白军飞，男，中国农业大学经济管理学院教授;
罗丽(通信作者)，女，中国农业大学经济管理学院博士后;
朱秋博，女，首都经济贸易大学经济学院副教授。
《南京农业大学学报（社会科学版）》2026年第二期
本文聚焦人工智能赋能中国农业现代化的理论逻辑与机制，旨在破解中国农业劳动力认知能力不足对生产率提升的制约。首先，通过比较法与语词解析，明确了基于算法与算力的认知能力是人工智能与自动化､数字化､信息化等概念的本质区别，因此，任何有关人工智能的分析都需要紧扣这一本质。其次，中国农业劳动力的老龄化与低教育水平使认知能力成为中国实现农业现代化､建设农业强国的关键制约，人工智能为破解这一制约提供了可能。据此，构建了一个完全竞争市场条件下的农户利润最大化决策模型，分析人工智能在农业应用上的成本约束。结果表明，在中国现行的土地制度与自然条件下，人工智能高昂的初始开发成本将使绝大多数中小农户缺乏自主开发和应用人工智能的动机，而通过“1+N”的共享共担模式可以克服这一难题。人工智能在提供数字化认知能力服务方面的独特优势，是这种模式从经济､技术和伦理层面可行的基础保障。最后，讨论了用“1+N”共享共担模式推动人工智能赋能农业现代化仍面临的关键挑战与破解思路。
农业现代化是国家现代化的基石，其关键引擎在于科技进步与创新。习近平总书记指出，“要把发展农业科技放在更加突出的位置，大力推进农业机械化､智能化，给农业现代化插上科技的翅膀”。这一论断指明了以人工智能(ArtificialIntelligence，AI)为代表的新兴科技在引领现代农业发展的核心地位。政策层面，中国持续强化顶层设计，从2024年农业农村部印发的《关于大力发展智慧农业的指导意见》与《全国智慧农业行动计划(2024—2028年)》，到2025年国务院部署的“人工智能+”行动，一系列战略举措相继出台，共同勾勒出一幅以智能化驱动农业现代化的宏伟蓝图。
政策上的高度重视和以ChatGPT､DeepSeek为代表的通用大语言模型的快速迭代，使得“人工智能+”迅速红遍了学术界和农业实践，大有跨越式进入人工智能时代的感觉。从育种优化到病虫害预警，从精准施肥到智能灌溉，一系列基于人工智能科技的大模型､大平台如雨后春笋般地涌现。很多科研院所和高校也相继发布了各种智能平台或智能工具。与此同时，全国范围内陆续启动并建设了一批农业人工智能应用试点或示范项目，比如智慧农业示范园､“无人农场”等，覆盖水稻､棉花､生猪､奶牛､水产品等多种农产品。
然而，这些“高大上”的智能工具､平台和示范园似乎并没有像期待那样取得巨大成效。无论是学术研究还是具体实践，人们对人工智能的本质及其赋能农业现代化的基本逻辑､路径仍缺乏深刻的认知，将其与信息化､自动化､数字化等混为一谈或许是其中一个重要原因。显然，只有深刻理解人工智能的本质特征，才能真正了解人工智能赋能农业现代化的实践路径､面临的真实挑战和可能的解破之道。
基于此，首先，本文试图厘清人工智能的本质特征，随后基于农业生产与劳动力认知能力对中国农业生产率的影响，讨论人工智能赋能中国农业现代化的紧迫性与机遇，在此基础上，结合经济学理论分析，深入讨论在中小农仍占生产主体的中国农业生产体系中，发展人工智能面临的成本约束以及可能的破解模式。
长期以来，学术界关于人工智能赋能农业的讨论，多放置于智慧农业这一“全包式”概念下。这很容易在科研与实践中模糊人工智能与其他概念之间的边界，使得诸如信息化､数字化､自动化､区块链､物联网等一系列技术新词被装入人工智能的框架中。这不仅难以准确识别人工智能在改造传统农业､赋能现代化进程中的具体机遇与挑战，更无法为智慧农业的健康发展提供精准的策略支持，进而很容易在政策制定与实践应用中出现“脱靶”或错配等问题。深刻理解人工智能的本质，就需要厘清其与“信息化､数字化､自动化､机器人”等几个常易混淆的概念之间的区别。
首先，信息化作为基础层概念，需要优先展开辨析。从词源上看，信息化中的“信”指信息，“息”代表传递与交互，“化”则代表一种普及､变革的过程，合起来就是让信息的获取､传递､利用渗透到各个领域，引发系统性变革的过程。信息化对应的英文是Informatization，其词根“info⁃”表示信息，inform表示通知､传达之意，即将传达信息的动作，后缀“⁃ization”表示“使处于……状态”，合成起来，就是使(社会/组织/系统)处于以信息传达普遍存在的状态。这与中文词源解析的结果一致。
根据比较法，准确认知信息化还需要对比信息化之前的状态。事实上，人类天生具备通过感觉系统感知周围，并借助声音､表情､动作等形式传递信息的能力。例如，当一个部落的成员看到一只野兽靠近时，会通过收集该动物的体型､步态､毛色等信息，判断其可能是什么动物､会不会进攻人类，或者是否有可能成为人类的食物，进而通过声音或动作向部落其他人员发出防御或狩猎的信号。这一过程包含了信息的收集､加工与传播等一系列行为。显然，这与本文解析的信息化中的“信息”并无二义，二者的根本区别在于“化”——信息广泛渗透到各个领域，并引发系统性变革的过程。因此，所谓信息化，就是在信息获取､信息加工能力和传播距离､量级上都超越了人类感官能直接触及或通过简单工具(如扩音器)可以触及的范围。
其次，参照信息化的分析思路来辨析数字化这一概念。从字面上讲，数字化中的“数”即数字(如由0和1组成的二进制代码)，“字”可理解为信息的符号表达，“化”则与前面讨论的信息化中的“化”一样，代表转化､转变的普遍性和引起系统变革的过程。合起来就是将物理世界的文字､图像､声音､实物状态等各类信息全部转变为数字符号的过程。数字化对应的英文是Digitalization，其词根“digital⁃”是“数字”的意思，加上后缀“⁃ization”表示使信息或事物进入以数字形式广泛存在和运作的状态，这与中文语境下的“数字化”概念在核心要义上也是一致的。
数字化的本质同样需要在与非数字化状态的对比中凸显。在非数字化时代，人类的感官系统与大脑已经能对外界的各种事物进行识别､加工和传播，还可以通过文字､图像､器具等进行复现，但复现的信息只有通过人类的感觉器官才能被接收，但在这个过程中信息很容易因误解(比如将“土”看成“士”)而扭曲，同时这些信息很难存储，更难被人类发明的计算器､微处理器和存储工具等脑外设备提取､储存与加工，这就限制了信息被传播和利用的能力。数字化则可以将文字､图像､声音，甚至实物转化成数字编码，从而可以让信息以数字的形式储存在各种脑外存储器上，并能被计算器与微处理器进行调运､计算､加工和解析，还能通过有线或无线网络进行传播。因此，数字化的本质是将各种实物或现象进行数字化处理，就像给所有事物“编上数字身份证”。
显然，数字化可以促进信息化，但数字化与信息化并非包含与被包含的关系。当信息化以数字形式存在时，信息化就进入了高级阶段，使得突破人类感官处理能力范围的信息不仅可以传播更远､更广，还能随时被脑外设备存储､提取､加工､输出与传播。而如果只是将文字､图像､声音､实物转化成数字编码存储起来，不进行传播，那么这样的数字化就不是信息化。
再次，再来分析自动化。从字面来看，“自动”指某些装置或设备无需人工干预就能自主完成特定操作。显然，这里的“自动”是指某些装置或系统能够依据人类预设逻辑自主完成既定任务或流程，过程中无需人工直接干预，也不依靠风力或水流等纯自然外部动力持续驱动(所以，水或风驱动的轮式提水或磨面装置并未被称为“自动水车”或“自动风车”)。自动化的英文是automation，其词根“auto⁃”源自希腊语“autos”，意为“self(自我､自主)”，后缀“⁃mation”表示“动作､过程或结果”，二者结合表示“自我操作的过程”，这与中文“自动化”在“自主完成操作”的核心语义上是一致的。
显然，这些自动装置或系统能自主完成任务的关键在于人类已经为其预先编制了程序。以喷洒农药的工业机器人——无人机为例，无人机之所以能在无人干预的情况下完成一系列升降､打药､转弯等任务，是因为人类工程师已经为其预设了地图､地块信息，并且为其预先编好了多种可执行的程序。比如，一旦到达地块的边缘，就开始折返，并向左或向右平移一定距离，从而让返程移动轨迹与来程之间既没有间歇也没有重叠。运行过程中，无人机还可以根据预设的模块或指令均匀地将携带的农药喷洒出去。不管这个过程是无人机自主完成还是被机手遥控完成，无人机并不能像人一样自主思考，不会自主决定什么时候喷药､喷什么药､什么地方多喷些､什么地方少喷些等问题。因此，自动化的本质是人类为某些装置或系统预先设定可运行的程序，除非人类干预，这些装置或系统只会遵循“如果……那么……否则……”的条件语句执行，运行结果可以预知，但这些装置或系统并不会自主改变执行程序。据此而言，被看作是智能技术代表性应用的工业机器人——无人机，本质上只是自动化。
最后，讨论人工智能。从字面上看，“人工”指人类创造的､非自然的，“智能”则指感知､推理､学习､判断等类似人脑的思维能力，合起来就是“由人类设计制造，能模拟人类智能活动的技术与系统”。人工智能的英文是ArtificialIntelligence(简称AI)，从英文词根上来看，“Artificial”意为人工的，其词根“art⁃”意为“技艺､人工制造”，强调非自然生成;“Intelligence”意为智能，指理解､认知､推理的能力。两者合在一起就表示“由人工方法构建或创造的，具备类似人类大脑认知与决策能力的系统”。因此，人工智能的核心是让(人造的)装置具备模拟人类智能行为的能力，实现自主感知､思考与决策。
比较人工智能与自动化不难看出，人工智能与自动化的本质区别在于，前者具有类似人脑的思考能力，因此可以自主地根据任务､环境､过程等，选择完成任务的路径与方法，并给出完成任务的反馈。上文提到的无人机喷洒农药的案例中，如果无人机可以根据作物的病虫害严重程度自主调整运行的速度或喷洒的农药量，或者能够依据风力大小､方向自主调整运行的起点､路径､飞行高度等，以保证指定地块上所有发生病虫害的农作物都被均匀地､没有遗漏或重复地喷洒农药，那么，这样的无人机就具备了自主思考与决策的能力。显然，完成这些自主思考与决策，无人机就需要对各种环境变化随时进行信息采集､分析，并根据目标随时调整指令与行动。
因此，人工智能的本质在于，某些设备或系统能否像人的感官系统和大脑系统那样自主完成认知､理解､分析､储存､学习､输出等活动。换言之，人工智能是给机器“装上类似人类的感知系统和大脑”，使之可以通过识别系统内外部不断产生和更新的数据，优化其完成任务的算法，自动做出反应和行为决策，而不是像自动化那样，简单遵循人类提供的指令。正是由于其具备自主性，人工智能对信息处理的结果对于人类而言就具有了不确定性，这也正是人类为什么从人工智能诞生之初就本能地担心其可能危害人类的原因之一。
由上述讨论可知，尽管以工业机器人为代表的自动化常常被看作是人工智能的早期阶段，但人工智能与自动化或工业机器人存在本质区别。在非正式讨论中，忽视概念之间的本质区别并无大碍，但在严肃的学术研究或政策制定中，若不假思索地将各种概念混为一谈，则极易误导政策制定与路径选择，从而造成资源错配或战略方向上的偏差，甚至产生严重的后果。
本节将农业劳动力素质划分为体能与认知两种能力，并阐述两者影响农业产出的不同机制。在此基础上，通过对比中国与世界农业强国的农业劳动力年龄结构与受教育水平，论证中国农业劳动力的低认知能力已经成为制约新技术采纳和全要素生产率提升的关键因素。这一现状凸显了人工智能赋能中国农业现代化的巨大潜力和紧迫性。
(一)劳动力素质对农业产出的影响再认识
所谓农业生产，主要指人类利用生物(作物､畜禽､水产､各种类型的植被等)和自然资源(如土地､光､热､水等)，通过一系列干预活动(如耕地､播种､养殖､病虫害防治､采收等)获取人类所需食物､纤维､工业原料等的过程，其本质是把人类掌握的资源(如劳动､知识､资本与技术)与自然资源相结合，利用生物自然生产力实现生物转化的过程。
经济学家常常把这一生产过程抽象成一个生产函数，即其中，Q代表农业产出，L､K和H分别代表土地､资本与劳动力三种基础投入要素，f代表从要素投入转化成产出过程中采用的技术，A表示除要素投入､给定技术之外其他影响产出因素的总和，也就是全要素生产率(TFP)，其本质就是产出变化中不能被要素投入增长所解释的部分。
为了满足人类对农产品不断增长的需求，持续提高农业总产出始终是农业系统的核心任务。从模型(1)不难看出，实现这一目标有三条基本路径:一是投入更多的土地､资本和劳动要素;二是采用更先进的技术;三是提高全要素生产率。后两种路径均与农业劳动力的素质密切相关。具体而言，一个墨守成规的农业劳动者往往会排斥新技术的采纳，更不会主动寻找新技术，一个对新事物､新工具､新现象､新环境缺乏及时与足够认知的劳动者也很难将技术与工具的潜力发挥到极致，很难优化生产规模并实现要素的最佳配置，这就很容易造成技术效率､规模效率与配置效率的损失，从而抑制农业产出。由此可见，劳动力素质的不同方面对农业生产的影响机制存在显著差异。
那该怎么理解劳动力素质的不同方面呢?简单来说，劳动力素质是一个劳动力体能与认知能力的结合。其中，体能是指劳动力完成具体任务所需的体力､耐力､协调性等生理性能力，是从事播种､收割､农资搬运､操纵农机等基础性农业生产活动的先决条件。显然，与土地和资本类似，劳动力的体能是作为一种物理要素投入生产过程。认知能力则涵盖观察､判断､决策与学习等高级心智活动。例如，面对病虫害，具备良好认知能力的农民能够准确识别并制定防治方案，同时还能从实践结果中总结经验，不断优化未来决策。显然，与作为物理投入的体能不同，认知能力主要通过促进技术采纳与优化要素配置(即提升全要素生产率)来影响农业产出。
农业的复杂性使得劳动力的认知能力对生产效率的制约更加突出。这主要源于农业生产对自然条件的深度依赖及其所处系统环境的高度不确定性。相比之下，工业生产中的劳动对象和生产工具基本上都是无生命体，其转化过程清晰､稳定且高度可控，很容易通过标准化厂房､设备和流程化作业，将生产环境控制在稳定的范围内，这就使得参与工业生产的劳动力认知能力对于生产过程与结果的影响十分有限。
相较于工业生产，农业生产系统呈现更高的复杂性。首先，农业生产中的劳动对象甚至劳动工具往往是具有生命活性的动植物或微生物，生产过程中同时受到气候(如温度､降水､光照等)､土壤(肥力､结构､微生物)､生态(病虫害､授粉昆虫等)等多重不可控自然因素的动态影响。其次，农业生产从育种､播种到收获､存储的全链条中，每个环节的操作都必须针对不同作物､畜禽的生长特性以及不断变化的气候因素进行动态调整。再次，这种复杂性还体现在农业系统的“生态关联性”上。工业生产中各环节多为线性协作，某一工序的问题通常可独立修正，而农业是自然生态与经济生产的耦合系统，在此系统中，任何一个环节的改变都可能引发连锁反应。最后，农业生产必须遵循固定的生物周期，而不像工业可以根据市场订单灵活调整生产计划。一旦遭遇市场价格波动或需求变化，农业生产者很难快速调整产出，这进一步加剧了其经营管理的复杂性。
这些特性都使得农业生产成了比大部分工业生产更复杂也更具挑战性的系统工程。这种内在的复杂性导致农业生产难以像工业生产那样采用高度统一的标准化作业，而是更加依赖从业人员的认知能力､判断与决策能力､应变能力。从这个角度而言，成为一名合格的农业劳动者，其所需的能力复杂度通常高于标准化工业流水线上的岗位需求，而想要成为一名卓越的农业从业者，就需要具备更强大､更高效地应对复杂生产环境的能力。
(二)农业生产效率损失中的劳动力认知制约
从提高农业产出和效率视角来看，中国农业从业人员低认知能力远比老龄化带来的体能挑战更令人担忧。调查显示，2023年中国全职务农的劳动力平均年龄为53.4岁。相较于周期的农民工､产业工人和全国人口的平均年龄，分别高出了约10岁､15岁和14岁。这种现象在一些经济发达地区和农业主产区更为严重，比如，上海的主要务农人员平均年龄已接近60岁，经济作物生产和蔬菜生产领域甚至超过60岁，湖北､河南等地调研显示，纯务农者中年龄在60岁以上的高达45%，50岁以上占比更是超过80%。
尽管如此，中国庞大的农业劳动力基数意味着，体能并非农业生产面临的核心约束。根据国家统计局的信息，到2025年，中国仍有3.42亿农业从业人员。按照2024年底19.4亿亩的耕地面积计算，中国农业生产的人地比为1∶5.67，也就是说，在中国平均一个劳动力仅对应不足6亩耕地。近年来，尽管中国规模农户在不断增长，但到2020年，全国仍有87%的农户所耕种的土地不足10亩，经营耕地面积在50亩以上的规模化农场仅占全部农户的1.96%。
这与发达国家一个农业劳动力动辄经营数百亩乃至成千上万亩耕地的情况形成鲜明对比。然而，发达国家的农业从业人员同样面临老龄化的严峻挑战。据英国政府2025年的官方统计，65岁以上农民占比40%，55至64岁的农民比例为30%，45至54岁的农民占16%，只有15%在45岁以下。美国在进入21世纪后，农业从业者也出现了持续“老龄化”的趋势，约30%超过65岁，55岁以上的从业人员是该群体的主体。在东亚，2018年韩国60岁以上的农林牧渔就业者人口占比为64.6%，而2020年日本主要从事农业的人口平均年龄更是达到了68岁，主要农业就业人口中超过80%是60岁以上老人。这些国家的实践表明，老龄化及其对应的劳动力体能变化并非农业生产的核心制约。同时，农业机械化的快速发展，也使中国农业对农业从业人员体能的实际依赖度大幅降低。因此，无论是从国际经验还是国内发展趋势来看，中国农业劳动力在体能层面非但不短缺，还可能存在明显冗余。
然而，从受教育水平来看，中国的农业从业人员不仅远低于发达国家，在国内各行业中也处于末位。《中国人口与就业统计年鉴(2024)》显示，2023年中国农业从业人员中拥有高中及以上学历者不足10%，而仅仅接受过小学教育的人占比近50%。这一水平甚至远低于建筑业､酒店与餐饮业等平均受教育程度也不高的行业。国际对比更为悬殊:美国拥有高中及以上学历的农林业从业人员占比将近70%，是中国农业从业人员的7倍左右。英国则建立了成熟的职业资格体系，2021年超过80%的农业从业人员取得了Level1-4不同等级的资格证书。日本早在1975年农业劳动力平均受教育年限已达11.7年，大体相当于我国高中毕业水平。
日益严重的老龄化与极低的受教育水平，使得中国农业从业人员的认知能力比其体能更严重地制约着农业生产率的提高。相关研究表明，这种老龄化与低教育水平叠加的现状，显著限制了从业人员对先进农业技术的理解､接受与应用能力，从而影响了技术采纳率并制约了生产效率的提高。例如，魏佳朔与宋洪远指出，农业劳动力老龄化对粮食全要素生产率增长存在负面影响，范晶晶和朱玉春发现，老龄化会抑制农户对数字农业技术的采纳，进而阻碍农业经济增长。并且，老龄化对农业生产率的负向影响会因为受教育程度低而进一步加剧。
这种“体力与数量尚可但认知不足”的农业劳动力结构，直接导致中国的农业生产陷入低效困境:一是全要素生产率低下。由于认知能力不足，农业从业人员很难实现土地､化肥､农药等资源的高效配置。2024年全国水稻､小麦､玉米三大粮食作物化肥利用率为42.6%，远低于发达国家50%~60%的水平。同时，较低的认知能力也使得农业从业人员，尤其是大量小农户，无法有效分析市场数据，缺乏足够的风险管控意识，从而使得规模与要素配置效率长期处于低位。二是新技术采纳与技术贡献率低。农业科技进步贡献率虽已超过63%，但农业科技成果转化率仅为30%~40%，大量先进技术因“不会用､用不好”被闲置。由此可见，除土地规模约束外，破解中国农业效率困境的关键在于如何提高农业从业人员的认知水平。
20世纪80年代中期，为减轻财政负担，中国政府将农业推广系统商业化。这使得失去政府财政支持的农业推广系统退出收益回报较低的公益性农业指导服务，逐渐转向商业活动，例如出售农药和其他农业投入品以增加收入。这些农资零售商在农业生产中既“卖农资”又“开处方”，逐步成了农户获取农业生产､技术知识信息的主要来源。然而，这种基于买卖关系的技术服务模式使农户很难得到农资之外的技术指导，同时在农资买卖中，零售商也会出于自身经济利益而引导农户购买更多农资。
农业现代化的核心在于提质增效，传统提升农业从业人员认知能力手段的低效或无效意味着，实现农业现代化､建设农业强国，必须积极探索新的提升农户认知能力的方法。人工智能基于算法与算力的超强认知能力，正好契合了这种需求。因此，人工智能有机会成为提升农户认知能力的有力辅助，成为提升农业生产效率､赋能中国农业现代化的不二选择。
(一)理论模型构建
根据上述讨论，劳动力素质可以划分为体能与认知两种能力，其中，体能与土地､资本一样可以作为物理投入要素影响产出，而认知能力则会通过影响新技术的采纳决策影响到技术进步(f)，也会通过技术应用､要素配置和规模选择影响全要素生产率。基于此，我们可以将模型(1)改写如下:
其中，H1代表劳动者的体能(包括体力､灵活性､耐力等)，H2代表劳动力的认知能力(包括信息收集能力､加工分析能力､判断与决策能力､输出能力､交流能力等)。这相当于把一个劳动力从理论上分成了两个:一个只有体能，另一个只有认知能力。显然，H1在生产中是任务的具体执行者，而H2则扮演生产中的决策者，其职责是根据各种生产对象和环境条件，负责决策､生产组织､任务分工与协调等工作，并将各项任务交由H1执行，最终完成生产活动。
根据前文讨论，人工智能的本质特征与优势在于其认知能力。因此，在农业生产中，一个农业经营者需要考虑的是雇佣H2还是直接应用AI，或者将两者恰当地组合起来。为方便讨论，我们假定市场上只有体能的劳动者是同质的，其价格(w1)是一样的，这样，生产经营者支付给不同劳动力的工资(w2)差异事实上反映的是劳动力认知能力(H2)的差异。据此，在不失一般性并不改变推理逻辑与主要结论的前提下，我们把AI引入模型(2)得到:
在模型(3)中，AI与H2均通过两个途径影响产出:一是通过影响对新技术f的采用来影响技术进步，二是通过影响全要素生产率来影响产出。AI与H2之间存在替代关系。
进一步将采用AI的成本函数记作:C(AI)=C0+C1(Q)。其中C0是固定成本或初始开发成本，这部分成本与是否开展生产活动无关，C1(Q)则代表生产中的可变成本，是产量Q的函数。
接下来简要讨论开发和使用AI的两部分成本构成:一是开发和应用一个具有自主学习能力的算法模块及其基础训练需要的初始成本(C0)。不管是通用型算法还是专用型算法，都需要投入该成本，不同的只是通用型的这部分成本通常比专用型的更高。此外，AI的算法也离不开必要的硬件，比如具有超强算力的计算机。同时，训练该算法达到一定的智力水平(比如达到可以参与生产的最低水平)，开发人员还需要给算法“投喂”大量学习与训练资料，这些费用构成C0的一部分。
二是算法在农业生产应用中新增的使用成本[C1(Q)]。从前面的讨论不难得出，生产者在采用了AI之后，还要让其不断再学习才能变得更“聪明”，才有可能更大幅度地提高新技术采纳水平和全要素生产率。此外，AI在应用中的每次运算与认知输出，都需要消耗大量的能源，这些都作为应用过程中发生的与产量直接相关的成本，可以记作C1=wAIQ，其中wAI表示单位产出成本。
这样，一个追求利润最大化的农业经营者的生产决策问题就可以写成:
其中，X代表H2和AI之外其他要素投入，即X=(L，K，H1)，W=(WL，WK，WH1)为要素对应的价格。在该模型中，生产者的核心决策问题包括:是否采用AI?如果采用，如何在AI与H2之间进行配置。
(二)“人工智能+农业”的成本约束与决策问题
1.人工智能的采用决策
基于生产者决策模型(4)，我们可以进一步讨论成本对人工智能采纳与应用的影响。为简便起见，假定农业生产要素与产品市场都是完全竞争市场，也就是各种要素与产品的价格对于该生产者而言都是外生的。按照经济学的一般原理，生产者将面临与产品市场单价相同的平均收益和边际收益曲线，即MR=AR=P。
基于上文，AI可以通过改进生产过程中劳动力的认知能力，提升技术采纳与全要素生产率，也就是说，生产者具有采用AI的经济动机。因此，生产者是否采用AI的一个必要条件就在于是否能给其带来利润增长，也就是说，是否存在Δπ≥0或采用AI的平均收益(AR)是否最少能抵消其平均成本(AC)。显然，只有当采用AI对生产者而言在经济上可行(即至少不亏损)，AI才有可能被采用。
从模型(4)不难看出，AI的初始开发成本(C0)对于理性的生产者是否采用AI至关重要。那么，AI的初始开发成本C0到底会有多高呢?答案因项目的复杂度､技术选型､数据需求量等不同而差异巨大，但即便是一个小型的专业AI，其初始开发成本也极高。一个“训练有素”的AI的开发与训练成本很高。而一个“训练不足”的AI给出的决策方案，可能需要使用AI的人员花费更多时间与精力判断其可靠性，这与使用AI降低决策者认知成本的目标背道而驰。
接下来，分别讨论小农户和规模户的AI采纳决策。所谓小农户，是指那些受中国现行土地制度等约束，不能在短期内通过扩大生产规模摊低AI开发与应用初始成本的农户;而规模户则指那些已经具备足够经营规模或可以自由扩大规模的农户。因此，对小农户和规模化的AI采纳决策的分析也可以简单地理解为经济学上的短期和长期成本收益分析。
很显然，极高的AI初始开发成本C0从一开始就将小农户完全排除在外，这可以从图1中直观地看出来。根据经济学一般原理，在面对C0时，理性的农户会根据MC=MR(=AR=P)的条件决定其最优生产规模或产量。在图中，当产品价格为P′时，农户的最优生产规模是Q′。此时，如果采用AI的平均成本为AC′或更低，那么，该农户采用AI的平均收益就能够抵消平均成本，实现盈亏平衡或盈利。但是，由于巨大的AI初始开发成本，该农户面临的实际平均成本曲线远高于AC′，比如达到AC，那么在Q′的最优规模上生产意味着，在其他条件不变的情况下，该农户采用AI的平均成本将达到P‴水平，而对应的平均收益只有P′<P‴，亏损将不可避免。而在AC情景下，农户想要实现盈亏平衡，农产品的价格就需要从P′提高到P″的水平，相对于动辄数十万元甚至上百万元的AI初始开发成本而言，这相当于农产品价格要提高上百倍，或者在价格不变的情况下，采用AI能数百倍提高产量Q，这显然都是不可能的。因此，我们并不需要做更多讨论，仅从AI高昂的初始成本C0就可以得出结论:无法扩大生产规模的小农户不可能独立开发并在农业生产中使用AI。
显然，降低AI采用的平均成本必须大幅度扩大生产规模，只有这样才能把开发AI的初始开发成本C0平摊到很低水平。这就变成了接下来要讨论的规模户决策问题，也是经济学上的长期生产决策问题。
在图2中，继续假定农产品的平均收益AR=P′。此时，如果规模户面临的长期平均成本曲线是LAC，那么在最优生产规模Q′时(也就是MR=LMC所对应的生产规模)，其采用AI的平均收益(AR)正好抵消了对应的平均成本(AC)，实现盈亏平衡。如果其面临的长期平均成本是LAC″，就会出现前面讨论的小农户面临的情景，即AR低于LAC″的最低点，此时，即便在最优生产规模LAC″上生产，该规模户采用AI也会亏损，所以规模户不会采纳AI。如果面临的长期平均成本曲线是LAC‴，那么该规模户采用AI还可以实现每单位产出P′-P‴>0的盈利。因此，对于规模户而言，决定其是否采用AI的关键在于其生产从规模经济向规模不经济转折点(LAC最低点)对应的平均成本，只要此转折点对应的平均成本不高于采纳AI的平均收益，该规模户就可能采纳AI;反之，则不会采纳。
上述分析为近年来多数智能农业项目未能实现预期效用提供了解释。若未能准确地抓住人工智能的算法与自学习能力的本质特征，就很容易将人工智能简单等同于各种高端智能机械和设备，这类设备不仅初始成本极高，而且其运行的边际成本也极高。因此，试图通过“设备化”实现农业的智能化改造对于所有的中小农户，甚至包括很多规模户，在现阶段和未来很长一段时间内都将面临严峻的经济不可行性问题。而从前面的分析不难看出，这一挑战并非源自人工智能技术本身，而是源自人们将人工智能与需要大量硬件投入的自动化或数字化的混淆。
2.人工智能对劳动力认知能力的替代
假定农户采用AI的长期平均成本最低点能够降低到对应的平均收益水平，也就是农户已经决定采纳AI。在此基础上，我们进一步讨论该农户将如何在雇佣农业劳动力的认知能力(H2)与使用AI之间进行组合。为回答这一问题，可以对模型(4)进行全微分，同时，假定物质投入要素X=(L，K，H1)不变，即dX=0。当dπ=0时，就可以得到:
其中，
表示利润不变的条件下，人工智能对劳动力认知能力的边际技术替代率，也就是每增加一单位AI，将会导致多少单位H2的减少;
为传统劳动力认知能力H2的边际产出，由其技术进步(f)带来的产出增长与通过提高全要素生产率(A)两部分组成;
为采用AI的边际产出，也是由促进技术进步与提高全要素生产率两部分组成。
从模型(5)我们清晰地得到如下结论:在其他条件不变的情况下，如果AI的边际产出MPAI越高，增加AI对H2的边际替代率就会越高，这意味着，人类的认知能力越容易被AI替代，也就是生产中会使用更多的AI和更少的人类认知能力H2;而如果人类认知能力的边际产出MPH2越高，H2就越不容易被AI替代。同时，模型(5)也表明，随着代表劳动力认知能力的价格w2上升，AI对H2的边际替代率就会越低，生产函数的凸性意味着，生产者将越可能使用AI替代劳动力的认知能力;产出品的价格P和使用AI的边际成本(wAI)对两种认知能力在生产中的组合影响，从模型(5)并不能直观地看出来，因为这取决于两种要素各自的边际产出，但如果将模型(5)对P-wAI求导，就可以得到：
这表明生产的边际收益(MR=P)越高，对应的使用AI的边际成本(wAI)越低，生产中就越会使用AI替代劳动力认知能力。
(三)人工智能赋能小农户的“1+N”模式
从上一节的分析可知，限于各种制约，独立开发和应用人工智能对于中国人均经营规模不足2亩的小农户来说是不可能的。这意味着，想要让人工智能走进成千上万小农户生产中，就必须在模式与机制设计上做文章。
接下来，本研究将探讨一种具有现实可行性的“1+N”共享共担模式。简单而言，该模式是将AI的开发､运算与维护等集中起来，置于“云端”，并借助现有数据网络体系，向千万小农户提供认知决策服务。这相当于构建了一个共享基础设施平台，将高昂的AI初始开发与训练成本平摊到所有用户身上，从而既利用了算法与算力的规模效应降低了长期平均成本，也显著降低了单个农户采用AI的成本门槛。
这种共享共担模式从技术､伦理与经济层面，为小农户参与AI应用创造了可行路径。
1.从技术层面看，人工智能技术的特征使得这种共享开发成本的方式具有可行性。其一，将AI的运算､存储等置于共享的云端，可以充分实现规模效应，将AI的边际成本大幅度降低。AI所使用的数据资料具有不同于一般要素的明显特征，数据资料一经收集就可以反复使用，每次使用所付出的成本主要是加工数据的能耗，而无需再次收集数据。这一关键特征使得单次数据使用的成本理论上可以降到极低的水平。同时，智能运算依赖大量的算力芯片与数据储存设备，将AI置于共享云端，可以高效整合并充分利用这些硬件投入，从而降低其使用的边际成本。这意味着，共享云端算力的模式可以大幅度降低上述理论模型中的wAI，进而激励小农户在农业生产中积极应用AI技术。其二，人工智能的本质特征是其算法及其自学习能力，其产出是数字化的认知服务。这一非物质形态的特性，使得AI的运算结果几乎可以零成本进行复制和多终端传输。中国已建成覆盖广泛､容量充足的数据通信网络，为AI的广泛接入奠定了坚实基础。这意味着，只要终端应用的农户从“云端”获取AI认知的基础设备成本极低，那么，这种认知获取的附加成本就可以忽略不计。中国农业从业人员超过70%的智能手机使用率为此提供了重要保障，仅需在手机终端上安装一个App，农户就可以远程接收AI运算后的认知信息，使AI成为其掌上的“超级认知助理”。
在使用AI服务的过程中，用户可以将其使用场景的信息数字化并上传回“云端”。这些数据对单个用户而言没有经济价值，但经过大规模汇集后，便成为训练与优化AI的宝贵资料。这样一来，上传的数据资料可以帮助AI服务提供商降低训练AI所需采集资料的成本，不断提升AI的智能水平，从而增强其商业可行性。同时，农户可凭借其贡献的场景数据，部分或全部抵消算力使用成本(wAI)，进而降低其使用AI的门槛，并把对自己没有经济价值的场景数据转换成经济收益。最终，AI用户与开发服务商之间将形成一种良性互动和“双赢”关系:农户可以用更低的成本获取更智能的认知服务，AI提供商则能以更低成本获得高质量的现实场景数据，用于迭代更先进的AI模型，从而实现互利共赢。
2.从伦理层面看，“1+N”共享共担模式具有合理性。本质上，这种模式并不会用AI替代农户(包括体能与认知能力)，而是让AI成为农户的“超级认知助理”，旨在提供认知辅助与决策参考，最终决策权仍掌握在农户手中。同时，这种模式还注重对现有农业劳动力与机械设备资源的整合，而非采取激进策略用更“高大上”的农业机器人或智能机械替代现有的农业劳动者或农业机械。
3.从经济层面看，这种“1+N”的共享共担模式同样具备可行性。假定有N个农户参与该模式，那么，每个农户承担的成本为C0/N，当N→∞的时候，每个农户需承担的这部分成本几乎可以忽略不计。在此情况下，农户仅需承担使用过程中产生的边际成本即可，也更有可能在应用AI的过程中实现非负利润(π≥0)。
一个关键的经济性质疑在于，用户终端上安装的AI认知接收器和信息上传装置的硬件成本，是否会让“1+N”模式不可行?诚然，更精细的､交互式的智能服务可能需要在用户终端部署必要的物联传感器(IoT)，但在多功能物联传感器的安装与维护成本降到极低之前，中国农业的智能化路径必须立足现实，使用农户既有的手机作为最重要的交互工具就是首选。因此，在用户终端上开发能够对农户友好的App，帮助其完成“认知辅助”的接收与数字信息反馈才是现阶段最需要研究和探索的路径。任何依赖高昂硬件投入或需要用户付出大量学习成本的复杂软件，都会因与人工智能的智能与便捷相悖而难以被中小农户采纳，最终将脱离中国农业的发展实际。
可见，正是由于人工智能提供的“认知能力”这一数字产品，而不是依赖大量机械装置或设备的自动化与机械化，才使得这种“1+N”共享共担模式在经济､技术和伦理上让小农户有了应用人工智能的可能性，也使得人工智能赋能农业现代化具有了实践的可操作性。
尽管“1+N”共享共担模式能够在经济､技术和伦理层面上促进千万中小农户应用AI(规模户更有可能)，但这种模式在现实中也面临挑战，以下三个方面尤为突出:
1.适农智能算法开发与运行人才短缺。人工智能的算法可分为通用型和专用型，具体到农业上，开发人员一定是通专兼具型的人才。这是因为相较于其他产业(如工业和服务业)，农业有很多独特的产业特征，这就要求开发适农算法的人才既是智能算法领域的专家，又要对农业系统有深刻的认知。遗憾的是，当前中国教育体系的学科设置与人才培养体系使得绝大多数接受高等教育的人才“专而不兼”，这就导致懂人工智能和智能算法的人很少懂农业，而懂农业的人又很少掌握人工智能技术。
解决这一难题需要从长短期着手。短期内，需要由具有战略性和全局性的科学家牵头，组建一个汇聚跨领域专家､政府部门､产业界与农民代表的协作网络。可选取局部地区和农业系统中的局部环节为阵地或试验场，有限开展科研攻关，重点是搭建“1+N”模式的框架，核心任务包括探索运行机制､识别关键卡点､建立数据共享与安全规范､核算成本收益等，从而逐步优化模式框架与运行机制。简言之，要搭建起“1+N”共享共担模式的1.0版本。长期来看，则需要深化体制机制改革，着力于培养跨学科复合型人才，并充分激发市场在资源配置中的创新活力。
2.保障“1+N”模式构建与高效运行机制尚待建立。在前述1.0版本阶段，AI的智能水平有限､开发运行成本高昂且市场风险较大，私人资本往往缺乏主导和参与的积极性。因此，这一阶段，由政府部门主导的公有资本设立专项基金主导科研攻关是更可行的选择。但从长远来看，必须引入竞争性的私人资本，方能充分利用市场力量驱动该模式持续迭代､降本增效。一个可行的策略是，将由公有资本开发的1.0版本通过拍卖等形式转让给多家私人机构，由其接手并自主探索模式的更新迭代。这种“公-私”接续的方式既可以部分或全部收回政府前期的投入，也可以降低私人资本主导初期研发的风险，同时，还可以通过激发市场竞争实现多方共赢的目标。
3.算法需要的数据保障是一大难题。智能算法的开发与训练离不开数据，只有丰富且高质量的数据才能保障AI不断提高其自学习能力与认知能力。就中国而言，可用来训练农业AI的数据其实极为庞大，从海量的自然资源､人口普查数据，到各种卫星遥感或监测数据，再到遍布全国的固定和流动监测站，到人口与各种物资空间流动监测等。但最大的障碍在于数据持有部门出于各种原因实施数据保护，导致这些珍贵的数据被束之高阁，形成大量的“数据孤岛”。此外，不同部门和数据库之间的数据统计维度､指标标准不一，也给整合､利用跨部门数据训练AI造成了巨大障碍。值得期待的是，国家数据局的组建有望打破上述两种困境，为AI的发展带来新的契机。
通过与自动化､信息化､数字化等概念的比较，本文首先识别了人工智能的本质特征是其算法及其自学习能力提供的认知能力，而非“高大上”的现代化装置或设备。进而，本文创新性地将农业生产中的劳动力素质分解为体能与认知两种能力，分别引入生产模型，从而让同样是提供认知能力的AI作为与劳动力认知能力相互替代的要素进入农户决策模型。在此基础上，本文讨论了在完全竞争的要素与产品市场条件下，农户独立采纳和应用AI的决策问题，解析了人工智能开发初始成本与应用成本对农户应用AI决策的影响，以及要素组合决策的影响因素。
本文得出三个主要结论:(1)农业劳动力认知能力不足已经成为制约中国农业新技术采纳与全要素生产率的关键瓶颈。因此，相较于发达国家，中国农业在迈向农业现代化与建设农业强国的进程中，对以认知能力突出为特征的人工智能技术有着更为迫切的需求，必须坚定地走“人工智能+农业”的发展道路。(2)高昂的人工智能算法开发与训练成本与农业产出的低边际收益形成尖锐矛盾，致使绝大多数农业经营主体，尤其是占主体的中小农户，难以通过独立开发和应用AI实现盈亏平衡。因此，必须深刻认识到，如果将人工智能理解为智能装备，将会把农业智能化引向完全错误的方向，并最终被高昂的硬件开发与维护成本压垮。精准把握其认知能力的本质，对于深刻理解人工智能如何赋能农业､如何制定相关政策､如何开展示范引领至关重要。这也意味着，“人工智能+农业”必须进行模式创新才有可能让中小农户参与到农业智能化变革中。(3)将算法与算力中心化部署､由所有农户共担共享的“1+N”模式，在经济可行性､技术适用和伦理接受度上，都是中国农业当下最现实可行的路径，而人工智能提供数字化的认知服务的本质特征是这种模式的基础保障。
本文认为，构建中国农业的人工智能发展模式仍面临三大核心挑战:兼具人工智能与农业知识的复合型人才短缺，推动“人工智能+农业”发展的机制创新还有待构建，支撑人工智能开发与更新迭代的数据管理面临重重障碍。为应对上述挑战，需要从长短期两方面着手。短期内，可组建以战略科学家为中心､具备跨部门协调的专门机构，通过集结多领域科研与实验攻关团队，率先在局部地区､个别环节上构建起“人工智能+农业”的1.0版本。此方案旨在集中力量实现点的突破，具备较强的现实可行性。长期来看，则需要从培养综合型人才､激发私人资本参与和市场动能以及探索与完善数据产权､数据共享与安全保障的体制机制与法律法规等方面着手。
尽管本文的讨论集中在农业生产环节，但本文对人工智能本质的识别及其进入生产函数的机制解析，同样适用于整个农业供需系统的其他环节，所不同的仅在于不同环节的标准化程度。农业供需系统不同环节对于劳动力认知能力的依赖度各有不同，越是对劳动力认知能力要求高的环节，人工智能就越有可能发挥其认知优势，更容易被快速应用;反之，则对AI的需求较小。因此，本文所构建的分析框架及主要结论也适用于农业系统中的其他环节，甚至对分析非农业生产系统的人工智能发展也具有借鉴意义。
《南京农业大学学报（社会科学版）》于2001年创刊，是南京农业大学主办的学术性理论刊物。目前已入选CSSCI来源期刊、全国中文核心期刊、国家社科基金资助期刊、教育部名栏工程期刊、人大复印资料重要转载来源期刊。
本刊常设“农村社会发展”“农民问题”“农业经济”“土地问题”等栏目。主要关注农村社会发展与转型、乡村治理、粮食安全保障、农民生计与保障、农村土地制度与土地流转、贫困与精准扶贫、农村组织与制度、农业经营主体、农村金融、生态经济与环境治理、农产品生产与流通、农村政治与文化等具有政策性、现实性并有一定学术性和理论高度的研究。
投稿网址：http://njnydxxbskb.paperonce.org/
咨询电话：025-84396306
10个月宝宝每天需要喝多少奶粉？
