（ 于景鑫 国家农业信息化工程技术研究中心）设施农业是现代农业的旗舰,集成了环境调控、水肥管理、植保防疫等多项先进技术。据统计,目前全国现代设施种植面积达到4000万亩，效率高、产出高、效益高的特点明显。北方地区每亩蔬菜日光温室年均纯收入3.6万元左右。设施蔬菜每年仅生产环节需用工2000万人，产前产后服务环节还能带动大量就业。然而,在设施农业快速发展的背后,是农业科技推广的困境。受地域、人员等限制,先进生产技术难以高效传播,农户迫切需要便捷获取专业知识的新途径。人工智能的发展为破解这一难题带来了转机。以大语言模型(LLM)为代表的自然语言处理技术,正以其强大的知识理解、获取和表达能力,为知识传播开辟新的可能。本文将从LLM的技术原理出发,探寻其在设施农业知识服务中的创新应用,展望人工智能重塑农业知识图景的未来图景。

图片来源：CSDN

一、LLM:知识表征新范式
大语言模型是近年来NLP领域的重磅炸弹。有别于传统的词袋模型和浅层神经网络,LLM采用Transformer架构,通过自注意力机制建模海量文本数据,学习词语、句法和语义的深层关联。Transformer的核心是多头自注意力机制,通过Query、Key、Value三个矩阵,计算词语间的相关性。多个注意力头并行计算,捕捉不同纬度的语义依赖。残差连接将输入与输出直接相加,保证了梯度的有效传播。前馈神经网络进一步提取高阶特征。编码器和解码器的堆叠,最终建立起输入文本到输出文本的端到端映射。
从ELMO、BERT到GPT-3、PaLM,LLM的规模不断扩大。当前最大的LLM已包含上千亿参数,在万亿 Token 量级的语料上训练而成。海量语料赋予了LLM百科全书式的知识储备,强大的语言建模能力使其具备了知识获取、推理、生成等多维技能。这意味着,我们可以与LLM进行自然流畅的对话,从词句中提取结构化知识,回答开放域问题,生成切题的文章和摘要。LLM正成为通向通用人工智能的桥梁,为知识密集型产业注入新动能。

图片来源：GitCode

二、LLM赋能设施农业知识图景再构筑
设施农业是知识与技术的结晶。然而,当前的知识传播方式难以跟上设施农业的发展步伐。传统的现场培训、电视广播等,受众面窄、更新慢,难以触达广大农户。而搜索引擎虽然便捷,但检索结果泛化严重,难以解决农户的具体问题。
LLM为设施农业知识传播提供了新的思路。首先,LLM可作为知识库问答的新引擎。不同于传统的基于关键词匹配的方式,LLM可对用户问题进行语义理解,结合背景知识进行多步推理,生成简明扼要的答案。以番茄种植为例,农户询问"番茄叶片发黄卷曲是什么原因"时,LLM不仅能检索出相关病症,还能根据温室环境、植株症状,判断是否由于钙镁元素缺乏导致的生理性卷叶,给出"适当补充钙镁肥,可有效改善"的专业建议。
其次,LLM让农业技术文档自动生成成为可能。农业生产中,各类标准规程、操作手册浩如烟海。传统的文档撰写费时费力,更新滞后。LLM可根据设施农业知识库,学习技术文档的语言风格和写作逻辑,实现从结构化知识到非结构化文本的自动转换。技术人员只需输入文档提纲,LLM即可智能续写每个章节,大幅提升文档编撰效率。
LLM的对话生成能力,也为设施农业知识传播开辟了新局面。传统的对话系统依赖预定义的对话流程和模板,只能进行有限的结构化交互。而LLM通过端到端学习,建立起自然语言到对话行为的直接映射。农户可与智能助理开展轻松愉悦的多轮对话,知无不言。系统还可根据农户的提问,主动追问缺失的语境信息,甄别核心意图,做到因人而异、因时而变的个性化知识推送,真正打通专家与农户的鸿沟。

图片来源：LLM Farmkey平台

三、垂直领域LLM的技术创新
尽管LLM展现了惊人的能力,但要真正应用于设施农业知识服务,仍需经过垂直领域适配。这主要包括两大方面:知识源构建和模型微调。
知识源构建是领域LLM的根基。通用LLM虽然涵盖了海量网络文本,但对于农业这样的专业领域,覆盖的知识仍显粗浅。为此,我们需要汇聚权威机构的科研成果、实践案例,构建全面精准的农业知识库。知识库通常采用本体和知识图谱的形式,以概念、实例、关系三元组刻画领域知识。利用本体构建工具,我们可将农业专家的显性知识形式化,如使用protege构建"番茄-病虫害-防治"本体。近年来,知识图谱自动构建技术不断进步。以ERNIE 3.0为代表的知识增强型预训练模型,可从文本中自主学习概念、实例,识别上下文蕴含的语义关系,实现农业知识的自动抽取、链接、推理。持续学习机制让 LLM 可终身吸纳新知,与农业知识库协同演化。
在海量农业语料和知识库的支撑下,LLM需要经过模型微调,以适应垂直领域任务。一方面,我们可采用BERT等模型在农业语料上进行再预训练,学习农业领域的词汇、语法和语义。再通过掩码语言建模、下一句预测等任务,增强LLM对农业知识的记忆和理解。另一方面,针对农业问答、对话、文档生成等下游任务,需要在少量标注数据上对LLM进行微调。GPT-3的InstructGPT、T5的多任务前缀训练等,为如何将特定任务知识嵌入预训练模型提供了新思路。我们可以设计一系列农业指令,如"根据病虫害症状,判断可能的原因"、"就温室大棚温度调控,生成一段操作说明",引导模型学会将通用知识运用到具体农业场景中。结合人类反馈信号,LLM可不断自我迭代,向更加智能化的个性化知识助手迈进。

图片来源：文心一言

四、面向LLM的智慧农场知识服务架构
LLM赋能的农业知识服务,离不开一个全栈式的软件架构。借鉴智慧城市、智慧医疗的实践,我们提出一个面向LLM的智慧农场知识服务架构。该架构可分为四层:数据层、算法层、服务层和应用层。
数据层是LLM的fuel。它通过物联网、数据库、爬虫引擎等,持续采集和更新海量数据。对于结构化数据如传感器监测值,要经过清洗、集成,转化为统一的表征形式。对于非结构化数据如科研论文、病虫害诊断记录,则交由算法层进行知识抽取。数据治理组件负责元数据管理、数据血缘追踪、访问权限控制等,确保数据自由流动又不失安全。
算法层是LLM的brain。它以预训练模型为基石,通过持续学习农业本体和文本数据,建立起问题、对话、文档的端到端生成能力。针对知识库问答,知识库问答组件将用户自然语言问题,变换为三元组检索语句,高效匹配知识库。针对对话交互,多轮对话组件跟踪对话历史,在已有对话基础上生成下一句自然回复。针对技术文档生成,文档生成组件引入提示工程、思维链等人工智能创作技术,在文档大纲与LLM协同下撰写技术文稿。同时,算法层以向量索引、知识蒸馏等优化技术,保障LLM在海量知识下的高效响应。
服务层是LLM的hub。它通过知识服务总线,将LLM的能力封装为标准化的API和微服务。知识库问答、对话交互、文档生成等LLM应用均以容器化方式部署,可灵活调度和弹性伸缩。服务编排流程定义了服务间的调用关系,数据流转规则,异常处理机制。服务管理平台提供了可视化的服务监控、日志分析、性能诊断等工具,助力LLM应用的持续集成、持续交付。
应用层是LLM的face。它借助小程序、H5、APP等轻量化的交互方式,将LLM的服务能力开放给广大农户和农技人员。除了传统的图文界面,我们还可利用AR/VR等沉浸式技术,打造身临其境的知识传播体验。用户在虚拟农场中漫游时,可口头提问,与智慧助理"面对面"对话,调取病虫害3D模型观察。知识变得直观可感,唾手可得。应用层的数字人组件,还可为LLM赋予拟真的虚拟形象,提升交互的趣味性和信任感。应用运营平台聚焦用户全域运营,持续捕捉用户行为数据,优化知识推送策略。
五、畅想智慧农业的未来知识图景
LLM为农业知识服务开启了一扇新窗。但单点智能提升,并不足以匹配智慧农业的宏伟蓝图。农业生产体系错综复杂,涉及环境感知、生长监测、品质管控等诸多要素。唯有多技术协同,多场景融合,才能真正做到农事操作、农时决策与农业知识的无缝链接。

未来,LLM、物联网、区块链、元宇宙等新兴技术将交织一张农业数字化的大网。LLM搭建起农户与机器间的语言桥梁。物联网将农田装备、环境设施数字化,源源不断地为LLM供给真实世界的感知数据。区块链构筑农产品溯源体系,让每一粒种子、每一个作物的生长轨迹都上链存证,成为可信的知识来源。元宇宙平台再现一个"数字孪生"的虚拟农场。农户化身虚拟农场主,在栩栩如生的三维场景中感知作物长势,操控农机设备,体验前沿种植技术。LLM则作为各技术间的粘合剂,通过对产业数据和农户行为的理解,将生产实践转化为可学习、可优化的知识要素。这个数字孪生的农场,本身就是一个持续进化的知识引擎。每一寸土地、每一株作物都在书写生长奥秘,传递优质高产的信号。而这些信号又反哺LLM,助其掌握更加本真、更加复杂的农业知识。