根据《世界农化网》报告显示，以应用为基础的「智慧农业」市场有望在2022年达到184.5亿美元的规模，年均复合增长率13.8%。
智慧农业应用的范围很广，举凡农园的日照、温度和湿度等的远端数据监控，农作物的生长监测，果实採摘机器人，甚至到病虫害防治，以及区域性范围的3D植被检测等，都算在智慧农业的范畴。
面对智慧农业趋势，世界各国祭出「数据」来解套
法国作为欧盟规模最大的农业生产国，首当其冲。法国政府、农业组织、私人企业三方协作，建立了一个涵盖栽种、渔业、畜牧，甚至是农业技术研发、商业市场及法律政策的农业资讯数据库。法国农民不用顶着艳阳出门，只要滑一下手机，就能一手掌握天下「农事」。
在亚洲，日本是出了名的高龄化大国，农民平均年龄高达67岁。日本农林水产省曾经估算，2015年原本还有150万农业从业人口，但到了2030年将一路下滑至75万人，15年内就减少了一半。这个数字让茨城县政府决定採取行动，拯救地方农业。
茨城县位于日本东北方，农地幅员广阔，大约是460个东京巨蛋这么大。
今年4月，茨城县启动「筑波市未来共创计画」，透过政府、农家和新创企业的产官学合作，与农家共同开发智慧农业的AI机器人，要以低成本的方式将机器人导入当地栽种番茄、小黄瓜、青椒、荔枝等农园。致力以AI影像监控打造省时、省力且「赚得了钱」的农业，共创下个一百年的永续农业荣景。
智慧农业起手式，从数据收集开始
过去我所经手过的智慧农业专案中，涵盖了自动採收、生长监测及病虫害防治等主要类型，客户有的来自大型企业、新创或农业组织，其中又以日本客户最多。
在着手推进数位化转型或AI产业化前，「数据收集」是重要的起手式。打个比方，我们都知道一块顶级和牛，需要有细緻的肉质，以及均匀分布的油花，而好的数据集很像和牛，需要同时具备以下特徵：
- 图资「品质」够不够清晰、正确？
- 各种目标物件和场域情境的「比例」，是否均匀分布？
如果一批AI数据收集的角度不对，或者，多样目标物体之间的图资数量偏差大、影像模煳不清，都容易造成机器学习的偏误。
以花卉农地的生长监测为命题的AI应用为例，一般会採高角度的空拍机取景，并且在蒐集图资时，不放过周围会造成干扰的物体，例如杂草植被、其他混杂的花卉品种等。必要时，连晴天、雨天的影响也需考量进去。
而果实类的採收机器人的AI应用，就需以平视的角度拍摄，并可能把重点摆在取得比例相近且清晰的茎、叶、花苞、花朵、果实等特徵，才能学得快又好。
等数据收集完毕，就进到了另一个重要的环节 ── 数据标註。
智慧农业的转型第一哩路：AI数据怎么标註是关键
智慧农业的AI数据标註，其实不比一般的数据标註简单，原因在于它牵涉到大量的「植物学」，而且非常讲究细节。
有段时间，我们在办公室里摆了一整排的番茄盆栽。过一段时间，番茄又被换成覆盆子、百合花等植物。有些客户来造访，以为这些盆栽的存在是为了美化环境，实际上是专案管理和 AI 数据标註团队为了近距离观察植物生长的细节，才能掌握标註的特徵和细节。当遇到解决不了的难题时，我们也会请教农业相关的专家，好充份理解植物生长特性，让标註工作做得到位且有品质。
因为有丰沛的数据标註经验作为养分，在对应不同农业专案时，可以很快的将过往的经验复制到其他案型。例如覆盆子採收机器人的案子。
如果标註时只把果实和花朵的部分框起来，给机器学习，就会发现一个盲点：那就是「枝干」也需要被标註，而且必须要明确区细分出主干和支干的差别。为什么这么说？
如果只标註果实处，机器有可能会为了达成採收果实的目标，直接把枝干给剪断，造成严重农损。同时，枝干又有分主干和支干两种，必须明确地告诉机器数个彼此不互相矛盾的原则，机器才能知道哪几处该剪，哪几处又万万剪不得。
道理听起来很简单，但站在客户和AI机器人的角度换位思考，需要的是对数据的专业洞察，以及创新解决能力。透过回馈机制，不仅优化标註原则，也节省客户来回校正数据偏误的时间。
AI智慧农业时代来临，在产官学的推动之下，有AI数据的助攻，未来採收稻米的工作将可能更轻松、盘中飧或许不再是粒粒皆辛苦。
责任编辑：陈建钧
《数位时代》长期徵稿，针对时事科技议题，需要您的独特观点，欢迎各类专业人士来稿一起交流。投稿请寄edit@bnext.com.tw，文长至少800字，请附上个人100字内简介，文章若採用将经编辑润饰，如需改标会与您讨论。
（观点文章呈现多元意见，不代表《数位时代》的立场）
