（ 于景鑫 国家农业信息化工程技术研究中心）当人工智能的浪潮席卷全球，大语言模型（LLM）引领智能风潮之时，"智慧农业"也摩拳擦掌跃跃欲试。设施农业作为现代农业的翘楚，正站在数智化变革的风口。但是，传统的AI应用模式——将数据集中到云端处理，再将结果下发到终端——面临诸多挑战：时效性差、隐私难保、成本高企……边缘智能应运而生，如一束曙光划破云霄。它将计算和存储前移至数据产生的现场，让每个温室都成为自己的"算力中心"，在边缘端完成数据感知、分析、决策、执行的闭环。本文将带您探索边缘智能在设施农业中的技术突破和应用创新，展现"云边协同、多域融合"的发展图景。让我们共同打开这扇通往未来的智慧之门，去瞭望设施农业的无限可能。

Concept of Edge Intelligence and Intelligent Edge  图片来源：Edge Intelligence: Edge Computing and ML (2024 Guide)

一、大语言模型驱动的设施农业知识图谱构建
大语言模型（LLM）是人工智能皇冠上的明珠，以其强大的语义理解和生成能力，在众多领域掀起了应用革命。ChatGPT等LLM的问世，让智能助手、智慧搜索等应用成为可能。但LLM在设施农业领域的应用还鲜有探索。

知识图谱是结构化的知识库，由节点（实体）和边（关系）组成的语义网络。传统的知识图谱构建通常采用人工定义模板和规则，难以覆盖农业领域的复杂语义。而LLM可以从海量农业文献、专家访谈等非结构化数据中，自动抽取实体、关系和属性，并对其进行分类、消歧和关联。基于LLM的知识图谱构建可大幅提升知识获取的广度和深度。

图片来源：https://www.marktechpost.com/2024/08/02/optimizing-large-language-models-for-concise-and-accurate-responses-through-constrained-chain-of-thought-prompting/

以番茄栽培为例。首先利用LLM从番茄百科、栽培手册等文本中抽取关键信息，识别出"番茄品种"、"栽培环境"、"生长阶段"、"病虫害"等核心实体，以及实体间的上下位、并列、因果等语义关系。然后，利用LLM的知识推理和纠错能力，对图谱进行校验、丰富和优化。最后，将构建好的番茄生长知识图谱，通过边缘网关下发至各节点。每个边缘节点可结合本地的环境和生长数据，对图谱进行持续更新和完善。这种分布式、联邦式的知识图谱构建方式，既能汲取LLM的强大语义能力，又能因地制宜、持续进化。农业专家只需与LLM进行自然语言交互，即可将自己的经验知识无缝注入图谱。

基于LLM构建的知识图谱，可为边缘智能的环境感知、生长预测、策略优化等核心任务赋能。比如，当监测到某株番茄叶片卷曲时，系统可快速检索知识图谱，判断可能是缺钙引起的症状，并给出相应的施肥建议。再如，系统可利用番茄生长节律知识，预测植株的开花坐果时间，提前调整环境光照策略。通过与LLM"联姻"，边缘智能将拥有更广博的知识视野和更智慧的行动策略。

二、深度强化学习驱动的温室环境智能优化
环境管控是设施农业的核心，但传统的环境调控大多基于专家经验，或简单的反馈控制算法，难以应对复杂环境下作物生长的动态变化。近年来，强化学习（RL）以其基于反馈不断探索优化的能力，为复杂系统自主优化决策带来希望。而深度强化学习（DRL）将深度学习引入RL，通过神经网络逼近策略函数，可支持更高维、连续的状态和行为空间表征。

某地草莓生产基地，部署了一套基于DRL的智能环境优化系统。系统采用分布式架构，在各个草莓种植区布设多个边缘节点，节点配备环境传感器、摄像头、执行器等设备，可实时感知草莓生长环境，并控制遮阳网、滴灌阀、补光灯等设备。每个节点可视为一个独立的强化学习智能体（Agent），通过"探索-利用"的闭环交互，持续优化本区域的环境调控策略，并通过联邦学习将经验汇聚，实现全局协同优化。

图片来源：https://www.mdpi.com/2077-0472/13/2/354

在算法设计上，采用了 DDPG (Deep Deterministic Policy Gradient)算法。该算法可同时学习状态价值函数和确定性策略函数，适合连续动作空间的控制优化。将环境状态（温湿度、风速、光照等）、植株状态（叶面积指数、开花数等）作为状态向量，将环境调控参数（通风时长、水肥浓度等）作为行为向量。奖励函数的设计综合考虑了草莓产量、品质、资源能耗等因素。此外，还引入了专家经验指导下的行为克隆（Behavior Cloning）机制，通过模仿学习加速模型收敛。

Deep Deterministic Policy Gradient (DDPG) algorithm structure 图片来源：10.20944/preprints202111.0514.v1

系统运行一个生长季后，草莓单产提升了12%，龄期缩短5天，耗水量节省15%，品质评分提高0.5个等级。通过DDPG算法的持续学习，环境调控策略不断迭代优化，越来越符合草莓生长的生理节律需求。比如，在草莓的现蕾期，系统学会通过短时光照刺激花芽分化；在草莓的果实膨大期，系统学会通过增施磷钾肥改善果实品质。

三、基于联邦学习的设施农业协同优化
设施农业的智能化，不应局限于单个温室、大棚的"独立优化"。毗邻的农业设施，往往存在较大的环境同质性，通过协同优化可有效提升资源配置效率。而分散的农业设施，可通过知识共享和策略迁移，突破场景割裂的藩篱。但个体农户对生产数据的保护意识越来越强，不愿将数据完全托管到云端。联邦学习（Federated Learning）为这一矛盾提供了一个良好的解决思路。

联邦学习是一种分布式机器学习范式，允许参与节点在不暴露原始数据的前提下，协同训练全局模型。各节点在本地利用自己的数据训练模型，仅上传模型参数或梯度到云端聚合，聚合后的全局模型再分发到各节点迭代更新。这种参数而非原始数据的传递方式，在提升模型性能的同时，很好地保护了数据隐私。

某农业园区内搭建了一个基于联邦学习的番茄协同种植网络。园区内不同大棚的番茄种植户，在本地利用边缘计算训练自己的番茄生长预测模型。模型的输入特征涵盖了番茄品种、生长阶段、环境参数、管理措施等多维度数据，输出指标包括产量、品质、病虫害等。在云端设计了一个安全聚合协议（Secure Aggregation，SA），采用同态加密等技术，确保本地梯度在密文空间进行聚合，云端无法解密单个客户的隐私信息。为进一步激励用户参与，还基于区块链搭建了一个"贡献-激励"机制。用户按本地数据量、模型性能提升等贡献度，获得相应的代币奖励。

经过30轮联邦迭代，园区内番茄协同种植网络的预测精度达到了92%，较单棚种植提高了15%。一些棚的实践经验，如"亿菌王"菌肥配施技术，通过联邦学习传播到了整个网络。不同棚也针对自身种植特点，在全局模型基础上进行个性化微调，实现了"协同+个性化"的平衡。基于区块链的激励机制，调动了用户参与的积极性，贡献数据量和频次大幅提升。

The gap between data created by connected edge devices and data processed in the cloud  图片来源：https://tiers.utu.fi/static/papers/Zhuo2019AICAS.pdf

四、设施农业边缘智能的挑战与展望
尽管边缘智能让设施农业尝到了"智慧"的甜头，但推动其走向规模化、体系化，仍需攻克诸多难关。比如，农业环境的复杂多变，对算法模型的鲁棒性、可解释性提出了更高要求；设施农业现场的资源限制，需要在模型效果和计算效率间寻求平衡；农业物联网的异构性、动态性，考验着系统的互联互通和弹性伸缩能力。

为应对这些挑战，亟需从算法、架构、标准等层面持续创新。在算法层面，需要探索模型压缩、模型剪枝等技术，在保证性能的前提下降低边缘端的资源开销；需要探索自适应学习、持续学习等技术，让模型能根据环境变化自主调整；需要探索因果推理、反事实思考等技术，让模型能对农业决策给出可信的解释。在架构层面，需要探索云边协同、雾计算等理念，构建分层自治的资源管理和任务调度机制；需要探索微服务、容器化等技术，提升系统的可维护性、可扩展性。在标准层面，需要建立统一的农业数据采集和共享标准，实现多源数据的互联互通；需要制定隐私保护和安全防范规范，维护从业者和消费者的合法权益。

图片来源：https://inform.tmforum.org/research-and-analysis/proofs-of-concept/how-to-combat-food-insecurity-with-flexible-deployment-of-5g-ai-and-edge-solutions-in-agriculture

未来，期待看到更多跨界融合的创新成果。比如，将5G、区块链等新技术与边缘智能交叉；将物理世界、生物世界、数字世界的模型贯通；将农学、理学、工学的智慧汇聚。让我们携手打造设施农业这座"智慧之城"，用"云边一体"重构传统农业的生产范式，用"数智融合"开创现代农业的崭新未来。