0 引 言
人工智能（Artificial Intelligence, AI）作为引领新一轮科技革命的战略性技术，成为助力科技强国的重要驱动力量。大算力、大数据和大模型三者的发展共同推动了AI技术的颠覆性突破。近年来，AI被应用于基础数学、物理科学、生物医学、材料化学、环境科学，以及农业科学等各个领域，并取得了诸多令人瞩目的成果。2024年诺贝尔物理学奖与化学奖均颁发给了AI相关研究［1］，意味着AI在科学研究中的作用日益凸显，已然成为提升科研效率、推进科学发现的强大工具，更是各国抢占科学前沿竞争高地的关键要素。DeepMind最新报告《AI加速科学创新发现的黄金时代》认为，未来AI将持续深入到从基础科学研究到应用科学开发等科学研究的各个层面，AI与科学的融合将催生出全新的科研范式。
人类生产力的进步推动科研范式持续演变，科研范式的持续演进推动农业科研不断变革。农业时代只采用观察和实验归纳方法，即第一范式，也称作经验范式，生产方式受限且地域差异大；工业时代开始流行以理论分析和逻辑演绎为特征的第二范式，即理论范式，推动农业科学化精细化；信息时代出现了计算机模拟仿真与建模技术，形成第三范式，即计算范式，通过构建作物生长模型，优化农业规划与资源配置；互联网普及后第四科研范式，即数据范式，依靠卫星遥感与物联网采集数据，运用大数据挖掘与机器学习算法，实现精准监测预警与决策；当前人类处于信息时代的智能化阶段并向智能时代迈进，第五科研范式——人工智能驱动的科学研究（AI for Science, AI4S），即智能化科研范式顺应而生［2］。AI4S是利用AI技术来学习、模拟、预测和优化自然界和人类社会的各种现象和规律，从而解决各种科学研究问题，推动科学发现和创新的一种新兴科技形态［3］。在农业领域，智能范式以AI驱动，赋能品种选育、智能决策与自主实验操作，助力农业科研向智能化、高效化迈进，农业科研范式与发展阶段的协同演进如图1所示。
AI已带来世界各国抢占新一轮科技战略制高点的浪潮，欧美等发达国家纷纷布局AI前沿领域并出台相关政策，同时一些一流高校及科研院所加快推进相关研究，科技巨头积极培育相关产业，推动AI技术在科学研究中的应用布局。美国卫生与公共服务部发布利用AI增进和保护美国人健康与福祉的战略计划［4］，《赋能研究：利用AI应对全球挑战》报告提出AI发展的“三角”模型、七大领域及行动建议等［5］；能源部公布“科学、安全和技术人工智能前沿”计划的路线图［6］。英国皇家学会报告《科学在人工智能时代》探讨了AI在科研中的应用、影响、面临挑战及应对建议，拨款1亿英镑执行“AI生命科学加速器任务”，加速AI在医学上的应用［7］。法国设立了AI跨学科研究中心推动AI4S发展，着重布局生物学、医学、认知科学、物理学等方向［8］。日本文部科学省拨款122亿日元，支持生命、材料科学领域的基础模型开发，并在2024年版《科学技术创新白皮书》中展望了日本社会与AI共生的前景［9］。中国科技部等启动“AI驱动的科学研究”专项部署工作。科技创新2030——“新一代人工智能”重大项目将AI4S作为重要发展方向，部署“重大科学问题研究AI范式”任务［10］；2024年政府工作报告指出，要深化大数据、AI等研发应用，开展“AI+”行动。
近年来，AI取得显著发展，在多个学科领域展现出巨大潜力，已被广泛应用于数据挖掘、模型构建和结果预测等环节。本文旨在深入分析AI对农业科研的影响，在此基础上，提出农业智能科研概念、关键要素，提出中国打造农业科研新范式面临的挑战，并从顶层设计、技术体系、协同体系、学科建设及人才培养等维度提出打造农业科研新范式的路径与具体建议，为农业科技现代化提供理论支撑与实践指引。
1 AI对农业科研的影响
农业科学研究的本质是在科学假设生成与验证的循环过程中产生的，其过程是一个涵盖提出科学假说、开展实验探究、验证假说合理性与新知识更新融合的闭环系统。在AI技术的驱动下，农业科研呈现出多维变革，体现在多学科交叉融合加速、科研效率提升、复杂问题突破、范式深度变革及科研设施升级五个维度，形成系统性赋能效应，如图2所示。
1.1 加速农业多学科交叉融合
爱思唯尔（Elsevier）2024年发布的《全球高校与科研机构农业与生物科技创新贡献报告》显示，农业领域研究成果的参考文献及施引文献体现出其在发展过程中广泛汲取生物化学、遗传学、环境科学、医学、化学等多学科成果，同时也对众多非农业学科产生影响，展现了农业研究的多学科交叉性［11］。在农业科研智能化、精准化的时代背景下，AI进一步推动了农业与多学科的深度融合。农业系统的复杂特性往往需要采用多学科方法，突破了传统学科之间的固有壁垒，农业科学研究不再局限于单一学科范畴或研究领域，呈现出跨学科融合、多主体协作的态势，涉及生物学、计算机科学、数学等多个学科领域的知识和技能相互交叉渗透，不仅拓展了农业研究的边界，也为农业科学发现带来了全新的视角和工具。多学科联合攻关模式能够整合各方资源形成1+1>2的多学科协同效应的合力，有助于全面深入解决农业科研中的多样复杂难题，加速农业科技成果的转化和应用，进而推动现代农业发展。
近年来，AI技术不断应用和融合到具有挑战性的基础科学研究，推动乃至强化传统学科的转型，并加速迈向以跨学科融合为主导的新学科发展时代，通过“AI+X”交叉催生新兴学科体系。马维英［12］提出的“新科学”强调AI将在科学探索中发挥关键作用，与人类共同构建新的科学知识体系。以农业信息学（Agrinformatics）、农林人工智能学科（Climate-Focused Agriculture-Forestry-AI, AgFoAI）等新兴学科为例，其侧重应用AI技术分析农业数据、构建作物生长模型和气候变化模型等，推动农业科研发展和创新。美国国家科学基金会（National Science Foundation, NSF）资助的AI气候-土地相互作用、缓解、适应、权衡和经济研究所（AI Institute for Climate-Land Interactions, Mitigation, Adaptation, Tradeoffs and Economy, AI-CLIMATE）整合明尼苏达大学双城分校（University of Minnesota, Twin Cities）等6所高校科研力量，致力于将AI新技术与气候智能型农业和林业（Climate-Smart Agriculture and Forestry, CSAF）交叉融合，催化出全新的研究领域和实践社区［13］。创建AgFoAI学科体系，重点开发AI增强的温室气体估算模型与土壤碳储量预测系统，催化出气候变化应对与精准管理协同的新研究领域，推进农林人工智能学科建设的同时推动AI在农业领域的应用发展。
1.2 促进农业科研效率提升
AI技术通过自动化数据采集、智能分析与实时决策，极大加速科学发现进程。全球气候变迁，生物与非生物胁迫，如病害、虫害、极端温湿度、土壤盐度酸度异常等都严重影响植物生长，育种专家急需探索新策略，培育气候适应性强的高产品种。在基因研究的微观层面，利用深度学习算法和机器学习方法，包括惩罚回归、梯度提升机（Gradient Boosting Machines, GBMs）、贝叶斯方法等，分析作物的全基因组数据，精准定位与优良性状相关的关键基因位点。结合基因组学、表型组学及成簇的规律性间隔的短回文重复序列（Clustered Regularly Interspersed Short Palindromic Repeats, CRISPR/ CRISPR associated, Cas9）基因编辑技术，培育出能够适应复杂环境的作物新品种，加速优良品种的选育进程。中国农科院国家南繁研究院的智慧育种平台，自主研发育种决策算法，实现性状精准预测和基因型筛选，支持大规模基因组学、表型数据的整合与深度挖掘，针对基因测序数据的变异位点计算加速达到110倍，基因型过滤加速25倍以上，群体遗传学分析加速1 000倍以上［14］。在植物表型分析领域，结合计算机视觉与图像识别算法，可快速、准确地鉴定农作物病虫害类型。利用深度学习模型对病虫害的图像特征进行学习，能够在早期及时发现病虫害迹象，为病害精准诊断和传播路径预测提供科学依据。基于迁移学习的GoogLeNet模型构建可视化病虫害识别与分级系统，对病虫害识别精度可达99.35%，危害程度分级精度可达92.78%，较传统方法提升2.38%~11.44%［15］。在精准农业方面，通过传感器网络和AI算法，可以实时监测土壤养分和水分状况，智能优化灌溉和施肥策略，从而减少农业生产资源浪费等问题，实现可持续发展。通过结合纸基电化学气体传感器（Chemically Functionalized Paper-Based Electrical Gas Sensor, chemPEGS）测量和长短期记忆神经网络（Long Short-Term Memory, LSTM）来管理和预测未来12天的氮素动态变化，为优化土壤氮肥使用提供了决策支持，提高了农业生产效率，同时减少了对环境的影响［16］。
1.3 助力农业复杂问题突破
AI在推动农业学科发展中起到关键作用，机器学习、神经网络、深度学习及大语言模型（Large Language Model, LLM）等多种AI技术形式所具备的跨尺度、多模态认知能力，在解决多要素非线性农业难题中展现出独特优势。将农业科学知识与AI的独特新方法相结合，助力关键研究领域的突破。AI对农业科研的促进作用主要体现在以下三点。一是从经验导向转为数据驱动。传统范式下依赖专家经验和有限的实验数据，研究结果的准确性和适用性受到一定限制。当前，基于机器学习算法从多源异构农业大数据中提取关键特征，为作物生长预测、病虫害风险评估和农田管理策略优化等提供科学支持。利用植物表型数据、气象数据，结合机器学习（如YOLOv5目标检测算法）、深度学习（如BiSeNet v2）和温度累积模型，能够估计和预测西兰花的最佳收获日期来减少农场食品损失并提高农民收入［17］。二是从线性研究转向迭代优化。通过“数据-算法-算力”的垂直整合，将传统农业科研从“人工采样-实验室分析-经验决策”的单向链路，升级为“智能感知-实时计算-自主决策”的闭环范式。在作物育种研究中，传统育种方法主要依赖人工经验和长周期的田间试验，过程繁琐且效率低下，而基因组学、表型组学和分子生物学的快速发展正在加速作物育种进入AI时代，在种质资源表征、表型数据采集、基因功能挖掘、多组学整合等技术应用场景具有革命性潜力［18］。三是从孤立研究转向跨学科协同。AI通过提供统一的计算平台和分析框架，促进了农业与其他领域的深度融合。结合现代基因组学、生物信息学、智能育种技术和机器学习与AI，如卷积神经网络（Convolutional Neural Network, CNN）、循环神经网络（Recurrent Neural Network, RNN）、生成对抗网络（Generative Adversarial Network, GAN），以及强化学习（Reinforcement Learning, RL）等，应对气候变化对农业的威胁，培育具有抗逆性的高产粮食作物品种［19］。
1.4 驱动农业科研范式变革
AI与农业科研的深度融合，既提升了AI在农业领域的应用水平，也驱动传统农业科研模式向智能化、数据驱动化、协同化转型。如AI和多组学（尤其是单细胞组学和空间组学）的进展为创建人工智能虚拟细胞（AI Virtual Cell, AIVC）带来了新的可能，通过虚拟仪器模拟实验，指导数据生成和实验设计，推动科研方式变革［20］。科研环节涵盖研究问题形成、实验设计、实验操作、数据分析等，AI驱动的科研范式通过对海量数据的收集、处理与模型构建，赋能科研多场景，嵌入科研全过程［21］。在具体科研过程中，AI推动了农业科研基本流程与核心逻辑的全方位变革，重塑科学认知的生成路径与验证逻辑。一是在问题提出阶段，从被动观察转向主动预测。通过实时数据反馈和动态模型更新，主动发现潜在的科研问题，并自主生成新的科学假设和详细的实验方案。二是在实验执行阶段，从田间试验转向虚拟仿真。过去进行实验往往受到时间、空间和资源的限制，AI则通过高性能计算和虚拟仿真技术为科研提供了全新的工具，使传统需数年的田间试验压缩至算法迭代周期内完成。三是在数据分析阶段，从静态统计转向动态学习。以往数据分析通常以统计学为主，数据处理能力有限。利用深度神经网络（Deep Neural Networks, DNNs）和RL算法等动态学习模型，可以处理大规模、非线性和高维数据，极大提升科研数据分析的深度和广度。四是在成果转化阶段，从理论验证转向智能应用。在传统农业科研中，研究成果的转化往往经历较长的推广周期。在新科研范式下，科研成果可以直接转化为智能农业应用，实现从理论研究到实践应用的无缝衔接。
1.5 升级农业科研设施建设
新型数字科研基础设施包括计算能力、数据存储、技术服务、科研软件、中间件、高速光网络和科学数据管理能力等关键要素［22］，满足科研人员对高速网络、高性能计算、多学科数据管理和科学软件协作的多元需求，为重大科学研究、前沿探索、科技发展与突破提供支撑条件。随着全球科学研究进入大科学和AI时代，新型数字科研基础设施代表着一个国家或地区最先进的技术能力和科研支撑能力［23］，已经成为大国竞争博弈的焦点。目前，欧盟已开展了具有农业领域特色的数字科研基础设施的规划和建设，如迈向农业开放科学的数字基础设施路线图（Towards An E-Infrastructure Roadmap for Open Science in Agriculture, E-ROSA），以植物表型为中心的EPPN2020数字基础设施建设项目、欧洲食品安全研究所促进食品和营养计量研究基础设施（Infrastructure for Promoting Metrology in Food and Nutrition, METROFOOD-RI）［24］、农业信息基础设施升级版（Agricultural Information Infrastructure Plus, AGINFRA+）［25］。在育种领域，德国Lemna Tec公司、荷兰Pheno Spex公司等针对台式、实验室、温室3D及野外等不同场景的作物表型分析与监测开发了系列平台［26］。
针对农业领域，利用AI赋能科研人员，并支持科研全过程智能化，构建集共享大科学模型和工具软件、海量高价值的科学数据湖和知识库、云边端协同算力网络动态调度、天空地信息一体化智能感知的农业新型数字科研基础设施已成为大势所趋。以“高性能计算+精准数据采集”为核心的新型农业科研设施，体现出数据采集自动化、算力部署边缘化、网络传输高通量化、存储架构分布式化等特征，旨在突破传统农业科研设施在实时性、协同性与可扩展性上的瓶颈。研发终端数据感知、边缘端数据分析和云端智能处理于一体的云边端协同计算架构，采用KubeEdge分布式计算架构构建资源弹性调度与管理系统，研发动态自适应任务调度算法，突破云端与边缘设备之间的资源动态分配与任务迁移技术难题。引入Flink流等数据处理技术，实现边缘和云端异构数据的高效传输、处理与智能决策的快速响应。采用天空地一体化感知网络，地面部署嵌入式智能传感器实时获取作物高通量表型信息，无人机搭载高光谱成像仪实现田间中小尺度遥感监测，卫星遥感数据提供大范围环境监测，形成多尺度数据闭环。
2 农业智能科研及关键要素
2.1 农业智能科研概念
农业科学研究具有研究对象多样性、研究周期长、多学科交叉融合等典型特征。随着以高通量测序技术为代表的新兴技术不断发展，农业科学研究中会产生大量实时更新的数据，传统科学研究范式已经难以在日益增长的大数据中揭示出研究对象的本质规律。科学家获取知识的逻辑也从之前的数据分析转向更为高效、智能的主动知识发现。AI凭借强大的数据处理、智能分析及模式识别等能力，能够打破领域科学家的认知局限，正逐渐成为现代农业科学研究中不可或缺的工具，为助力农业科学研究智能化、高效化与协同化发展注入新的动能，农业智能科研（AI for Agricultural Science, AI4AS）应运而生。AI4AS以人机协同与跨学科交叉为基本特征，凭借强大的数据分析、模式识别与预测能力，对农业领域多维度、全生命周期的长序列海量数据进行深度挖掘与精准解析，进而更为全面地理解研究对象的内在复杂特征与潜在规律，自主生成新颖、科学且具有高价值的研究洞见，推动农业科研向更加智能化、精准化、高效化方向深度发展。如何有效融入这场科研范式变革浪潮，探索农业智能科研的实现路径成为亟须思考的方向。
2.2 构建农业智能科研体系关键要素
随着农业科学的不断发展，学科知识和数据模型的复杂性在一定程度上超出了人类的理解能力，而助力科学家自主提出科研假说、缩短实验周期与发现学科新知识正是AI赋能农业科学研究的突破口。当前，农业科研呈现多维度协同发展格局，自动化获取、科学管理、高效利用科研过程中产生的农业数据，教会机器更加智能化地理解、分析学科知识间的逻辑关系，与领域科学家共同构建跨学科知识体系，开展主动学习与实验科学干湿结合的协同工作是实现农业科研突破的关键路径。基于此，本文面向提升科研效率与突破认知局限的新需求，聚焦智能育种、生物安全等核心领域，嵌入自主提出科研假说、改进实验方案与自动验证假说的科学研究过程，提出农业智能科研的体系架构（见图3）。该体系涵盖四大关键要素：其中，大算力等大科学基础设施集成网络、存储与计算资源，为农业科研的智能化变革提供坚实基础；大数据底座融合多源数据、攻克关键技术、构建知识体系，驱动科研范式转型升级；大模型算法涵盖多类型模型研发及算子应用，助力突破农业科研创新瓶颈；智能协同平台整合多元资源、创设虚拟空间、构建智能体与知识图谱，提升科研综合效能。虚拟科研空间基于数字孪生技术构建虚实融合环境，支持多学科团队在虚拟场景中实时共享数据、模型与算力资源。智能决策体集成RL与多目标优化算法，可根据实时数据动态调整实验方案，自动匹配最优算法模型。知识图谱引擎基于农业领域本体库（如Crop Ontology）构建动态知识网络，为模型训练提供先验知识约束。各功能模块通过标准化应用程序编程接口（Application Programming Interface, API）与大模型算法实现无缝对接。
2.2.1 关键要素一：支撑科研的大科学基础设施
大科学基础设施作为支撑农业科研领域发展的基石，需要统筹构建全面且强大的网络、存储与计算等基础资源设施（见表1），有力推动农业科学的智能化进程。网络基础设施，作为数据传输的主动脉，承载着将多源、海量的科学数据、模型参数，以及各类科研信息在不同计算节点、存储设备和用户终端间进行高效、稳定传输的重任。然而，传统的传输控制协议/互联网协议（Transmission Control Protocol/Internet Protocol, TCP/IP）网络存在延迟大、多次数据拷贝和复杂的协议处理等问题［27］。因此，构建先进的网络基础设施，不仅为后续数据深度分析与精准处理奠定基础，还可以极大地便利农业科研人员访问并共享遍布全球的计算资源、数据存储设施及尖端的分析工具，从而实现科研资源的高效整合与优化配置，极大地促进跨学科研究协作与知识共享。随着资源类型的多元化发展，构建EB级（Exabyte）多态存储基础设施确保科学研究过程中产生的阶段性科学数据得到及时、安全的保存，为领域模型的生成与优化提供不可或缺的原始素材，也为后续的知识挖掘与规律发现创造有利条件。通过高效的数据存储与管理机制，科研人员能够轻松访问并利用这些数据，进一步推动农业科学的深入发展。打造农业科研的“超级大脑”——实验装置与算力基础设施，整合各类高性能计算资源与专业工具，形成强大的数据处理能力，支持环境参数（如土壤湿度、气候条件）、作物生长状态、农业遥感图像等多类型多模态数据的高性能计算，为模型训练和模拟实验等科研活动提供强有力的支撑。智能算力系统瓶颈的突破还需要攻克芯片内部、多卡和多节点等不同粒度的异构计算调度技术，拓展基础算子库规模与大模型训练基座算力容量，增强硬件系统对AI计算的适配能力［27］。异构计算调度技术旨在针对农业科研中中央处理器（Central Processing Unit, CPU）、图形处理器（Graphics Processing Unit, GPU）、张量处理器（Tensor Processing Unit, TPU）等混合算力环境，通过动态负载均衡算法（如基于遗传算法的Kubernetes资源调度器［28］）实现任务分级智能分配。这些基础设施不仅能够快速完成复杂的计算任务，还能够运行先进的模拟算法，为领域科学知识的发现与验证提供了可靠的平台。通过实验装置与算力基础设施的助力，科研人员能够更深入地探索农业科学的奥秘，为农业生产的智能化转型提供有力的技术支撑。
表1 大科学基础设施Table 1 Large-scale scientific infrastructures |
| 设施类型 | 现存问题 | 技术突破 | 案例 |
|---|---|---|---|
| 网络基础设施 | 传统TCP/IP网络延迟大、多次数据拷贝、协议处理复杂 | 突破高速率、低延迟数据传输技术 | 以微软无限带宽技术（Microsoft Infinite Bandwidth, MSFT Infiniband），亚马逊弹性结构适配器（Amazon Elastic Fabric Adapter，AWS EFA），英伟达高速互连技术（Nvidia NVLink）等为代表的技术（网络速度可达100~900 Gbps以上）［29］ |
| 存储基础设施 | 数据孤岛现象严重，存储架构单一，难以应对多模态数据 | 研发EB级多态存储系统，支持分布式文件系统（如Ceph）和语义化数据管理 | 阿里云基于对象存储服务（Object Storage Service, OSS）的EB级数据湖；Dropbox Magic Pocket 存储架构等 |
| 算力基础设施 | 异构算力调度效率低，算子库规模不足 | 突破动态负载均衡算法，支持神经算子加速传统模型 | 基于遗传算法的Kubernetes资源调度器［28］ |
2.2.2 关键要素二：面向AI就绪的大数据资源
当前科研范式正处于从数据密集型向AI转型的过渡阶段，加之开放互联网数字经济的发展，普遍存在场景化资源能力不足的挑战，如面向解决国家重大复杂科学问题的认知与决策资源体系泛在化，AI场域所依赖的大规模计算资源单一化，垂直科研场景中的加工和组织知识体系难以普惠化，以及产业创新所需的全链动能型资源体系过于静态化。因此，需要构建能够高效服务未来农业科研的高质量数据知识资源底座（见表2），以新质生产力加速AI的快速发展和落地实践。针对中国农业高水平科技自立自强的科技资源服务需求，农业资源底座涵盖多维度农业科学数据、高质量语料与先验知识体系等内容。作为农业科学研究过程中的智慧产物，农业科学数据类型纷繁多样，具有多模态、多维度、分布分散、关联关系复杂、多层次交汇等特征，如遥感数据提供大面积的作物生长环境、土壤湿度等信息；观测数据聚焦反映特定区域的作物生长状况。迫切需要攻克多模态大数据汇聚治理、共轴组织、时空对齐与语义融合等关键技术，解决数据孤岛问题，打破信息壁垒，实现数据的互联互通与共享，以便各类科学数据能够作为多维度输入赋能农业科研，多角度全面揭示研究对象的特征，进而确保针对特定科研问题所构建的模型能够更加精准地洞察并把握研究对象的本质规律。面对算法模型应用需求，当前科学数据集存在资源分散、知识化不足、标准不一、共享受限等问题［27］。AI就绪依赖于高质量、标准化且权威可信的数据资源，数据质量和可用性直接影响着科研成果的高度。构建全面、可共享且标准规范的农业语料库是AI模型训练与优化的关键，不仅能有效提升AI模型在训练过程中学习的能力，还能够支持模型的微调和优化，进而增强模型的效能和可信度，因此需要着力做好重点领域语料库（如针对生物育种的种质资源语料库、面向合成生物学的基因蛋白语料库、动物志、植物志、病虫草害库等）和通用语料库（人名、机构名等）构建。此外，加强构建多层级、细粒度的标准规范体系、领域本体与知识图谱等先验知识，为AI算法模型提供宝贵的训练约束条件和特征关系描述，从而解决知识推理、知识预测与知识生成的可信知识供应问题。
表2 大数据资源Table 2 Big data resources |
| 资源类型 | 挑战 | 重点任务 | 案例 |
|---|---|---|---|
| 多维度农业科学数据 | 多模态、分布分散、关联复杂，存在数据孤岛 | 攻克多模态数据融合、时空对齐算法、语义关联模型等关键技术 | 中国科学院计算技术研究所搭建的“智慧农业数据底座” |
| 高质量语料库 | 资源分散、知识化不足、共享受限 | 做好重点领域语料库和通用语料库构建 | 华中农业大学农科英语语料库网络平台（Huazhong Agricultural University Corpus Query Processor Web, HZAU CQPweb） |
| 先验知识体系 | 缺乏结构化知识约束，影响模型可解释性 | 加强构建多层级、细粒度的标准规范体系 | 通过结合田块内部特征一致性规则先验知识和CNN，实现冬小麦田块精细提取［30］ |
2.2.3 关键要素三：领域适配的大模型算法
大模型算法（见表3）作为农业科研的核心驱动力，所具备的高维复杂数据处理能力与高维复杂函数逼近能力，能够在数据处理、知识创新、计算加速到实时应用等诸多方面有效攻克计算难题，辅助科研人员深入洞悉科学研究对象的本质规律，助力科研瓶颈的突破。针对农业大数据海量、高维、稀疏分布等特征，面向科学研究瓶颈突破的不同需求，构建多类型农业智能模型算法开源社区，为各类农业模型开发提供高效敏捷的基础模型库。构建高水平垂直领域大模型的主要挑战在于高质量的带标注领域训练数据集，以及根据领域问题专门设计的人工神经网络结构和一定规模的算力［27］。研发农业垂直领域大语言模型，对领域文本信息进行自动化深度语义理解和特征提取，为农业资源底座的构建提供重要保障。构建计算育种、精准种植与病虫害监测预警等垂直领域知识大模型，并及时将新的农业科研成果、多维度阶段性的实验数据等融入模型中，确保知识模型的时效性与准确性，为农业科研与生产决策提供科学、全面、动态的知识支持。构建大规模的农业视觉数据样本库，研发专门用于监测作物生产过程中叶片颜色、形态变化，以及病虫害发生初期迹象的视觉模型，突破CNN技术，自动化提取农作物各个生长周期的实时特征，从而实现图像分类、目标监测、图像分割等复杂的视觉任务，应用于病虫害的精准识别。研发面向时间序列与基因、蛋白质等分子序列的序列模型，突破RNN与LSTM技术，通过提取数据中的时间依赖关系特征，深入分析数据中的长期趋势与短期波动规律，准确预测未来的可能趋势，为农业生产的长期规划提供有力的数据支撑与决策参考。研发多模态分析模型，打破不同数据模态间的壁垒，将语言、视觉、序列等多模态数据进行有机融合，从多个维度全面深入理解研究对象的本质规律，为农业科研创新突破提供更为丰富、全面的视角。此外，深入研究神经算子在农业模型中的应用场景。神经算子作为一种基于深度学习的泛化神经网络，具有比传统神经网络更为精准的预测能力，可同时捕获数据不同尺度上的特征。因此，针对农业数据量大、计算复杂等特点，可利用神经算子对传统计算流程进行简化与加速，提高模型运算效率与准确性，加快农业科研成果从理论到实践的转化应用效率。
表3 大模型算法Table 3 Large model algorithms |
| 模型类型 | 重点任务 | 作用 | 案例 |
|---|---|---|---|
| 农业垂直领域大语言模型 | 构建计算育种、精准种植与病虫害监测预警等垂直领域知识大模型 | 对农业领域文本信息进行自动深度语义理解和特征提取，为农业科研与生产决策提供知识支持 | 中国农科院信息所农业知识大模型；中国农业大学神农大模型 |
| 农业视觉模型 | 构建大规模农业视觉样本库，突破CNN技术 | 实现图像分类、目标检测与分割，应用于病虫害精准识别与作物生长周期特征提取 | 武汉大学“水稻智脑”系统构建了水稻全生命周期视觉模型；基于行-列注意力的轻量化 Transformer实例分割模型可适用于农业视觉任务［31］ |
| 序列模型 | 突破RNN与LSTM技术，提取时间依赖关系特征，分析长期趋势与短期波动规律 | 处理时间序列、基因及蛋白质分子序列，为农业生产长期规划提供数据支撑与决策参考 | 结合图神经网络（Graph Neural Network, GNN）和RNN模型整合时空信息，显著提升了作物产量预测的准确性和泛化能力［32］ |
| 多模态分析模型 | 融合语言、视觉、序列等多模态数据，打破数据模态壁垒 | 从多维度全面理解研究对象本质规律，为农业科研创新提供更丰富、多元的分析视角 | 天工开悟-农业多模态大模型（KwooVa）；稷丰中文农业多模态大模型 |
| 神经算子 | 探索农业领域应用场景，简化传统计算流程 | 提升模型运算效率与准确性，加速农业科研成果转化应用，应对农业数据量大、计算复杂挑战 | 基于重要性有序加权平均（Importance-Ordered Weighted Averaging, IOWA）算子组合灰色神经网络提高小麦产量预测精度［33］ |
2.2.4 关键要素四：面向农业场景的大协同平台
农业科学研究是一个高维度、多层次、多尺度且动态关联的复杂系统，诸多复杂科学问题的攻克离不开生物学、生态学，以及信息技术等多学科的深度融合与协同合作。当前，农业科学研究存在科研数据标准不统一且共享滞后、模型泛化能力不足、跨学科合作机制缺乏等问题。因此，打造集数据存储管理、模型训练与计算服务于一体的农业协同科研智能生态系统（见表4），能够为科研人员提供科学研究部署、实验设计、数据分析、成果验证全流程一站式的多场景智能决策方案。为复杂科学问题的解决提供强有力保障，有效提升农业科研整体效能。面向蛋白质结构预测、益生微生物挖掘、病虫害监测预警与靶标蛋白质挖掘的核心技术攻关需求，重点突破虚拟现实（Virtual Reality, VR）、增强现实（Augmented Reality, AR）等关键技术，创建虚拟科研空间，即利用VR和AR技术，打造沉浸式的科研环境，为模型算法提供直观、高效的应用环境，以支持不同学科和区域的科研人员实时获取、共享数据资源，打破时空差异的壁垒和学科间固有的界限，促进科学研究新边界的不断拓展，助力复杂科学问题的研究突破。为了满足科学研究多场景下的智能决策需求，构建模型算法自动适配、算力智能调用的农业科研智能体。利用AI技术根据科研任务的具体需求，从开源社区中选择最合适的算法模型，并根据实时数据反馈进行算法的微调和优化，有效赋能自主提出科研假说、改进实验方案与自动验证科研假说的科研创新全流程。此外，整合农业领域专家学者的先验知识、突破时序知识图谱构建、知识融合与智能推理关键技术，打造人机协同的农业科研运作模式，实现领域先验知识与模型预测结果的深度融合与互补优化，推动农业科学研究向更加智能化、高效化的方向发展。
表4 大协同平台Table 4 Large-scale collaborative platform |
| 核心内容 | 技术手段 | 目标 | 案例 |
|---|---|---|---|
| 虚拟科研空间 | 针对蛋白质结构预测、益生微生物挖掘等需求，利用VR、AR等关键技术 | 打造沉浸式科研环境，打破时空与学科壁垒，促进跨学科协同与科学研究边界拓展 | 田纳西大学Agriscience Metaverse Academy通过VR课程提升农业教育普及率［34］；南京农业大学与恒点合作开发的“现代梨园花果管理虚拟仿真实验”［35］ |
| 农业科研智能体 | AI技术驱动算法模型自动适配与算力智能调用，结合实时数据反馈 | 支持科研假说自主提出、实验方案改进与验证 | 中国工程院院士朱有勇研究团队与百度共同打造的“农民院士智能体”［36］；西北农林科技大学专门为实验室设计的AI智能体“园艺实验小助手”［37］ |
| 人机协同科研模式 | 整合领域专家先验知识，突破时序知识图谱构建、知识融合与智能推理技术 | 实现领域知识与模型预测结果的深度融合与互补优化 | 现代农业中人机协作（Human-Robot Collaboration, HRC）关键案例主要在拖拉机自动化、采摘协作、农药喷洒、教育应用等［38］ |
3 打造农业智能科研体系面临的挑战
尽管AI在农业科学中展现出巨大潜力，但由于农业学科的交叉性与复杂性，农业智能科研体系的构建仍面临数据资源建设、模型泛化局限、创新生态缺乏，以及人才培养发展等多重挑战。
3.1 优质农业科学数据资源体系匮乏
无论是开展科学研究，还是构建AI模型，都离不开高质量的数据资源。中国尚未形成权威的农业科学数据资源体系，在国外数据的访问使用上面临受制于人的潜在风险。以育种数据为例，当前遗传育种科学研究高度依赖于美国国立生物技术信息中心（National Center for Biotechnology Information, NCBI）等多个国外基础性数据中心，这些数据中心通过免费提供多种枢纽性的数据库、基础性的数据分析工具、体系化的论文，形成了对育种科学研究的国际性垄断。此外，农业场景的数据采集受自然环境与生物复杂性制约，多维度农业数据具有显著的时空差异特性，导致AI模型训练面临显著障碍。
3.2 农业场景下的模型泛化能力不足
农业系统是典型的开放复杂巨系统，作物生长受气候（如温度、降水、光照等）、土壤（如土壤质地、肥力、酸碱度等）、生物群落（如动物、植物、微生物等），以及农业管理措施（如灌溉、施肥、病虫害防治等）等多尺度因素非线性耦合影响。农业系统的强地域性、强时空异质性与生物多样性导致AI模型在跨区域、跨作物迁移能力不足。例如，在作物表型预测中，其本质是求解高维基因型空间到复杂表型空间的映射，其科学挑战在于基因表达受表观遗传修饰、环境胁迫等多因素调控，且存在阈值效应与非线性协同作用。而现有AI模型，如全基因组关联研究（Genome-wide association studies, GWAS）驱动的GNN，仅能捕捉统计相关性，难以全面准确揭示基因型-表型关联之间的因果关系，限制了其在农业领域中的应用和发展。
3.3 跨学科创新科研新生态缺乏
国际上的AI4S研究往往涉及跨学科合作，其AI技术的有效应用需要数据科学家、领域专家和软件工程师之间的紧密合作。AI4AS的核心在于AI与农业科学的深度融合，但当前科研体系存在显著的学科壁垒，计算机科学家与农业领域专家在术语体系、研究范式上存在认知鸿沟，其发展受制于跨学科创新生态体系的结构性缺陷。例如，深度学习模型的“黑箱”特性导致农业专家难以理解模型决策逻辑，而计算机科学家也缺乏对作物生理机制的深度认知，这种知识体系的断层直接导致合作项目中出现“技术供给”与“应用需求”的错位。
3.4 高层次交叉创新型人才短缺
AI4AS作为典型的交叉学科领域，其发展高度依赖兼具AI技术能力与农业科学素养的复合型人才。AI4AS本土化人才培养需要打破传统学科壁垒，构建融合AI、农业科学、数据科学等多学科知识的贯通人才教育体系。但当前中国高等教育在“AI+农业”交叉学科建设、课程设置、师资配备、实践平台建设等方面还存在显著不足。同时在全球化的背景下，农业AI4S领域的国际人才竞争日益激烈。发达国家凭借其雄厚的经济实力和优越的科研条件，实施了一系列引进人才的政策，对中国AI4AS领域的人才构成了巨大的吸引力，使得产业端面临着人才需求的巨大缺口，科研端又存在着人才流失的严重问题。
4 发展农业智能科研的路径与建议
AI4S作为当今科技发展的前沿领域，正逐渐渗透到各个学科领域并引发深刻变革。在农业科研领域，AI4S有望突破传统研究局限，加速农业科技创新进程，解决复杂的农业生产与资源环境问题。围绕《全国智慧农业行动计划（2024—2028年）》《全国农业科技创新重点领域（2024—2028年）》《加快建设农业强国规划（2024—2035年）》等国家重大战略需求，通过在顶层设计、技术体系、协同体系、学科建设和人才培养等方面采取有效的应对措施，打造适应于AI4S发展的农业科研新体系，提高创新能力与水平，为实现农业现代化与高水平科技自立自强提供坚实的科技支撑。
4.1 优化配套政策制度供给，聚焦“数据-算法-算力”攻关
AI4S尚处于一个起步阶段，因此需要从顶层进行统筹设计和政策创设，面向农业智能科研制定长期的战略规划，聚焦于解决当前农业领域关键技术瓶颈与实际应用难题，为农业科技创新和学术研究提供坚实的政策基础。制定长期的AI战略规划，并设立专门的首席数据和人工智能官，负责战略计划的落实、监督AI实施和推动创新；将AI4AS研究列为中长期科技发展规划的优先领域，制定明确的技术路线图，明确不同阶段农业科研的重点领域、关键技术突破方向，以及预期目标成果，为农业科研机构、高校和涉农企业等多元主体提供统筹性的宏观指导与战略框架；在重点研发计划中增设“AI+农业基础研究专项”，布局生物智能育种、农业智能感知机理、农作物病虫害防控等关键基础研究方向，聚焦“数据-算法-算力”三位一体核心技术攻关，并给予长期稳定的资金投入。
4.2 强化关键技术体系支撑，突破智能科研瓶颈
面对农业科研向智能化、精准化转型的迫切需求，重点支持面向AI4AS的数字科研基础设施建设、农业数据治理与多模态融合算法、智慧农业大模型、场景化模型开发等具有创新性和应用前景的基础性、前沿性关键技术研发，形成“基础研究-技术研发-应用示范”的完整创新链条，强化AI关键技术体系在农业科研中的底层支撑能力。建立“农业农村科学数据中台”，汇聚遥感、气象、土壤、种质、病虫害等多源数据，制定统一的数据标准规范，打破数据孤岛，为AI算法提供高质量数据支撑，缓解中国基础科研数据外流的严峻现实带来研发工作受制于人、国家战略和科技安全存在隐患等问题；支持开发农业复杂场景自适应的可解释性强、低算力依赖的轻量化算法模型，同时推动算法开源共享，制定标准化测试数据集与评估指标，加速算法迭代优化；建设国家级农业AI共享科研基础设施，推动科研云平台、算力云服务平台、数字孪生软件平台等基础设施加强联合，以打破AI4S科研资源壁垒。
4.3 加强协同创新体系建设，打造开放式科研平台
当今科研模式从传统封闭“小作坊”向开放协作“平台”模式转型［29］，因此需要构建跨部门、跨领域的农业科研协调联动机制，以农业科研院所为核心并联合计算机领域的顶尖科研力量，组建“农业AI联合研究中心”进行合作攻关，形成农业科研共同体，涵育多元共融、互相启迪的科研氛围和生态，成为知识创新与技术突破的核心策源地之一。此外，亟需打造面向农业领域的开放式协同创新科研平台， 平台要以科研人员的需求为牵引，改善“重建设、轻应用”的问题，为全国农业科研系统提供共性、通用和可持续的数据、算力、知识、模型、算法支撑，重点在于整合现有资源，构建包括共享的大科学模型和工具软件、海量的科学数据和知识库、统一调度的算力的新型数字农业科研协同创新平台。在平台开发过程中需要特别强调确保所有研究产出符合可发现、可访问、可互操作和可重用（Findable, Accessible, Interoperable and Reusable, FAIR）的原则，支持不同学科背景的科研人员构建和部署可定制的机器学习、深度学习等AI应用程序，开展基因组学、预防兽医学、重大病虫害成灾和气象灾害致灾机理等研究，推动农业科研领域的技术创新和跨区域跨学科协作。
4.4 深化交叉学科体系建设，推动农业与AI融合发展
在当今大科学时代，交叉融合成为学科发展重要方向与科技革命重要特征［39］。多学科之间的相互交融往往能打破传统学科壁垒，产生农业新兴学科生长点，孕育出新的研究领域。紧密围绕国家战略需求和学科前沿动态，农业高校和科研机构应加快调整优化学科结构，推进新农科与新工科融合，将现代农业科学与数智化技术相结合打造特色专业集群，着力推进智慧农业等一流专业建设。
依托涉农高校院所，整合农业、计算机科学和生态学等学科优势，组建农业AI交叉学科院系，搭建集数据共享、算法开发、实验验证为一体的产教融合开放平台，聚焦遗传育种、生物安全、农业装备等方向开展教学和前沿研究，促进跨学科合作的深入发展。在专业课程开设上，注重理论与实践结合，整合信息科学、生命科学、农业工程等多学科知识，构建跨学科课程体系。在师资队伍建设上，吸引具有AI和农业等多学科背景的高层次人才，充实交叉学科师资力量。
4.5 推进复合创新人才培养，形成多层次人才梯队
AI4S的快速发展对科研人员的学科知识与能力都提出了更高的要求。需要面对农业科研与AI的深度融合，构建满足AI4AS需求的“AI+农业”交叉学科专业课程体系、教学实践及复合型人才培养机制。通过系统贯通的跨学科教育，培养既懂农业专业知识又具备AI技术能力的复合型领军人才，促进AI技术与农业知识的交融应用。
注重专业人才继续教育与技能提升，引导青年科研工作者充分意识到AI在现代科学研究中的重要性，将AI技术应用于农业科学研究过程，提高其熟练运用AI工具并通过人机协作解决问题的能力。通过制定相应的人才引进计划、政策等方式，重点引进与储备在农业AI、计算机科学等领域具有国际领先水平的顶尖专家学者，支持组建多学科创新团队攻坚前沿科学研究。同时，可以参照“两弹一星”攻关经验，探索跨学科、跨单位、跨地域人才统筹调配［40］。加强与国际知名科研机构和高校的人才合作交流，通过建立联合培养机制、互派访问学者等方式，构建全球农业AI科研合作网络，以形成具备国际视野和前沿思维的多层次人才梯队。
