感知网络已铺就，谁来赋予智慧？
——农业大模型的技术逻辑与产业边界
文 | 我是沛霖，「人人低空Agent」01号发起人。
2024年，我躬身入局无人机与低空经济。越深入，越确信一个判断：真正的低空经济，不是飞行技能，而是天空的“操作系统”。
它的终点，是让空域像水和电一样，成为可调度、可计算、能自动解决问题的公共资源。但一套操作系统的成功，从来不由代码量决定，而取决于有多少人基于它去开发、去创造、去解决真实问题。
为此，我正全力推进两件事，也诚邀您关注与同行：
1.组建一支“开拓者团队”：融合多机型、全场景的低空+地面作业力量，在实战中打磨这套系统的“硬件接口”与“基础协议”。
2.沉淀一套“开源工具箱”：将卫星遥感、无人机、IoT、AI算法，通过标准化流程，固化为可复制、可组合的行业解决方案模块，降低生态创新的门槛。
我深信，低空的未来，属于一个由多方共建的智能生态，而非单一巨头。这也是「人人低空Agent」中“人人”二字的真义——它关乎技术民主化，更关乎价值共创。
这条路，始于飞行，指向智能，但终究要由一群人走完。
2022年11 月，ChatGPT 横空出世，以对话式 AI 的颠覆性体验，开启了全球大模型时代，也唤醒了世界对AI潜力的认知。此后三年多，大模型技术以超出预期的速度渗透各行各业。金融、医疗、零售、教育——每个行业都在寻找自己的“大模型时刻”。
而在这场技术革命中，农业作为最古老、最基础，也最具潜力的AI应用场景之一，更是迎来了爆发式增长。
病虫害识别、智能灌溉、产量预测、农资精准投放……过去五年，贴着“智慧农业”标签的AI产品层出不穷，资本与创业者共同堆叠出一个反复被引用的叙事：万亿级市场，亟待数字化改造。
但如果我们把视线从各种农业AI发布会现场移开，落到具体的田间场景，会发现另一层叙事。
2025年至今，「人人低空Agent」在线访谈了10家农业科技公司、6个规模化农场的技术负责人。他们不约而同提到一个现象：
采购的AI工具
半年后还在用的
不到三成
这不是某个产品的失败。这是一个产业阶段性的真实写照。
拆解这些“弃用”案例，问题主要集中在三个层面。
第一，功能单点化，止步于“识别”。
以病虫害诊断类产品为例，绝大多数产品的能力边界止步于“告诉用户这是什么病”。置信度可以做到90%以上，演示效果流畅。
但农户的真实决策链条是：
这是什么病 → 为什么现在发病 → 相邻地块是否受影响 → 今天打药还是等明天 → 用哪种药、去哪买、找谁打 → 打完怎么知道有没有效
第1个问题有答案，后面5个没有。
不是开发者不想做。是传统AI的产品范式决定了：每增加一个决策环节，就要重新采集一套数据、重新训练一个模型、重新设计一套交互。边际成本过高，商业上算不过来。
第二，数据基础薄弱，泛化能力不足。
多数农业AI模型的训练路径是：公开数据集+实验室补充拍摄+人工标注。
这套流程在控光、控背景、控场景的条件下，准确率可观。一旦部署到田间——
光照角度变了，叶片有泥点，背景有杂草，病斑还没长成教科书上的标准形态。
准确率从95%降至60%，只需要一个阴天。
农户只看1次，就不再用了。
第三，缺乏服务闭环，产品即“孤岛”。
农业是一个连续作业系统。播种、水肥、植保、采收、销售——每个环节相互嵌套。
而绝大多数农业AI产品是“点状”的：灌溉只管灌溉，识别只管识别，产量预测只管产量预测。
农户没有义务自己把这些“点”连成“线”。
当他们发现，买了5个智能设备，依然需要自己对照5块屏幕做决策时，这套系统的价值就急剧衰减。
这不是智能，这是添乱。
2025年中，「人人低空Agent」在一次技术调研中注意到一个对比案例。
同样的问题，同时提交给两类系统：
“华北地区冬小麦，4月下旬连续阴雨，接下来一周应关注哪些风险？”
传统农业AI系统：无法作答，或返回“请上传图片”。
农业大模型：
“4月下旬华北冬小麦正值抽穗扬花期，连续阴雨会增加赤霉病、条锈病侵染风险。建议：
1. 雨停后24小时内抢晴喷施戊唑醇等高效低毒杀菌剂；
2. 及时清理沟渠，降低田间湿度；
3. 雨后检查植株中下部叶片，发现病斑立即挑治；
4. 若未来三天仍有降雨，可添加有机硅助剂提高耐雨冲刷性。”
这个差异值得追问。
传统农业AI的回答方式是匹配：将输入与训练集中的“标准答案”进行相似度比对。没见过的问题，就没有答案。
农业大模型的回答方式是生成：基于对农业知识分布规律的学习，组合已知概念，推演未知情境下的应对策略。
这不是同一类工具的性能差异，是两套认知范式的迁移。
传统农业AI擅长“识别”——在封闭集合中完成分类任务。
农业大模型开始具备“推演”——在开放语境下完成推理任务。
农业AI第一次有了回答“为什么”和“怎么办”的可能。
根据输入模态与任务类型，当前农业大模型可分为三类。
农业语言大模型
处理对象：文本（农技文献、政策文件、生产日志）
能力边界：知识问答、决策参考、报告生成
典型场景：农技咨询、补贴政策解读、生产计划辅助制定
它不直接介入田间作业，但显著降低农业知识服务的边际成本。
农业视觉大模型
处理对象：图像、视频
能力边界：通用视觉理解（不仅限于已标注类别）
典型场景：病虫害识别、作物长势分析、表型提取
与传统视觉模型的核心差异在于：不需要为每个新类别重新标注、训练。 基于对叶片、果实、纹理等通用概念的先验认知，能够对“未见过”的病害进行归因推理。
农业多模态大模型
处理对象：图像+文本+传感器数据+遥感影像
能力边界：跨模态信息融合与联合决策
典型场景：综合农事决策（如“结合气象、墒情、苗情判断防治窗口”）
这类模型尚未大规模商用，但被认为是农业AI的终局形态。
2023年底至2026年初，国内农业大模型经历了两轮密集发布期。我们按发布时序，将目前已公开且完成至少一轮落地验证的模型整理如下：
神农大模型1.0
发布方：中国农业大学
时间：2023年12月29日
技术路线：语言（融合知识图谱、向量数据库）
定位：国内首个农业行业大模型。具备农业知识问答、文本语义理解、摘要生成、生产决策推理等功能。数据涵盖农学、园艺学、栽培学、生物信息学、动物科学等学科，包含超1000万条知识图谱数据、超5000万条生产数据、2万本农业类图书。
落地：与北京怀柔雁栖镇、内蒙古鑫雨种业、重庆巴南区等开展惠农合作与智慧育种试点。
华知大模型·农业知识大模型（农知大模型）
发布方：中国农业科学院农业信息研究所、同方知网
时间：2024年8月1日
技术路线：多模态（NLP+CV，华知大模型底座）
定位：我国首个农业通用大语言模型。面向农业科技创新、生产服务、知识科普、辅助决策四大场景，具备文档智能问答、连续对话、十亿级高维向量毫秒级检索等能力。
落地：同步发布农业智能知识服务平台，启用国家农业图书馆平谷服务站。
TALIA
发布方：CGIAR农业大数据平台
时间：2021年（原型），2024年作为早期探索案例被国际农业科技情报系统收录
技术路线：语言（IBM Watson底座）
定位：全球首个完全由AI操作的农业虚拟推广助理。基于Telegram测试，虽未大规模商用，但被FAO/AGRIS收录为农业AI助手的早期范本。
注：该模型为国际早期探索，因其技术路线对国内农业大模型有参照意义，列入本盘点供对照。
2025年
万象耕耘大模型
发布方：中国移动
时间：2025年4月18日
技术路线：多模态（九天人工智能基座）
定位：运营商系首个农业大模型。集成农技知识问答（超4000万条专业知识）、农情智能预警、农田智慧灌溉、作物长势监测、农事智能规划五大能力。
落地：以河南兰考高标准农田为起点，计划3年辐射河北、山东、黑龙江等产区，赋能农田超1000万亩。
坤元大模型
发布方：中国科学院地理科学与资源研究所
时间：2025年7月
技术路线：多模态（遥感+文本）
定位：农业地理与区划大模型，服务于种植结构监测、农业灾害评估、产能预测。
孺子牛大模型
发布方：中国农业大学
时间：2025年6月
技术路线：语言+视觉
定位：奶业全链条大模型，覆盖饲草种植、奶牛养殖、疫病防控、乳品加工，国内首个垂直畜牧领域大模型。
苏武智慧养羊大模型
发布方：西北农林科技大学
时间：2025年5月
技术路线：视觉
定位：肉羊养殖专用模型，聚焦羊只计数、体重估测、发情识别，在陕西、甘肃规模化羊场落地。
EarthGPT
发布方：北京理工大学
时间：2025年4月
技术路线：多模态（遥感+文本）
定位：遥感通用模型，农业为垂直应用方向之一，可处理耕地识别、作物分类、灾情评估。
丰登大模型（SeedLLM）
发布方：崖州湾实验室
时间：2025年8月
技术路线：多模态（基因组+文本）
定位：智慧育种专用大模型，处理DNA序列与育种数据，辅助种质资源评价与杂交组合预测。
司农大模型
发布方：南京农业大学
时间：2025年9月
技术路线：语言
定位：面向新型农业经营主体的农技服务平台，聚焦粮食作物生产决策，已接入江苏农业农村厅官方服务渠道。
知鱼大模型
发布方：浙江大学
时间：2025年10月
技术路线：视觉
定位：水产养殖专用模型，聚焦鱼病识别、投喂决策、水质预测，在浙江、江苏等地淡水养殖场部署测试。
奇稷大模型（QeeG）
发布方：北京市农林科学院
时间：2025年11月
技术路线：多模态
定位：设施农业专用模型，主打温室环境控制与番茄、草莓等经济作物的生长模型优化。
司牧大模型
发布方：西北农林科技大学
时间：2025年11月
技术路线：多模态
定位：智慧牧业大模型，融合超1亿条养殖行业数据及专业知识图谱，开放企业API接口。
农耕大模型1.0
发布方：中国农业科学院农业资源与农业区划研究所
时间：2025年12月5日
技术路线：多模态智能体集群
定位：高标准农田建设监测监管、耕地保护和质量提升，已在江苏昆山示范应用。
智慧蛋鸡大模型S1
发布方：北京市农林科学院、北京沃德博创
时间：2025年12月18日
技术路线：多模态
定位：家禽行业专属人工智能管理大模型，涵盖市场行情、智慧兽医、养殖预案等五大应用场景。
神农大模型3.0
发布方：中国农业大学
时间：2025年12月
技术路线：多模态（语言+视觉）
定位：面向农业生产全过程的知识问答与决策支持，在河北、山东等地开展规模化验证。
BreedingGPT
发布方：北京大学
时间：2025年12月
技术路线：语言+基因组
定位：动植物育种通用模型，聚焦育种方案生成与基因型-表型关联推理。
九壤耘星大模型
发布方：西北农林科技大学、华为
时间：2025年12月
技术路线：多模态
定位：国产算力底座上的农业大模型，基于昇腾AI处理器训练，强调“信创+农业”路径探索。
农科小智大模型V2.0
发布方：北京市农林科学院
时间：2025年12月
技术路线：多模态
定位：面向基层农技员的综合服务模型，集成病虫害识别、政策问答、市场行情查询，通过微信小程序开放试用。
棉花生产大模型
发布方：石河子大学、中国科学院空天信息创新研究院、新疆耘筹信息科技
时间：2026年1月31日
技术路线：多模态（生成式AI+遥感感知）
定位：国内首个基于全功能国产GPU构建的棉花生产专用智能决策系统，覆盖棉花“种—管—收”全生育期。已在新疆兵团第七师128团、玛纳斯方群农场、昌吉农高区建成3个核心示范基地，面积3万余亩，遥感监测与服务面积超300万亩。
“棃想”大模型
发布方：安徽农业大学
时间：2026年2月10日
技术路线：多模态（知识图谱+深度学习）
定位：全球首个梨产业大模型，涵盖历史文化、种质资源、智慧育种、基因库谱、高效栽培、病虫防控、贮藏加工八大模块，融合万余篇文献、千万级文字、数万组问答、百TB级基因组数据。
“丰菽”大模型
发布方：安徽农业大学
时间：2026年2月10日
技术路线：多模态（生成式AI育种平台+知识图谱）
定位：全球首个大豆产业大模型，集成豆百科、豆分子、豆文献、豆病害、豆表型、豆育种六大模块，构建含2万实体、10万条关系的大豆知识图谱，关键性状预测准确率超90%。
将当前阶段的技术进展与历史对比，有两个结构性变化值得记录。
变化一：从“单点模型”到“通用底座”。
传统农业AI是“功能即产品”：一个模型对应一个任务，一个任务需要一个开发周期。
农业大模型是“底座即产品”：先构建具备农业常识的基础模型，再通过微调适配具体场景。
前者是贴瓷砖，后者是打地基。
2023年底神农1.0发布时，还需要专门强调“融合知识图谱缓解幻觉问题”；到2025年下半年，新发布模型已默认具备多模态能力和工具调用接口。这是底座成熟度的显性指标。
变化二：从“信息反馈”到“作业闭环”。
传统农业AI的输出终点是“告知”。
农业大模型通过工具调用能力，开始尝试从“告知”延伸至“执行”——生成作业指令、调用智能设备接口、反馈执行状态。
这是农业AI从“参谋”向“副驾驶”的角色迁移。
万象耕耘在兰考对接智能灌溉机井，九壤耘星在陕西调用昇腾算力，棉花大模型在新疆融合遥感感知——这些不是演示片段，是已跑通的技术链路。
当然，目前这一能力仅限于少数高度数字化的示范农场。大面积普及尚不现实。
06
边界：大模型不能解决什么
上述盘点容易导向一个乐观结论：农业大模型正在攻克农业AI的所有难题，国家队已全面入局。
这不是事实。
基于我们对已发布模型的跟踪，农业大模型的技术边界依然清晰：
第一，不能解决数据采集的成本问题。
农业大模型可以降低数据标注的依赖，但不能替代传感器硬件。田间物联网覆盖率低、电力网络不健全、数据回传成本高——这些物理层约束，大模型无能为力。
第二，不能解决农业服务的付费意愿问题。
中国农业经营主体高度分散，户均经营规模不足美国的1/200。软件订阅付费习惯尚未形成，SaaS模式在农业领域长期“叫好不叫座”。已发布的约40个农业大模型中，公开明确商业模式者，至今为个位数。
第三，不能对冲自然风险与市场风险。
技术能让棉花亩产提升。但如果收购价格波动、国际贸易形势变化，增产的经济意义可能归零。
农业是一个被天气和价格双重挤压的行业。大模型不改变这个基本面。
第四，不能消解“烟囱式”重复建设的虚火。
当前农业大模型的繁荣，一定程度上也是学术圈地与重复建设的写照。为了抢占“全球首发”“首个”“第几代”头衔与课题经费，部分模型停留在“造词大于造物”的阶段，同质化严重。加之农业数据天然的“主权壁垒”，各方在各自的孤岛上重复造轮子。
这是产业在缺乏顶层设计与数据共识下的野蛮生长。
我的思考：
2026年，农业AI正处于一个微妙的历史位置。
上一代“单点工具”的产品范式已触及天花板，新一代“认知底座”的技术范式正在加速兑现。从2023年神农1.0的“孤军突进”，到2025年的“十六将齐发”，再到2026年开年棉花、梨、大豆三大作物模型的“精准落子”——头部院校、科研机构、运营商、产业链企业已完成第一轮卡位。
一个积极的变化正在发生：2026年开年，棉花、梨、大豆三个关乎国计民生的重要作物，都有了专属的智能决策系统。 新疆棉田里的“主动感知”、安徽果园里的“智慧育种”，不再是科幻叙事，而是已落地的数万亩示范基地。
但技术突破不等于产业成熟。
从“能回答一个问题”到“能闭环一个任务”，从“示范农场能用”到“普通农户愿买”——中间隔着数据成本、付费习惯、商业模式三重关隘。
感知网络已铺就，谁来赋予智慧？
——那个2023年底只会背诵农学课本的“神农1.0”，如今已进化出会看叶片、会听指令、会调设备的多模态版本。
但学会思考，和成为生产力，还有很长的路。
我是沛霖，「人人低空Agent」01号发起人。
我们在田野与代码的交界处，保持观察。
