上一期，我们拆解了农业AI的“三驾马车”——算法、算力、数据。
这一期，我们从另一个维度切入：农业AI的两类核心能力——看见与想明白。
在业内，有一个形象的比喻：
视觉算法是农业AI的“眼睛”
决策算法是它的“大脑”
眼睛负责看——这是病虫害识别、作物长势监测、果实计数、杂草定位。
大脑负责想——这是灌溉决策、施肥建议、农机调度、产量预测。
2025年之前，我们看到的农业AI产品，90%以上是“眼睛”。能做决策的，屈指可数。
这不是偶然。
01
眼睛：视觉算法的繁荣
2025年，一篇发表在《Computers and Electronics in Agriculture》上的综述统计：农业AI相关论文中，涉及计算机视觉的占比超过70%。
为什么视觉算法率先爆发？
技术成熟度是首要原因。
卷积神经网络（CNN）在2012年ImageNet竞赛上一战成名，此后十年，目标检测（YOLO系列）、图像分割（U-Net）、关键点检测（OpenPose）等视觉算法被研究得透透彻彻。开源框架、预训练模型、标注工具，把开发门槛拉到历史最低。
农业场景天然适合视觉。
叶片上的病斑、果实的大小、杂草与作物的区别——这些问题本质上都是“看图说话”。只要数据够、标注准，视觉模型就能给出答案。
2025年12月发布的“智慧蛋鸡大模型S1”，其中一个核心功能是通过摄像头识别鸡只行为，判断是否生病。2026年1月发布的“棉花生产大模型”，整合了无人机影像和卫星遥感，实现棉田长势的动态监测。
这些都是“眼睛”的典型应用。
但眼睛有局限
它能告诉你“这是什么病”，但说不清“为什么现在发病”。它能识别“这块地长势偏弱”，但讲不明“是该浇水还是该施肥”。
02
大脑：决策算法的困境
如果说视觉算法是“分类任务”，那决策算法就是“序列决策任务”。
它要回答的问题不是“这是什么”，而是“接下来该做什么”。
技术路线上，决策算法比视觉复杂得多：
强化学习：让智能体在环境中试错，学习最优策略——用于温室环境控制、农机路径规划。
时序预测：LSTM、Transformer处理时间序列数据——用于产量预测、病虫害爆发预警。
运筹优化：线性规划、整数规划——用于农资调度、供应链优化。
这些算法在工业界已有成熟应用，但在农业领域，落地案例少得可怜。
为什么？
原因一：决策需要闭环，而农业闭环周期太长。
一个视觉模型识别错误，下一秒可以修正。一个灌溉决策错误，可能一周后作物才表现出缺水症状，那时已经无法挽回。
农业决策的反馈周期，是按天、按周、按季节计算的。 这让模型训练变得极其困难——强化学习需要大量试错，但在农田里，“试错”的成本是实实在在的减产。
原因二：决策需要多源数据，而数据整合太难。
一个灌溉决策，需要土壤墒情、气象预报、作物品种、生育阶段、水源状态……这些数据来自不同传感器、不同系统、不同格式。能把它们打通到一个模型里，已经是一场硬仗。
棉花生产大模型的突破之一，正是“整合41个自然环境下的514组棉花表型数据、3万余亩示范基地全环节生产数据、300万亩遥感服务数据、500万亩农户生产数据”——这个数据整合能力，比算法本身更难复制。
原因三：决策需要可解释，而深度学习是黑箱。
“模型建议今天打药，为什么？”农户需要一个理由。是未来三天有雨？是病害传播速率加快？还是传感器监测到某种指标异常？
如果模型给不出理由，农户不会信任。
这正是学术界正在推动“物理信息可解释AI”（physics-informed explainable AI）的原因——让决策算法不仅输出结论，还输出推理路径。
原因四：决策责任太重，没人敢担。
视觉模型认错一个病，最多是“误报”。决策模型算错一次灌溉，可能造成大面积减产甚至绝收。
一位农场技术负责人曾向笔者坦言：“我们宁愿用人工经验，至少责任明确。机器做的决定，出了问题谁负责？”
这不是技术问题，这是信任问题。
03
视觉与决策：两种算法的对比
这张表格揭示了一个事实：视觉算法是“低垂的果实”，决策算法是“高处的果子”。
过去3年，行业把低垂的果实摘得差不多了。接下来，谁能摘到高处的果子，谁就能定义下一代农业AI。
即使多模态大模型让决策能力上了一个台阶，我们仍需清醒地看到它的边界。
边界一：决策算法解决不了“不确定性”。
农业最大的不确定性来自两个地方：天气和市场。一场倒春寒、一次价格暴跌，再聪明的算法也无法预测。
2025年中央一号文件明确提出“健全粮食市场监测预警体系”，这是政策层面的应对。算法能做的，是在不确定性范围内优化——比如根据气象预报调整灌溉策略，但无法消除不确定性本身。
边界二：决策算法解决不了“激励问题”。
为什么农户愿意买识别工具，却不愿为决策服务付费？
因为识别工具是“参谋”，错了可以不听。决策服务是“副驾驶”，错了可能翻车。
更重要的是，农业的经营主体高度分散。户均规模不足10亩的农户，不会为一个订阅制决策服务付费。他们的决策单元太小，容不下算法的成本。
MDPI 2026年的一篇综述文章指出：精准农业的经济可行性，越来越依赖政策支持、制度框架和知识获取，而不仅仅是技术本身。
边界三：决策算法解决不了“信任问题”。
这可能是最根本的边界。
一位长期跟踪农业AI的学者告诉笔者：农户愿意相信隔壁老王，愿意相信农技站的老站长，愿意相信卖了二十年农资的老张，但不愿意相信一个黑盒子。
信任需要时间，需要案例，需要一次次被验证。
