الذكاء الاصطناعي ومستقبل الزراعة

يعيش ما يقرب من نصف سكان العالم في أسر تعتمد على النظم الزراعية والغذائية كمصدر رئيسي للعمال ، وفقًا للأمم المتحدة. ومع توقع أن يرتفع عدد سكان العالم من 7.3 مليار نسمة إلى 9.7 مليار بحلول عام 2050، يمكن أن تؤدي ندرة المياه وفشل المحاصيل بسبب تغير المناخ إلى نقص كارثي في الغذاء العالمي.

لمواكبة النمو السكاني، سيحتاج العالم إلى زيادة الإنتاج الزراعي بنسبة 60% على مدى السنوات الـ 25 المقبلة—وحتى في ذلك الحين قد لا يزال لدينا 300 مليون يعانون من الجوع. في الوقت نفسه، من المتوقع أن تنخفض غلة المحاصيل الصفية بنسبة 11% بسبب زيادة قسوة الطقس والمزيد من الآفات. في الوقت الحالي، يستغرق الأمر حوالي 136 مليون دولار أمريكي في الولايات المتحدة وحوالي 12 عامًا لتطوير سمة محصول جديدة.

يزداد ارتفاع درجة حرارة العالم، وهناك كمية أقل من المياه العذبة، ولن يمكن الاعتماد على المحاصيل الناجحة في الماضي لفترة أطول. هل يمكن أن يساعد الذكاء الاصطناعي على التخفيف من الأزمة الزراعية الوشيكة التي سنواجهها خلال العقود القليلة المقبلة؟

يعتقد الدكتور Abhisesh Silwal، عالم النظم في جامعة Carnegie Mellon الذي تركز أبحاثه على الذكاء الاصطناعي والتشغيل الآلي في الزراعة، ذلك. ويوضح قائلاً: "يمكن أن يؤدي الذكاء الاصطناعي إلى تنبؤات أكثر دقة وفي الوقت المناسب، خاصةً في ما يتعلق باكتشاف الأمراض في وقت مبكر، ويمكن أن يساعد على تقليل البصمة والأثر البيئي من خلال تحسين كيفية استخدامنا للموارد".

في ما يأتي عدد قليل من شركات التكنولوجيا الزراعية والمنظمات غير الربحية التي تعمل على التغلب على الزمن في مواجهة تغير المناخ.

في تنزانيا، يستخدم David Guerena، وهو عالم زراعي في المركز الدولي للزراعة الاستوائية، الذكاء الاصطناعي لدفع تطور النبات إلى أقصى حد.

يستخدم مشروع Guerena، المسمى Artemis، الذكاء الاصطناعي ورؤية الكمبيوتر لتسريع عملية التنميط الظاهري. ويشرح قائلاً: "الناس ليسوا جيدين في تقديم تقديرات كمية موثوقة للأشياء التي نراها". "ولا يمكن للإنسان أن يحسب عدد الزهور بدقة على مئات النباتات عبر آلاف قطع الأراضي. نشعر بالتعب أو نفقد تركيزنا أو لا نستطيع جسديًا رؤية كل ما نحتاج إليه. ولكن لا يعاني الكمبيوتر من هذه المشكلات. تنتج نماذج رؤية الكمبيوتر المدربة تدريبًا جيدًا بيانات كمية متسقة على الفور".

عندما بدأ فريق Guerena العمل لأول مرة مع صور الهواتف الذكية، استخدموا الشبكات العصبية (CNNs). لقد أدوا المهمة، لكنهم كانوا متعطشين للبيانات—حيث كانوا بحاجة إلى آلاف الأمثلة المصنفة لتدريبهم، وهو ما كان مكلفًا ويستغرق وقتًا طويلاً. لقد كانوا يهدفون إلى تطوير نماذج لسمات مختلفة (مثل عد الزهور) عبر محاصيل مختلفة، لكن CNNs كانت تتطلب الكثير من أجل ذلك.

قبل بضع سنوات، ظهرت محولات الرؤية ونماذج المصدر المفتوح مثل YOLO وSegment Anything وغيّرت قواعد اللعبة، كما يوضح Guerena. حيث تقلل هذه النماذج بشكل كبير من الحاجة إلى البيانات المصنفة. والآن، بدلاً من آلاف الأمثلة على صور المحاصيل، يحتاجون فقط إلى بضع مئات. "لقد مكنتنا نماذج محول الرؤية والأساس حقًا من تسريع تطوير النماذج".

ويعمل فريق Guerena الآن على دمج Speech to Text ومعالجة اللغة الطبيعية إلى جانب رؤية الكمبيوتر في الأنظمة التي يقومون ببنائها. ويوضح أن التفاعل مع الناس من خلال الكلام الطبيعي يمكن أن يساعد على التغلب على حواجز اللغة ومحو الأمية. بالإضافة إلى ذلك، يمكن أن يؤدي الجمع بين أنواع مختلفة من البيانات إلى إنشاء صورة كاملة لكيفية أداء النباتات في هذا المجال. ويقول: "يمكن للمزارعين أنفسهم استخدام وظيفة الكلام لوصف بعض التحديات التي واجهوها خلال الموسم". "إذا قمنا بجمع هذه البيانات عبر آلاف المزارع في جميع أنحاء العالم، يمكننا أن نجمع بشكل أفضل كيف تؤثر الظروف البيئية المحلية في أداء الأصناف".

في أثناء نشأتهما، رأى Max Evans وHimanshu Gupta عن كثب كيف تؤثر أنماط الطقس غير المنتظمة في مجتمعاتهم. يخبرنا Gupta: "نشأ Max في مزرعة أناناس في الإكوادور، وشهد بشكل مباشر آثار تغير المناخ في المحاصيل". "لقد نشأت في قرية في شمال الهند، حيث كان علينا في كثير من الأحيان المشي لمسافة ميل للحصول على المياه النظيفة خلال مواسم الجفاف والعجز الموسمي". 

تركت هذه التجارب انطباعات دائمة على Evans وGupta وألهمتهما لتأسيس ClimateAi. يقول Gupta: "في حين أن معظم شركات التقنية تهدف إلى تحسين توقعات الطقس التي تستغرق 14 يومًا، إلا أن هذه الأطر الزمنية غير قابل للتنفيذ بالنسبة إلى المزارعين وشركات الأغذية". "لقد ابتكرنا في مجال التنبؤ بالطقس لأكثر من أسبوعين، حيث قمنا بنشر مناهج الذكاء الاصطناعي القائمة على الفيزياء الحيوية الحاصلة على براءة اختراع للتنبؤ بمخاطر الطقس المتطرف بتكلفة أقل وأسرع وأكثر موثوقية من نماذج الحواسيب الفائقة التي تستخدمها وكالات الأرصاد الجوية، بما في ذلك NOAA". يتيح ذلك لـ ClimateAi تزويد المزارعين بتنبؤات الطقس المحلية لليوم أو لأشهر مقدمًا. ويمكنهم أيضًا التوصية بالأوقات المثلى لزراعة وحصاد محاصيل معينة وتقدير غلتها.

أجرت ClimateAi عمليات محاكاة للمزارعين في ولاية ماهاراشترا، الهند، ووجدت أن الحرارة الشديدة والجفاف سيؤدي إلى انخفاض بنسبة 30% تقريبًا في إنتاج الطماطم في المنطقة على مدى العقدين المقبلين. ثم استخدمت هذه الرؤى من قِبل شركة بذور الطماطم لتسريع تجارب إطلاق بذور متحملة للجفاف للمزارعين أصحاب الحيازات الصغيرة في المنطقة. كما تعاونت الشركة مع إحدى شركات الأغذية والمشروبات الكبرى في الهند لطرح الدلائل في 300 قرية، ما ساعد حوالي 100,000 من صغار المزارعين. حيث تقدم الدلائل نصائح حول أفضل البذور لاستخدامها، وكيفية إدارة المياه، وأفضل الأوقات للزراعة والحصاد، ما أدى إلى زيادة الإنتاجية بما يصل إلى 40%.

ويوضح Gupta أن الهدف هو جعل النظم الغذائية والمائية أكثر قدرة على التكيف مع تغير المناخ وتحسين الحياة في جميع أنحاء العالم، والمزارعون جزء أساسي من هذه النظم: "[هم] العقد الأكثر حساسية في سلاسل القيمة الغذائية والمائية.

تستخدم شركة التكنولوجيا الزراعية Avalo ومقرها ولاية كارولينا الشمالية الذكاء الاصطناعي القابل للتفسير (xAI) لتحديد الجينات المرتبطة بسمات المحاصيل المعقدة بدقة. ويتيح استخدام الملامح الوراثية المفصلة لتوجيه عملية التكاثر لشركة Avalo تطوير المحاصيل بشكل أسرع بخمس مرات وأرخص بخمسين مرة من منافسيها، وفقًا لما ذكره CEO Brendan Collins. أحد المشروعات التي تعاملت معها Avalo هو الزراعة العمودية، وهي طريقة لزراعة المحاصيل في الداخل على مدار السنة. في حين أنه رائع لدورات المحاصيل المستمرة، إلا أنه يعاني مع ارتفاع تكاليف الطاقة والأسمدة، ما يؤدي إلى أرباح ضئيلة.

إذا تمكنت هذه المزارع من زراعة محاصيل أكثر قيمة بشكل أسرع، كما يلاحظ Collins، فإنها ستشهد أرباحًا أفضل. في الوقت الحالي، المحصول الوحيد الذي يعمل بشكل جيد في نظامهم هو الخس الرخيص. تعاونت Avalo مع مزرعة عمودية لزراعة البروكلي الذي يعد من أعلى الخضروات سعرًا في متاجر البقالة ولكنه يستغرق أكثر من 120 يومًا لينمو في الخارج. نظروا إلى أكثر من 500 نوع من البروكلي لابتكار نسخة يمكن حصادها في 37 يومًا فقط. يعني هذا الحصاد السريع أيضًا أنه لم تكن هناك حاجة إلى مبيدات الآفات، لأن الإطار الزمني كان قصيرًا جدًا بحيث لا تصبح الآفات مشكلة.

يقول Collins: "جينومات النبات غير مستقرة". "إنهم يعملون بموجب قواعد مختلفة عن جينومات الحيوانات". ويوضح أنه في حين أن الحيوانات لديها جينومات صغيرة وفعالة لتوفير الطاقة، فإن النباتات لديها جينومات كبيرة ومرنة لأنها لا تستطيع الحركة لتجنب التهديدات. وعلى عكس الجينومات ثنائية الصبغيات البسيطة للحيوانات، فإن العديد من النباتات لديها نسخ جينوم متعددة—مثل أربعة في القطن، وثمانية في الفراولة أو حتى عشرة في قصب السكر—ما يجعلها صعبة الدراسة. "نحن متحمسون لاستخدام xAI لفهم هذه الجينومات النباتية المعقدة".

يتعاون برنامج IBM® Sustainability Accelerator مع المزارعين في جميع أنحاء العالم أيضًا، ويشارك خبرات IBM في مجال السحابة والذكاء الاصطناعي لمساعدتهم على التكيف مع كوكب متغير.

يقول Michael Jacobs، رئيس قسم الاستدامة والابتكار الاجتماعي في شركة IBM، قسم المسؤولية الاجتماعية للشركات: "نهدف إلى المساعدة على تزويد المزارعين بالبيانات ورؤى الذكاء الاصطناعي اللازمة للحفاظ على الربحية والإنتاجية والاستدامة في مواجهة التحديات المناخية والتهديدات البيئية". "ونتيجة لذلك، اختتمت الآن أربعة من أصل خمسة مشروعات من مشاريعنا الخمسة في مجال الزراعة مع ما يقرب من 65,300 مستفيد مباشر— من المزارعين وأسرهم الذين يستخدمون التقنية للمساعدة على زيادة الغلة وجعل العمليات أكثر مرونة. ويمكن توسيع نطاق هذه الحلول عبر مناطق جغرافية وصناعات مختلفة".

في ما يأتي نظرة سريعة على أحد نجاحاتهم.

الجفاف والفيضانات والحرارة الشديدة وموجات البرد ليست سوى بعض الطرق التي يؤثر بها تغير المناخ في تكساس، ما يسبب مشكلات مستمرة لمزارعيها ومربي الماشية فيها. إنه يؤثر في جميع سكان تكساس: في العام الماضي أصدرت وزارة الزراعة بالولاية تقريرًا يربط بين تغير المناخ وارتفاع أسعار المواد الغذائية وزيادة انعدام الأمن الغذائي.

أمضى David Chapin، وهو مزارع وموظف في شركة IBM في لامباس بولاية تكساس، والذي عمل مع شركة IBM لاختبار حلول إدارة المياه، أكثر من عقد من الزمان وهو يراقب تغير المناخ وهو يلحق الضرر ببستانه. بدأ بـ 3,600 شجرة زيتون، قُتلت جميعها بسبب العاصفة الشتوية أوري في عام 2021. في العام التالي، حصل على منحة من USDA لاستبدال الأشجار بالكمثرى والخوخ والمشمش والخوخ، والتي كانت أكثر صلابة في فصل الشتاء ولكنها تتطلب أيضًا المزيد من المياه—ولم يستطع نظام الري الخاص به مواكبة ذلك.

يوضح Chapin: "نظرًا لأنه من الأهمية بمكان مراقبة الرطوبة على مستوى الجذر، وليس فقط السطح، فأنا أبحث عن طريقة دقيقة لإدارة ذلك". "يمكن أن يساعد الذكاء الاصطناعي من خلال تحليل احتياجات المياه في مناطق مختلفة، لكنه يتطلب العديد من أجهزة الاستشعار تحت السطح. من الناحية المثالية، أرغب في الحصول على خرائط لحالة التربة في الوقت الفعلي وتوقعات الري المستقبلية لإدارة تخزين المياه بشكل أفضل وتجنب النقص".

تتعاون IBM وTexas A&M AgriLife لمساعدة صغار المزارعين مثل Chapin. النتيجة هي Liquid Prep، وهي أداة تهدف إلى تزويد المزارعين بالمعلومات التي يحتاجون إليها حول مكان الري وتوقيته بأكبر قدر ممكن من الكفاءة، مع خطط لتوسيع نطاق التكنولوجيا في جميع المناطق القاحلة في الولايات المتحدة.

تستخدم Liquid Prep جهاز استشعار إنترنت الأشياء (IOT) مع تطبيق على الهاتف المحمول يعمل على IBM® Cloud. يمكن للمزارعين تركيب جهاز استشعار الرطوبة في الأرض وربطه بتطبيق الأجهزة المحمولة الخاص بهم لمراقبة رطوبة التربة، ثم تحميله ليتم تحليله. ويعمل فريق المشروع حاليًا على توسيع نطاق التطبيق ليشمل بيانات الطقس وأنواع التربة ودعم اتخاذ القرارات المتعلقة بوقت الري، حتى يتمكن المزارعون من إدارة الري بشكل أكثر فعالية.

يقول Chapin: "عادةً ما يكون صغار المزارعين غير متقدمين تكنولوجيًا بشكل كبير، وهذا اختلاف حساس بين صغار المزارعين وكبار المزارعين". "لكن الناس يفهمون كيفية استخدام الهاتف المحمول واستخدام بعض التطبيقات، وتطبيق Liquid Prep هو تطبيق بسيط للغاية...وهذا ما سيغير المجال".