
หุ่นยนต์ที่พัฒนาโดย X ของ Alphabet Inc. จะเปิดตัวสู่สาธารณะที่ Smithsonian
ภายในปี 2050 คาดว่าประชากรโลกจะถึงเกือบหมื่นล้านคน ด้วยการเติบโตนี้ทำให้ความต้องการทรัพยากรอาหารเพิ่มขึ้นอย่างมาก โดยเฉพาะอย่างยิ่งพันธุ์พืชที่ทนต่อความแห้งแล้ง ความร้อน แมลงศัตรูพืช และโรคที่ให้ผลผลิตสูงเมื่อเผชิญกับการเปลี่ยนแปลงสภาพภูมิอากาศ
Enter Xที่เรียกว่า “moonshot Factory” ของ Alphabet Inc. ซึ่งนักประดิษฐ์ต้องเผชิญกับความท้าทายที่ใหญ่ที่สุดในโลกโดยตรง และพัฒนาเทคโนโลยีที่ก้าวล้ำตั้งแต่เริ่มต้น Project Mineralซึ่งเป็นหนึ่งในความพยายามในปัจจุบันของ X มุ่งเน้นไปที่การค้นหาวิธีที่มีประสิทธิภาพในการแก้ไขปัญหาวิกฤตความมั่นคงด้านอาหารทั่วโลกผ่าน “การเกษตรเชิงคำนวณ” ซึ่งเป็นคำ ที่ Xสร้างขึ้นเพื่ออธิบายเทคโนโลยีใหม่ที่จะช่วยเพิ่มความเข้าใจเกี่ยวกับโลกของพืช
“อุตสาหกรรมการเกษตรได้แปลงเป็นดิจิทัลแล้ว” Elliot Grant หัวหน้าโครงการมิเนอรัลกล่าว เกษตรกรในปัจจุบันใช้เซ็นเซอร์ GPS และสเปรดชีตเพื่อรวบรวมข้อมูลเกี่ยวกับพืชผลและสร้างภาพถ่ายดาวเทียมของทุ่งนาของตน “แต่มันไม่ได้นำไปสู่ความเข้าใจมากขึ้น ดังนั้น ขั้นตอนต่อไปนอกเหนือจากการแปลงเป็นดิจิทัล คือศาสตร์แห่งการทำความเข้าใจโลกของพืชที่ซับซ้อนมากนี้ โดยการรวมเทคโนโลยีหลายอย่าง เช่น วิทยาการหุ่นยนต์ เซ็นเซอร์ การสร้างแบบจำลองข้อมูล การเรียนรู้ด้วยเครื่องและการจำลอง ความแตกต่างที่ลึกซึ้งก็คือการเกษตรเชิงคำนวณคือการสร้างความรู้สึกของข้อมูลทั้งหมด” Grant อธิบาย
นับตั้งแต่เปิดตัวโครงการในปี 2559 ทีมนักประดิษฐ์ของ Mineral ได้มุ่งเน้นไปที่การตอบคำถามสำคัญข้อหนึ่ง: สามารถสอนเครื่องจักรให้เข้าใจโลกของโรงงานได้หรือไม่
หลังจากหลายปีของการปรับแต่ง Grant และต้นแบบล่าสุดของทีมของเขา ซึ่งเป็นหุ่นยนต์ที่เหมือนรถแลนด์โรเวอร์ที่สแกนพืชซึ่งขับเคลื่อนด้วยปัญญาประดิษฐ์ จะเปิดตัวต่อสาธารณชนที่นิทรรศการ“อนาคต” ของ Smithsonian ซึ่งเป็นการ สำรวจอนาคตที่ กว้างขวางผ่านงานศิลปะ ประวัติศาสตร์ การออกแบบ และเทคโนโลยีที่เปิดตัวที่อาคาร Arts & Industries ในกรุงวอชิงตัน ดี.ซี. ในปลายปีนี้ สามารถซิงโครไนซ์กับภาพถ่ายดาวเทียม ข้อมูลสภาพอากาศ และข้อมูลดิน รถแลนด์โรเวอร์สี่ล้อที่ทันสมัย สูงพอๆ กับตู้คอนเทนเนอร์และกว้างเท่ากับรถยนต์ ใช้กล้องและอัลกอริธึมของเครื่องจักรต่างๆ เพื่อตรวจสอบและระบุปัญหาที่อาจเกิดขึ้นกับ พืช. เมื่อมันเคลื่อนผ่านพื้นที่เพาะปลูก มันสามารถระบุวัชพืช วัดความสุกของผลไม้ และทำนายผลผลิตพืชผล รถแลนด์โรเวอร์มิเนอรัลยังสามารถปรับความกว้าง ความยาว และความสูงเพื่อรองรับพืชผลในระยะต่างๆ ของการพัฒนาได้อีกด้วย ตัวอย่างเช่น อาจสูงกว่านี้เพื่อถ่ายภาพที่สูงตระหง่าน ต้นข้าวสาลีที่โตเต็มที่ หรือขยายเพื่อสแกนผักกาดกว้าง
แต่มันไม่ได้เริ่มต้นที่เก๋ไก๋และน่าประทับใจนัก: รถต้นแบบคันแรกสร้างด้วยจักรยานยนต์สองคัน นั่งร้าน ม้วนเทปพันสายไฟ และโทรศัพท์ Google Pixel หลายเครื่อง เพื่อนำเครื่อง Franken ไปทดสอบ ทีมงานที่มีความหลากหลายของ Mineral ซึ่งประกอบด้วยวิศวกร นักชีววิทยา นักปฐพีวิทยา และอื่นๆ ได้นำเครื่อง Franken ไปทดสอบที่ไร่สตรอเบอรี่ใกล้ๆ แล้วดึงผ่านแถวผลไม้สีแดงเพื่อดูว่าจะจับภาพพืชได้เพียงพอหรือไม่ ใช้สำหรับการเรียนรู้ของเครื่อง
“ดังนั้น หลังจากผลักและดึงอุปกรณ์นี้สองสามชั่วโมง ผ่านโคลนและผลเบอร์รี่ที่คั้นแล้ว เราก็กลับมาที่ห้องแล็บ ดูภาพที่เรามี และสรุปว่าถึงแม้จะมีสองสามร้อยอย่างที่เรายังคง จำเป็นต้องปรับปรุง มีความหวังว่าสิ่งนี้จะได้ผล” Grant อธิบาย
หลังจากการทดลองครั้งแรก และการหารือกับเกษตรกรและผู้เพาะพันธุ์พืช ทีม Mineral ได้สร้าง ทิ้ง และคิดใหม่กับรถแลนด์โรเวอร์ของพวกเขา ขั้นตอนการสร้างโมเมนตัมที่ลุกไหม้และปั่นป่วนนี้เป็นส่วนหนึ่งของวิธีการวนซ้ำอย่างรวดเร็วของ X หากการทดลองใช้งานไม่ได้ผล หัวหน้าโครงการ X จะเรียนรู้จากข้อผิดพลาดและก้าวต่อไป “แก่นแท้ของการทำซ้ำอย่างรวดเร็วคือการเคลื่อนไหวอย่างรวดเร็ว รับความเสี่ยง รับความเสี่ยงอย่างชาญฉลาด แต่ทำในลักษณะที่จะนำไปสู่การเรียนรู้อย่างต่อเนื่อง” Grant กล่าว
ในการทดลองหนึ่ง Mineral ใช้อัลกอริธึมการเรียนรู้ของเครื่องที่เรียกว่า CycleGANหรือเครือข่ายปฏิปักษ์กำเนิดวงจร เพื่อดูว่าพวกมันสามารถสร้างภาพพืชจำลองของสตรอเบอร์รี่ได้หรือไม่ CycleGAN สร้างภาพที่สมจริง ซึ่ง Mineral สามารถใช้เพื่อกระจายไลบรารีรูปภาพของรถแลนด์โรเวอร์ได้ ด้วยวิธีนี้ เมื่อรถแลนด์โรเวอร์ประสบกับสถานการณ์ต่างๆ ในสนาม มันจึงสามารถระบุพืชผล ลักษณะหรือความเจ็บป่วยที่เฉพาะเจาะจงได้อย่างแม่นยำ
AI แบบนี้มีประโยชน์สำหรับการจำลองโรคพืช แมลงศัตรูพืช หรือเชื้อโรค โดยเฉพาะอย่างยิ่งเมื่อหุ่นยนต์จำเป็นต้องจดจำมันโดยที่ไม่เคยเห็นมาก่อน (แนวทางนี้ป้องกันทางเลือกที่เป็นอันตรายของการเพาะเชื้อด้วยโรคโดยเจตนา)
“เราสามารถสร้างภาพจำลองของพืชที่เหมือนจริงมากจนเราสามารถนำไปใช้ในการฝึกโมเดล [โครงข่ายประสาทเทียมหรือระบบคอมพิวเตอร์] แม้ว่าจะไม่เคยเห็นโรงงานนั้นในโลกแห่งความเป็นจริงก็ตาม” แกรนท์อธิบาย
ในที่สุด ทีมงานได้สร้างรถแลนด์โรเวอร์ที่มีความซับซ้อนมาก จึงสามารถตรวจหาโรคสนิมและโรคเชื้อราในพืชอื่นๆ ได้ แร่ได้ร่วมมือกับเกษตรกรในประเทศฟิลิปปินส์ที่ช่วยทีมพัฒนาวิธีการจับโรคในกล้วย รูปภาพของกล้วยที่เป็นโรคจะถูกใช้เพื่อสอนให้ยานสำรวจทราบถึงวิธีการตรวจหาโรคที่เป็นอันตรายต่อพืชกล้วย เช่น การขาดไนโตรเจนโรคปานามาและโรคซิกาโตกา
หุ่นยนต์ยังถ่ายภาพดอกไม้แล้วใช้แบบจำลองการเรียนรู้ด้วยเครื่องเพื่อนับอัตราการออกดอกของพืช ซึ่งจำเป็นต่อการทำความเข้าใจว่าพืชตอบสนองต่อสภาพแวดล้อมอย่างไรและคาดการณ์ว่าพืชจะผลิตผลไม้ได้มากน้อยเพียงใด ด้วยวิธีนี้ รถแลนด์โรเวอร์สามารถนับตาแต่ละตาบนอ้อยราสเบอร์รี่และประเมินจำนวนถั่วเหลืองในทุ่งได้ จนถึงตอนนี้ Mineral ได้ทดลองถ่ายภาพถั่วเหลือง สตรอเบอร์รี่ แตง เมล็ดพืชน้ำมัน ผักกาดหอม ข้าวโอ๊ต และข้าวบาร์เลย์ ตั้งแต่ถั่วงอกต้นจนถึงผลิตผลที่โตเต็มที่
หุ่นยนต์สามารถวัดขนาดใบและความเขียวได้หลากหลาย ความเขียวขจีสามารถบ่งบอกถึงการเจริญเติบโตของพืชที่แข็งแรง และในพืชบางชนิดสามารถทำนายผลผลิตได้ อย่างไรก็ตาม คนจะวัดได้ยาก เนื่องจากการรับรู้สีแตกต่างกันไปในแต่ละบุคคล รถแลนด์โรเวอร์ถ่ายภาพต้นไม้จากหลายๆ มุม และแปลงแต่ละพิกเซลของภาพให้เป็นข้อมูล จากนั้นใช้การเข้ารหัสสี RGB (แดง เขียว น้ำเงิน) และ HSV (ค่าความอิ่มตัวของสี) เพื่อกำหนดสีของพืชอย่างเป็นกลาง
ผู้เพาะพันธุ์พืชใช้เวลาหลายชั่วโมงในการบันทึกลักษณะทางกายภาพของพืชหลายพันชนิดในพื้นที่ไร่ด้วยตนเอง นอกเหนือจากเกษตรกรที่จัดการพืชผลของตนเอง หลายชั่วโมงด้วยตนเอง ซึ่งเป็นกระบวนการที่เรียกว่าฟีโนไทป์ แต่การรวบรวมข้อมูลฟีโนไทป์อาศัยการรับรู้ของมนุษย์ และการรับรู้ของมนุษย์เพียงอย่างเดียวอาจไม่ถูกต้องเสมอไป
“เราสามารถพัฒนาชุดเครื่องมือทางเทคนิคเพื่อจัดหาพ่อพันธุ์แม่พันธุ์เหล่านี้ได้หรือไม่ เพื่อช่วยให้พวกเขามองเห็นโลกของพืชในรูปแบบใหม่ ความเที่ยงตรงที่สูงขึ้น บ่อยขึ้น และง่ายขึ้นหรือไม่” แกรนท์กล่าว “มันเป็นงานที่น่าเบื่อมากที่ต้องผ่านทุ่งนาและพืชฟีโนไทป์”

ในขณะเดียวกัน นักวิทยาศาสตร์กำลังทำงานอย่างรวดเร็วเพื่อเรียนรู้เพิ่มเติมเกี่ยวกับยีนหรือจีโนไทป์ของพืช และจับคู่ลักษณะทางพันธุกรรมเหล่านี้กับลักษณะทางกายภาพของพืชหรือฟีโนไทป์ของพวกมัน ในโลกของเกษตรกรรม ข้อมูลที่ขาดหายไปเกี่ยวกับวิธีที่ยีนเชื่อมโยงกับลักษณะที่ต้องการนี้เรียกว่าคอขวดของฟีโนไทป์ การทำความเข้าใจว่าลักษณะของพืชแสดงออกมาอย่างไรและรวมเข้ากับบันทึกลำดับพันธุกรรมที่มีอยู่อาจช่วยให้นักวิทยาศาสตร์สามารถขยายพันธุ์พืชที่แข็งแรงขึ้นซึ่งพร้อมที่จะเผชิญกับความท้าทายของการเปลี่ยนแปลงสภาพภูมิอากาศ
การนำพืชผลสายพันธุ์ใหม่ออกสู่ตลาดใช้เวลานาน ด้วยข้อมูลทางพันธุกรรมและฟีโนไทป์จำนวนมหาศาลที่จะวิเคราะห์ การทำความเข้าใจว่ายีนเหล่านั้นแสดงออกอย่างไรผ่านลักษณะของพืชและการตอบสนองทางสิ่งแวดล้อมต้องใช้เวลา
“เราไม่สามารถดูจีโนมได้จริงๆ และรู้ว่ายีนใดมีส่วนรับผิดชอบต่อความแห้งแล้ง การขาดไนโตรเจน หรือการดื้อต่อโรคใดโรคหนึ่ง เนื่องจากเราไม่รู้ว่าเกิดอะไรขึ้นในพื้นที่นี้” Chinmay Soman ผู้ร่วมก่อตั้งและอธิบาย CEO ของบริษัทเทคโนโลยีการเกษตร EarthSenseซึ่งกำลังทำงานเกี่ยวกับเทคโนโลยีรถแลนด์โรเวอร์ที่คล้ายคลึงกัน “ดังนั้น ทุกอย่างเริ่มต้นด้วยฟีโนไทป์ของฟิลด์ที่มีปริมาณงานสูง”
คอมพิวเตอร์วิทัศน์กลายเป็นวิธีแก้ปัญหาคอขวดของฟีโนไทป์มากขึ้นเรื่อยๆ เนื่องจาก AI สามารถรับข้อมูลพืชจากภาพถ่ายธรรมดาได้ TerraSentia ของ EarthSense เป็นหุ่นยนต์ที่แข็งแกร่ง ซึ่งมีขนาดเล็กพอที่จะใส่ไว้ในท้ายรถและรูดซิปไว้ใต้ร่มไม้ ในขณะที่รถแลนด์โรเวอร์ของ Mineral ตั้งตระหง่านเหนือพืชผล ดึงข้อมูลจากด้านบน และต้องใช้รถบรรทุกเพื่อขนส่ง ทั้งสองใช้ AI ที่สามารถช่วยให้ผู้เพาะพันธุ์พืชสามารถพัฒนาพันธุ์พืชที่ดีขึ้นได้อย่างมีประสิทธิภาพและประสิทธิผลมากขึ้นผ่านการรวบรวมข้อมูลเกี่ยวกับลักษณะของพืช รถแลนด์โรเวอร์ของ Mineral ถ่ายภาพหลายพันภาพทุกนาที ซึ่งมีจำนวนมากกว่าร้อยล้านภาพในฤดูกาลเดียว
รถแลนด์โรเวอร์ของ Project Mineral มาไกลจากต้นกำเนิดที่ปูด้วยหินกรวด แต่ก็ยังเป็นรถต้นแบบ แม้จะมีเทคโนโลยีทั้งหมด แต่ Mineral เน้นว่าพวกเขากำลังปรับปรุงและทำงานอย่างใกล้ชิดกับผู้เชี่ยวชาญในด้านการเกษตรอย่างใกล้ชิดเพื่อทำความเข้าใจพืชเพิ่มเติม