关键策略1. 承认局限，压力测试 。必须承认AI的局限性以及现有数据的潜在缺口。在数据采集阶段进行压力测试以突出缺口至关重要，同时需要道德保障措施和FAIR（可发现、可访问、可互操作、可重用）数据政策。2. 对齐目标，分类施策。面向农民的AI咨询工具，需要广泛吸纳农民参与设计，才能确保其真正契合实际需求；而应用于基因库的机器学习工具，则可优先追求效率，但前提是其创新成果（如耐热小麦品种）最终能够满足现实生产的需要。3. 投入资源，多元参与 。必须在包容性数据收集上投入努力和资金，并通过利益相关者协商，确保多样化的声音和背景在AI的设计、治理和使用全过程中被看见。如此一来，AI才能在其应有的位置上作为合作伙伴发挥作用——加速分析，同时让研究人员负责设计和策划谨慎、包容、贴近现实的数据收集工作。减少AI优先技术性能而忽视背景的倾向，并通过将目标导向用户需求而非设计者假设，来维护用户能动性。
基础设施与能力建设方面，升级田间设备、用当地语言清晰解释技术、部署具备AI素养的推广人员等举措，将进一步弥合设计与需求之间的鸿沟。AI工具的交付不应被视为研究的终点，而应被视为高效数据生成和验证的持续阶段。随着时间推移，这种方法将使AI从孤立应用迈向集成化、系统级的智能工具，从而连接粮食、土地和水系统的咨询服务，以更好地预测外部冲击、改善决策并加速创新。上述原则已融入国际农业研究磋商组织（CGIAR）的人工智能研究实践中，强调依据现实指标对AI工具进行压力测试，并为公平的研究方法与成果转化提供蓝图。目前，CGIAR已将这些理念落地，打造出多个成效显著的农业AI应用项目。以下两个典型案例，将帮助我们更直观地理解农业AI的正确应用路径。Artemis项目：利用手机App的图像识别技术，加速气候适应性作物的育种进程。农民从一开始就参与问题定义、数据采集，科研人员与推广员则负责技术与数据质量。AgriLLM咨询工具：通过农民与推广员的共创工作坊，生成反映不同角色、性别、方言、农场类型的“农民画像”。AI负责整合多语言知识，科研人员则保障数据的准确性与结构化。 面对日益严峻的全球农业挑战，只有与农民站在一起的科学，才是真正有力量的科学。AI可以加速我们的工作，但绝不能代替我们对科学质量的坚守。让技术回归服务本质，让农民成为主角，而非数据中的一个小点。
本文仅为学术分享，观点仅代表原作者，详细内容请阅读原文。
文献信息
Title:Stewarding AI in agriculture research
中文标题:引导人工智能在农业研究中的应用
作者:Ismahane Elouafi
期刊:SCIENCE
DOI:10.1126/science.aef0964
原文链接:
https://www.science.org/doi/10.1126/science.aef0964
声明：本文仅为学术分享，观点仅代表原作者，详细内容请阅读原文。
10个月宝宝每天需要喝多少奶粉？