农业已为AI做好准备，但数据尚未跟上

<p>人工智能正在改变农业的可能性，但行业领导者应谨慎对待在未打好基础前就投资AI的行为。&nbsp;</p> <figure class="wp-block-image size-large"><img fetchpriority="high" decoding="async" width="2309" height="1299" src="https://wp.technologyreview.com/wp-content/uploads/2026/06/Reltio-iStock-2279127589.jpg?w=2309" alt="" class="wp-image-1139518" srcset="https://wp.technologyreview.com/wp-content/uploads/2026/06/Reltio-iStock-2279127589.jpg 2309w, https://wp.technologyreview.com/wp-content/uploads/2026/06/Reltio-iStock-2279127589.jpg?resize=300,169 300w, https://wp.technologyreview.com/wp-content/uploads/2026/06/Reltio-iStock-2279127589.jpg?resize=768,432 768w, https://wp.technologyreview.com/wp-content/uploads/2026/06/Reltio-iStock-2279127589.jpg?resize=1536,864 1536w, https://wp.technologyreview.com/wp-content/uploads/2026/06/Reltio-iStock-2279127589.jpg?resize=2048,1152 2048w" sizes="(max-width: 2309px) 100vw, 2309px" /></figure> <p>用例前景光明，尤其对于这个在波动的化肥价格、难以预测的天气以及利润空间极小的行业中挣扎的领域而言。&nbsp;<a href="https://www.researchgate.net/publication/390905953_The_Integration_of_Artificial_Intelligence_in_Agriculture_Emerging_Trends_Benefits_and_Challenges">研究</a>显示，AI驱动的预测模型可以使作物产量提高26%，减少41%的用水量，并削减33%的化学品用量。&nbsp;</p> <p>然而，AI供应商通常不会告诉你的是，这些解决方案只有在拥有干净、坚实的数据基础时才有效。但作为Reltio，我们在这一领域拥有经验，包括在一家大型农业分销商处领导技术战略，以及构建被全球企业使用的数据平台——我们亲眼目睹了这一切。</p> <h3 class="wp-block-heading"><strong>AI供应商不会告诉你的事情&nbsp;</strong></h3> <p>在农业领域的供应商对话往往遵循一个熟悉的模式。推销从宏大的承诺开始：利用AI实时监控作物健康状况、优化灌溉、从每英亩土地中榨取更多产量。&nbsp;</p> <p>承诺虽然诱人，但很少涉及的问题是这些承诺背后的数据基础是否准确和完整。如果不是，AI很可能输出误导性的结果——这些结果看似权威，但引发的行动充其量是适得其反。&nbsp;</p> <p>例如，一个基于不一致历史数据训练的产量预测模型将产生不精确的预测。同样，一个依赖碎片化传感器数据的精准灌溉系统会做出浪费资源而不是节约资源的灌溉决策。&nbsp;</p> <p>在这两种情况下，AI失败的原因在于其训练数据不足以产生可靠的输出。在农业中，每一次AI幻觉都是一项负债，而错误的可能性很高。</p> <h3 class="wp-block-heading"><strong>为什么农业是一个独特的挑战案例</strong></h3> <p>现代农业运营或服务成千上万种植者的大型分销商所面临的数据环境极其复杂。</p> <p>现代农场环境广泛使用物联网设备和机械。灌溉系统实现自动化，拖拉机自主导航田间，无人机大规模采集田间图像。&nbsp;</p> <p>然而，机器数据的本质是碎片化的。再加上外部来源，包括天气数据流、美国农业部数据以及第三方市场信息，如何将所有信息整合成一个连贯的整体成为一项重大任务。&nbsp;</p> <p>农业AI还需要理解的不只是客户属性；它需要理解土地：GPS坐标、农场边界、田地地块以及同一地块内的土壤变化。肥料应该施在哪里？以什么比例？在农场的哪个具体区域？田地的不同部分并非相同，而一个将其视为相同的AI系统将产生要么不精确、要么具有破坏性的建议。</p> <p>此外，由于涉及化学品和责任问题，还存在合规性维度。农业中的运营AI需要比低风险环境中更多的检查和治理。当有缺陷的建议在田间被实施时，后果可能很严重。&nbsp;</p> <h3 class="wp-block-heading"><strong>数据就绪在实践中意味着什么&nbsp;</strong></h3> <p>数据就绪是AI兑现其承诺与“垃圾进，垃圾出”场景之间的区别。从根本上说，为AI做好准备意味着拥有一个准确反映业务运营方式的数据模型。&nbsp;</p> <p>对于Wilbur-Ellis这家拥有104年历史的家族式农业分销商而言，这意味着要了解你的客户是谁、他们耕种哪些田地、需要哪些投入品、这些投入品来自哪些供应商、上季度的价格是多少，以及所有这些如何与利润相关联。这些信息需要保持最新、一致且在整个组织内可访问，而不是困在彼此无法通信的独立系统中。</p> <p>同样，对于农场运营本身，数据就绪意味着拥有一个可靠、互联的图景，了解每块田地正在发生什么：土壤健康记录、投入品施用历史、上一季的产量数据、设备性能以及来自灌溉系统的实时传感器读数。</p> <p>治理和结构同样重要。价格会变，关系会演变，供应商来来去去。一个依赖六个月前准确但未经过维护的数据的AI系统，将基于一个已不复存在的业务版本提出建议。&nbsp;</p> <h3 class="wp-block-heading"><strong>构建让AI值得信赖的基础</strong></h3> <p>好消息是，实现数据就绪的路径是可行的。它从一个强大的数据模型开始：一个单一的、受管控的真相源，以反映组织运营方式的方式连接客户、供应商、产品、定价、订单和利润。&nbsp;</p> <p>在此基础上，需要足够快的数据管道，以便在需要做出决策时提供洞察；需要治理框架，确保数据长期可信；还需要安全控制，确保敏感商业信息在适当条件下被适当的人访问。</p> <p>这正是SAP旗下公司Reltio成立的初衷——解决这个挑战。Reltio使企业能够整合碎片化的数据，使AI代理和系统能够基于业务的完整图景运行。Reltio构建了一个受信任的上下文系统，称为上下文智能层，将所有实体、关系、规则汇聚在一处，使商业数据易于访问和解释。</p> <p>对于Wilbur-Ellis来说，建立这个值得信赖的数据基础意味着能够提出更复杂的问题并相信答案，这是任何AI系统真正有用的前提条件。</p> <h3 class="wp-block-heading"><strong>农业如何从AI中驱动真正的价值</strong></h3> <p>在下次讨论AI之前，值得问的问题不是用例是否有前景——几乎肯定有。问题是底层的数据基础是否足够强大，使输出值得信赖。&nbsp;</p> <p>农业一直要求领导者们在不确定性下做出高风险的决策，而AI提供了使这些决策更快、更明智的真正可能性。只有那些先打下坚实基础的组织才能实现这一前景，而能从中获益最多的企业将是...