並不多，因此，Sonoma團隊採取了保守的、依靠領域專家手工制定的策略。通過與領域專家合作，利用他們的知識以及AI代理的能力，Sonoma團隊才能夠在短時間內產生較好的結果。

Sonoma團隊溫室黃瓜自動化種植過程

對於微軟而言，在自動化溫室挑戰賽中展示的工作只是“人工智慧地球計劃（AI for Earth）”的一部分，這一計劃於2017年7月啟動，旨在藉助雲端計算、物聯網和AI技術，保護和維持地球及其自然資源，通過資助、培訓和深入合作的方式，向水資源、農業、生物多樣性和氣候變化等領域的個人和組織機構提供支援。該計劃涉及的領域和資金支援一直不斷擴大，並且已經在資料驅動型農業領域取得了令人印象深刻的進展。

FarmBeats也是這一計劃的專案之一，是在戶外環境下通過感測器、無人機以及其它裝置改進資料採集，提高農業的可持續性；而Sonoma團隊的工作則專注於受控環境農業（CEA），這是一種封閉的種植系統，允許種植者配置並實現光照、溫度、溼度和二氧化碳濃度等環境因素的最優組合。作為滿足地球人口營養需求的更高效、更便利手段之一，CEA將對農業生產帶來重大影響。

從2017年開始，Tran對CEA領域就產生了濃厚的研究興趣，他和同事們一直在探索機器學習技術在現實世界中的應用潛力。而CEA則是強化學習模型的理想訓練場所。CEA提供了多種可以利用的受控場景和豐富的資料，由於運用了感測器和物聯網等技術手段，資料採集更加便捷。因此，Tran及其同事發起了Sonoma專案（同時也是溫室挑戰賽團隊的名稱），他們的應用重點是溫室和垂直農業，兩者在更安全、更快速地進行糧食生產方面都有著巨大潛力，並且對傳統農業的兩大基礎資源——水分和土壤的消耗更少。根據溫室挑戰賽官方網站的資料，與傳統的農業手段相比，獲得相同的收成，溫室和垂直農業等室內種植手段僅需消耗十分之一的水資源和土地面積，而且消耗的農藥和化肥也較少。

這種極具前景的農業解決方案需要龐大的室內農業專家隊伍，但專家隊伍的數量遠遠落後於室內農業發展的需求。因此，Sonoma專案的目標就是利用人工智慧幫助農業生產實現自動化管理，這樣可以幫助將已開發國家（如荷蘭）的專業農業知識擴充套件到發展中國家，同時也可以進一步提升高專家種植者的能力。

為了達到Sonoma專案的目標，Tran採取了“自下而上、自上而下”兩種專案實施方法。“自下而上”是指開展底層強化學習的創新研究以及以應用為中心的研究，強化學習的應用型研究尚處於早期階段，新的研究還有非常大的應用潛力；而“自上而下”則是指尋求與世界各地的領域專家們展開合作，Sonoma專案的成員包括來自微軟研究院的AI領域專家，來自加拿大農業和農業食品部（AAFC）的植物學家Xiuming Hao，來自美國俄亥俄州立大學受控環境農業教授Chieri Kubota，以及其他合作者。

從左至右：植物學家Xiuming Hao，溫室蔬菜專家Shalin Khosla，微軟研究院首席研究工程師Kenneth Tran