传统农业长期高度依赖个人经验，不仅难以规模化复制，还容易造成水肥资源的巨大浪费和生态污染。面对这些挑战，农业必须向以数据驱动和模型先行的智能决策体系转型。智慧农业的核心本质就是构建作物生长模型，这与汽车自动驾驶的底层逻辑高度同源。自动驾驶依靠动力学和道路约束作为基理底座，结合雷达摄像头的数据输入，在路测中不断优化决策；同理，农业也需要以彭曼公式、水肥规律等科学规则作为机理底座，结合温湿度、辐射等环境数据输入，输出灌溉和施肥决策。

为了使模型不断进化，必须引入真实的物理反馈机制。通过部署模型验证机，在同一地块进行多模型并行赛马测试，客观评判不同参数模型下的作物长势、“微表情”、产量及健康度。表现优秀的模型将被保留并应用，表现差的被淘汰，从而实现从机理兜底到数据迭代再到实物验证的完整智能闭环。这套架构不仅能大幅提升水肥利用率和作物抗风险能力，更能逼近作物的潜在最大产量，实现可持续的绿色生态农业。

在软件系统层面，传统的农业管理软件往往是功能固化、孤岛式的“屎山系统”，难以适应大模型时代的需求。在AI时代，软件交互发生了根本性变化，系统需要被彻底重构。未来的核心在于构建能力中台（Skill中台），将原有的各种复杂功能原子化、技能化。通过引入具有强大任务分解和记忆能力的大模型（尤其是强调代码Coding能力的模型），系统能够像智能体（Agent）一样跨越ERP、物联网等多个底层系统，根据用户的自然语言指令灵活调用各项技能。这使得农业软件回归到解决实际生产问题的本质，为种植户提供高度自定义的智能AI助手。

2）演讲内容大纲

农业发展痛点与转型目标

- 传统农业面临经验依赖、资源浪费、污染及被动响应等挑战。

- 核心目标：构建数据驱动、模型先行、闭环优化的智能决策体系。

核心逻辑一：构建机理模型底座

- 转化专家经验：将作物的生理、环境胁迫响应、彭曼公式等先验知识转化为白盒模型。

- 参数量化：涵盖决定代谢的生理参数、量化环境影响的环境参数以及评估威胁的干扰参数。

核心逻辑二：多模型并行赛马验证

- 克服单一模型局限：通过小面积地块同时部署多个参数版本的模型。

- 自动化执行：利用模型验证机分别独立输出水肥方案并驱动自动化设备执行。

核心逻辑三：基于物理结果的客观评价

- 过程指标监测：利用摄像头捕捉作物微表情（如叶片日间微小变化），评估健康度与胁迫程度。

- 结果指标量化：以真实的物理反馈（最终的产量与品质等级）替代主观判断。

核心逻辑四：闭环迭代与持续优化

- 优胜劣汰与机理反推：淘汰低分模型，分析高分模型成功原因，加深科学理解。

- 持续演进：利用新数据修正关键参数，形成模型应用、物理反馈、模型择优、参数迭代的闭环。

跨行业对标与范式提炼

- 对标自动驾驶：揭示两者在机理底座、环境输入、决策输出及闭环迭代上的底层同源性。

- 提炼通用框架：形成适用于多领域的跨行业智能决策迭代方法论。

系统重构与AI工具应用

- 抛弃旧架构：传统单点式、写死的软件功能需要被彻底抛弃和重写。

- 构建Skill中台：将系统功能封装为可被大模型调用的原子化能力，实现灵活的系统整合与智能问答。

3）问答环节

问题一：演讲中提到的机理底座，是否等同于目前业界讨论的物理AI（Physical AI）？

答：目前还没有达到物理AI那么高级的程度。起步阶段的机理底座主要依赖于公式（例如彭曼公式）和既有规则。这与自动驾驶早期的发展类似，需要先有一套基于规则的模型来启动系统并产生最初的因果数据，在此基础之上才能进一步收集数据并向更高级的AI演进。

问题二：你们系统背后使用的是什么基座大模型来进行处理？

答：针对不同任务会使用不同的模型。对于多模态的图片识别，目前主要使用豆包的视觉模型（CCDance）；对于语义分析和文字处理，会采用DeepSeek或千问等模型。未来的核心重点是寻找代码（Coding）能力最强的大模型，因为未来Agent的核心能力就是通过生成代码来高效执行任务并调度底层系统。

问题三：既然涉及多模型赛马，且每个模型有众多参数，系统能否分辨出具体是哪几个参数对提升产量贡献最大？

答：可以做到。目前通过随机森林等基础数据分析模型，就能算出来哪个影响因素的权重最大。从目前的实践来看，基于公式计算出的耗水量（主要受太阳光合辐射影响）是决定作物生长最关键的因素，甚至超过了病害和肥料的影响。

问题四：如果现实世界采集到的物理反馈数据与当初设定的机理规则偏差很大，或者完全相反，该如何处理？

答：目前系统跑的数据量还在积累阶段。未来的设想是投入资金在海南或云南这种可以全年无休种植的地区，进行高密度的验证机投放实验。当产生足够庞大和高频的对照数据后，就能找出各个参数背后的真实时序规律。只要验证的轮次足够多，模型就能自动向产量更高、品质更好的参数方向演进。

问题五：引入这套基于模型的系统后，相比传统经验种植，能带来多大的产量提升？

答：通过小区赛马实验找出的最佳模型，通常能直接带来10%到20%的提升。如果再结合设备将传统的漫灌改为高频次的精准滴灌，产量还可以再提升20%到30%。这就像人类从吃不饱跨越到营养均衡的一日三餐，对作物生长的促进是极其明显的。

问题六：作物受胁迫后的“微表情”具体是如何采集和判断的？

答：主要通过在田间密集部署摄像头来实现。作物在健康无胁迫时，叶片会主动舒展迎向阳光；但遇到高温、干旱或盐分胁迫时，叶片失水会出现下垂或卷曲。通过连续拍摄并对比分析这些极其细微的变化（如中午叶片耷拉的程度、下午恢复的速度等），就能准确量化胁迫程度，从而为调整水肥模型提供关键依据。

问题七：您提到的重构“史山”系统，是保留原有界面习惯只修改底层，还是彻底推翻重写？

答：是彻底重构，连开发语言都换了。在AI时代，软件需要由开发文档驱动和测试用例驱动。原有的系统不仅代码臃肿，而且功能被写死，无法适应大模型的需求。与其在旧代码上修补，不如完全按照 Skill（能力）的架构思路重新编写底层，把所有功能封装进能力中台，让AI能够自由调用。

问题八：经过史山系统的重构后，您心目中理想的农业管理软件产品形态是什么样的？

答：理想的形态将分为传统导航页面和对话框智能体两种形式。系统不仅会根据作物种类默认推送关键技能（如行情预警、病害分析），更重要的是赋予种植户极大的自定义能力。用户可以通过对话像“养电子宠物”一样培养专属助手，例如要求系统在价格低于某点时提醒，或自动生成特定的水肥任务。哪个系统能提供最丰富的原子化能力并高度融合本地硬件，哪个系统就能真正帮种植户解决问题。