9月14日至16日，三件看似不相关的事在农业AI领域接连落地。中国农业科学院农业信息研究所科学数据研究室提出面向农业植保领域的大模型驱动作物病虫害知识图谱自主构建框架 CropKG，相关成果发表于《Computers and Electronics in Agriculture》，其核心突破是引入证据约束的关系抽取机制，要求模型在生成知识关系时关联原文依据。9月16日，中国工程院院士、中国农业大学教授孙其信在2026世界农业科技创新大会（WAFI）上表示，人工智能引导下一轮农业生产方式变革已经不是梦想，而是变成了现实，并明确智能育种可视为第四代育种技术方向。同一天前后的田间数据也在说话：四川眉山市东坡区太和镇永丰村300亩AI试点田完成测产，超高产籼粳杂交稻"昇两优222"实测亩产863.6公斤，超高产杂交籼稻"荃优169"实测858.8公斤，高产优质杂交稻"华浙优210"实测826.8公斤；仅3年时间，这片攻关田的亩产较2023年的711公斤提高了152.6公斤。三件事连起来看，农业大模型正在过第二道门槛。
农业AI的第一道门槛是"能不能答对"，第二道门槛是"结论能不能举证"——当模型开始被要求给出原文依据与数据出处，产业竞争的重心就从参数量转向了知识治理与数据底座的工程质量。
CropKG 想解决的问题在农业领域非常典型。作物病虫害防控相关知识大量分散在科技文献、技术手册、专家报告及农业推广资料中，存在文本来源多元、知识表达不统一、人工整理效率低等突出问题，严重制约病虫害知识的系统化组织，也影响农业智能问答与辅助决策系统的建设进程。换言之，农业AI缺的不是文本，而是把文本变成可用知识的工序。
研究团队构建的是从非结构化文本处理到知识图谱生成的自动化流程，集成 OCR 文档解析、动态文本分块、自动提示词生成、专家角色建模与自底向上本体归纳等关键技术，围绕作物、病害、害虫、病原、症状、环境条件及防治措施等核心知识要素，实现高效抽取与深度融合。通过大语言模型模拟农业专家的认知过程，系统显著提升了对不同类型农业文本表达特点的适应性。
该研究的核心突破体现在引入证据约束的关系抽取机制，要求模型在生成知识关系时关联原文依据，有效增强知识来源的可追溯性，降低专业场景下大模型无依据生成的风险。——对农业这类容错率极低的场景，"能给出来源"比"答得流利"重要得多。
一句错误的用药建议、一个错配的防治窗口，代价是整季作物与投入。这就是为什么"证据约束"这一机制在工业、金融、法律领域已有先例，却在农业领域格外关键——它把大模型从"通用问答"拉回"可审计助手"的定位。
与纯生成式输出不同，知识图谱的每条边都可以回指到一段原文、一份手册、一次专家判断。把七类核心要素结构化，本质上是把农业知识从"阅后即忘的语料"变成"可检索、可追责、可复用的资产"。
《数字乡村高质量发展行动计划（2026—2030年）》在智慧农业部分把"农业传感器与专用芯片、核心算法、机器人、智能设计育种工具"列为需要攻坚突破的关键核心技术，同时提出完善智慧农业技术装备质量检验测试体系，推动数智技术与农机、农艺技术协同攻关。知识的可追溯与装备的可检测，是同一件事的两端：让每一条结论、每一台设备都能被验证。
模型讲得再漂亮，最后要落在两块地方——产量与人工。四川眉山永丰村的测产把前者摆了出来：9月14日，东坡区太和镇永丰村千亩高标准农田开镰收割，今年该村300亩试点田首次应用水稻专用AI大模型进行田间管理；AI系统通过无人机巡田采集数据，在水稻插秧、水肥调控、病虫害预警等环节为农户提供精准指导。经四川省科技厅组织的专家组规范测产，300亩AI试点田的3个核心品种均表现良好。
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
这组数字的可信度，来自它前面的积累。近年来四川农业大学水稻研究所与眉山市、东坡区农业农村局及岷江现代农业示范园区开展合作，依托永丰村水稻新品种新技术中试基地，累计对670余个水稻新品种和20余项新技术开展中试评价，筛选出24个宜机化高产优质杂交稻品种和5项高产绿色高效新技术。四川省水稻新品种新技术中试研发平台副主任杨志远的表述很直接：仅3年时间，这片攻关田的亩产较2023年的711公斤提高了152.6公斤。相关技术正从永丰村向成都崇州、新都等地推广。
人工成本的账在湖北算得更清楚。中国移动湖北公司助力鄂钢农场搭建起"数字底座＋监测平台＋移动端小程序"一体化智慧农田运营体系，这片2782亩的高标准农田以"万象耕耘"农业大模型开展全流程智能化管护。该模型具备农技智能问答、作物长势研判、灾害风险预警、病虫害智能识别等功能，并搭建墒情、虫情、苗情、气象"四情"智能预警系统，联动田间自动化灌排设施。平台数据显示：AI病虫害识别准确率稳定在90%以上，农田灌溉节水超20%，人工巡田工作量减少60%。面向农户，平台还免费开放智慧种植小程序，把智能监测、灾害预警、标准化种植规程送到农户手中。
「过去靠人盯、靠腿跑，现在坐在屏幕前就能掌握全局。」——鄂钢农场相关负责人的一句话，概括了当前农业大模型最扎实的一类价值：不是替代决策者，而是先把"跑腿式感知"替换掉。90%的识别准确率与60%的巡田工时削减，才是模型真正的成绩单。
黑龙江省推出全国首个寒地作物农业大模型，获批国家人工智能应用中试基地（农业领域农作物种植方向），初步构建起"空天地"一体化农情智能感知体系。当地研究人员的建议指向数据底座：统筹整合跨部门、跨领域涉农数据资源，统一寒地农业数据采集、更新、共享标准，聚焦寒地作物种植、黑土地保护、农机精准作业等核心应用场景，搭建省级专属农业AI数据库。
孙其信对小规模专项模型的判断是"部分已经起步"，对整体则给出"5到10年可看到大规模应用"，并明确真正在田间替代多数人工筛选还需要约5年数据积累。以小麦为例，中国农业大学相关团队正在研发人工智能小麦大模型，路径是先用无人机、地面多光谱设备记录作物从出苗到收获全过程，再积累基因数据，然后用人工智能关联田间表型与基因信息，从而大部分替代育种家从成千上万个个体中筛选少数优良材料的工作，效率提升几十到几百倍；根系识别也在推进，用新设备加算法测算每个品种的根系构型，设计少施肥、抗干旱、高产的根型。他同时提到，预测三五年后大宗粮食和畜禽的基础数据才可满足智能育种模型需要。
中国农业大模型已经开始出海，而且出海的方式值得注意。孙其信介绍，去年 WAFI 发布的中国农业大学神农大模型，盖茨基金会曾将其与世界一流模型对比，其在农业问题解决方案方面位居参评模型首位。更关键的是落地方式：中国农大团队开发了服务于非洲农业的"神农ZAO"智能体，并首先落地肯尼亚——用肯尼亚当地语言提问，模型输出适应当地农业生产的技术方案，而不是直接套用中国方案；"ZAO"在斯瓦西里语中是种植管理的意思。
"不直接套用中国方案"这几个字，是农业模型出海最难的一步。农业是高度在地化的产业，气候、土壤、品种、耕作习惯都不一样，一个模型换个国家就失效，是这类出海最常见的失败方式。用当地语言提问、输出当地适配方案，意味着背后必须建立本地数据与本地知识库，而不是把国内模型做一次翻译。
反观装备端，成绩与短板同样清晰。据农民日报9月16日刊文，我国"十四五"以来突破一批关键核心技术，300马力以上无级变速拖拉机、18公斤大喂入量谷物联合收割机、6行打包采棉机等高端装备实现国产化替代；新能源农机迎来爆发式增长，混合动力拖拉机形成200马力至700马力全谱系产品，纯电动农机在丘陵山区、设施农业广泛应用；智能农机与北斗导航、人工智能、大数据深度融合，全国累计安装北斗智能终端农机突破260万台（套），植保无人机保有量超30万架，农用无人机最大载重突破80公斤，可实现全天候精准作业。
|
|
|
|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
把模型端与装备端放在一起看，会发现一个错位：算法侧已经能出海并被第三方基金会横向评比，装备侧却仍在为丘陵山区与经济作物的适用性补课。这个错位并非坏事——它说明农业AI的下一步增量，很可能不来自更大的模型，而来自让算法去适配那些"还在用人手"的环节：蔬菜、林果、茶叶、中药材的移栽与采收，以及占全国耕地约三分之一的丘陵山区。
📌 互动话题：如果你所在的合作社要用上农业大模型，你最希望它先解决哪件事——病虫害识别、水肥决策，还是采收用工？你更愿意相信一个答得快的模型，还是一个每句结论都能给出出处的模型？欢迎在评论区聊聊你的判断。
#数字三农insight #数字农业 #农业大模型 #AI农业 #智能育种 #智慧农场 #农业机器人 #农业新质生产力 #低空经济
本文数据来自科研机构、政府部门及媒体公开披露信息，仅作产业观察与案例梳理，涉及企业内容不构成投资建议。