拜耳投Leaf:当中国用农业大模型“消化”科研数据,美国在买“田间数据”

现在谈AI+农业，很容易把问题推到“大模型”上。好像只要有一个农业大模型，农艺决策、病虫害识别、农资推荐、保险理赔就能一起解决。

但AI+农业真正难的地方，往往不在模型最后一公里，而在数据最开始的一公里。

农业并非缺乏数据，反而是数据来源繁杂、存量庞大。农机终端留存作业轨迹与工况数据，土壤实验室产出理化检测指标，气象站点持续采集气象时序数据，卫星、无人机输出对地遥感影像，农场管理系统记录地块台账与农资投入明细。

问题是，各类数据长期割裂分散在不同系统，数据格式、统计口径、对接接口标准互不统一，形成数据孤岛，跨平台数据难以互通复用。

这也是为什么 Leaf Agriculture 最近完成 1300 万美元B轮融资值得关注。它不是一个直接面向农户的明星App，也不是一个农业大模型公司，而是站在农业数据赛道中间，做连接、清洗、标准化和跨系统协同运转（互操作性）。

农业数据赛道至少可以拆成三层。

第一层，是感知层。涵盖天（卫星遥感）、空（无人机）、地（土壤传感器、气象站等）、端（农机IoT、农场管理软件FMIS）。其核心职能是将物理世界的农事活动转化为数字信号，解决的是“有没有数据”的问题。这一层的技术壁垒在于数据采集成本与精度的平衡，但普遍面临碎片化、孤岛化的挑战。

第二层，是平台层。这一层不直接触达农户，而是作为农业数据的中台，解决数据的连通性与可用性，这正是Leaf Agriculture 所处的赛道。

第三层，是应用层。包括农场管理SaaS、农资推荐、保险核赔、供应链追溯、农艺服务和农业金融等。真正面向客户收费的，往往发生在这一层。

过去大量智慧农业项目急于直达应用层，热衷于搭建可视化看板和示范田系统。然而，由于忽视了底层数据的准确性、连续性与标准化，这些上层应用往往沦为无法落地的“展示工程”——既无法沉淀可复用的算法模型，更无法产生真实的商业决策价值。

这也解释了为什么“数据基础设施”会成为农业AI爆发的前置条件。唯有建立跨系统数据互通协同，数据才能完成从“被动记录”到“验证与执行”的跨越。

Leaf的迭代历程，也折射了行业对农业数据价值的认知跃迁：从破除壁垒，到统一语言，再到赋能决策。其三轮融资的战略变化清晰体现这一趋势：

·种子轮（2021年以前）：定位为“移除农业数据基础设施障碍”，核心在于“帮客户接通数据”

·A轮融资（2024年）：定位为“统一农场数据 API ”，核心在于“帮客户翻译数据”

·B轮融资（2026年）：定位为“农业数据管理解决方案”，核心在于“清洗→结构化→分析→回答/代执行”。

这也是农业AI和普通AI应用很不一样的地方。农业数据自带有空间属性、时间属性、作业逻辑和农艺语义。未经标准化翻译、结构化处理的原始数据，即便直接调取，也无法直接理解“地块禀赋随区位产生的差异”“农事周期与气象的匹配关系”或“投入品效果的滞后性”等核心生产逻辑。

与Leaf同一赛道的另一家公司Farmobile，却走向不同的结局。Farmobile更强调“农场数据应该被农户掌握并流动起来”。

Farmobile后来并没有成长为一个独立的、跨生态的农业数据基础设施平台。这不应该被简单理解成“失败”。更准确地说，它提醒行业：

（1）农户的核心诉求是增产降本，不是当数据贩子，数据交易只是"锦上添花"。

（2）农业数据平台如果只讲数据所有权、数据连接和数据交易，很难单独撑起商业化。农业客户不会为“数据流动”本身付费，他们更愿意为明确结果付费。

农业数据赛道正迎来客群逻辑的关键转变：终端种植农户不再是唯一核心服务对象。

过去很多农业数字化产品以种植户为目标客群，逻辑是帮农户管田、记账、看长势。但现实痛点十分突出：农户付费意愿弱、经营主体高度分散，商业化盈利难度极大。

而Leaf 这类数据中台企业，核心服务对象是具备稳定付费能力的 B 端产业客户：农资企业、农作物保险机构、食品加工企业、涉农金融机构等。这类主体存在强烈的跨系统、跨地块数据使用需求。例如，保险公司依靠数据快速核验地块信息、判定灾害损失；农资企业依托多维度数据验证产品在不同地块的真实施用效果；食品企业通过溯源数据管控原料生产全流程。

对这类产业客户而言，数据价值不在于制作可视化展示看板，而是赋能原有业务，实现核验、分析、溯源流程更高效、判断更精准、综合运营成本更低。

农业AI的竞争，不只是算法精度的比拼，更是数据定义权的竞争。

谁来定义地块边界？谁来统一投入品名称？谁来确认作业记录可信？谁来决定数据能不能在保险、农资、金融之间流动？这些看似基础的底层标准，实际上是农业 AI 进入真实业务的“入场券”。

而数据定义权的更高维度，在于价值识别：谁能判定哪些数据在何种场景下真正具备业务价值。

定义数据只是解决了“可读”的问题，而识别价值则解决了“有用”的问题。在农业场景中，区分一场“无效降雨”和一次“关键灌溉”，识别一份“真实的深松作业”和一份“虚假的GPS轨迹”，才是农业数据基础设施最核心的资产。

把Leaf的故事放到中国看，虽然不能简单照搬，但“从破除壁垒，到统一语言，再输出有用数据”的跃迁逻辑相同。从佳格的保险渗透、爱科农的生长模型、布瑞克从 “互联网” 向 “智联网”的延伸，都是信号。

中国有自己的特殊性，国内农业经营主体更分散、政府项目属性更强，数据往往沉淀在政府平台、龙头企业、农服组织和设备厂商手里。

这意味着中国农业数据基础设施的机会，大概率不会只由一家纯软件公司完成。更可能走混合路径，如“地方农业数据 + 龙头企业场景 + 农机/农资/农服数据 + 保险金融应用”，谁能把这些节点串起来，谁就有机会。

国内市场还出现了一个值得关注的趋势：农业数据正在从“田间记录”走向“数据要素”。例如种植数据资产登记、入表甚至是交易，已有试点落地，这说明高质量农业数据不只是内部管理材料，也可能成为融资、交易和模型训练的资产。

但这里也要谨慎：数据资产化不能停留在概念。真正有价值的不是“我有数据”，而是这些数据能不能被确权、被验证、被调用，并进入银行、保险、农资、食品供应链等真实付费场景。

所以在中国市场，真正有价值的，不一定是做一个全国通用的农业大模型，而是能把某个区域、某类作物、某个产业链的数据跑通，并且和付费场景绑定。大模型是面子，场景闭环才是里子。

与美国企业夯实产业数据底座的打法不同，国内农业数字化呈现出典型的“模型先行、数据滞后、落地不足”的行业现状。当前国内农业大模型层出不穷，各类垂直作物模型、农业通用AI模型快速迭代，但行业长期面临核心痛点：

（1）我国数十年积淀的海量农业科研数据始终未能真正盘活落地。从种质基因资源、多年区域试验数据、作物栽培机理研究、土肥气象科研成果，到各类种养技术规程、田间试验文献，国内科研端积累的数据体量庞大、专业度极高，但长期分散在高校、科研院所、各类项目库中，存在严重的碎片化、非结构化、场景脱节问题。

（2）大量优质科研数据停留在论文、报告、实验存档层面，仅完成“数据采集与存储”，缺乏标准化清洗、场景化适配、产业化转化的能力，无法对接田间生产、品种研发、农户种植、企业经营等真实业务场景，出现“科研数据堆积如山、产业可用数据寥寥无几”的割裂困境。

也正因纯科研数据难以直接变现、难以落地，国内农业数字化市场并未走单一的模型推演路线，倒逼各类市场主体跳出“重算法、轻落地”的误区，从产业真实需求切入，演化出多条贴合国内农业现状、可落地、可商业化的数字化发展路径。

目前，国内不同类型玩家正在从各自熟悉的入口切入，发展路径虽各有差异，但底层逻辑高度一致：不局限于单纯搭建数字化平台，而是尽量绑定细分作物、智能终端设备、精准客户群体或具体业务场景。

第一类，是智能装备驱动路线，以大疆农业、极飞科技等为代表。这类公司以田间高频作业设备为核心流量入口，通过无人机、无人车、农机终端进入植保、播撒、巡田、采收、巡检等生产环节，再把作业轨迹、地块边界、用药用肥、长势影像等数据沉淀下来。它们的优势在于离田间足够近，数据不是“填报”出来的，而是在作业过程中自然产生。

第二类，是综合解决方案路径，以托普云农等为代表。这类公司长期围绕农业传感器、智能装备、农情监测、农产品质量追溯和数字农业平台做系统集成，常见客户包括地方农业部门、园区、科研机构和规模化经营主体。其发展逻辑可概括为：以政企项目场景为切入点，依托硬件设备与数字化平台沉淀基础数据，再延伸输出常态化数据增值服务。优势是业务场景覆盖全面，现存核心挑战在于如何摆脱一次性项目交付模式，构建可持续的长期运营收入。

第三类，是遥感与时空数据路径，以佳格天地等为代表。卫星遥感、气象、地块边界和作物长势数据，本身并不直接产生收入，只有进入保险定损、耕地监管、产量评估、供应链风控等场景，才会变成可付费能力。这类公司的价值在于把“看得见”转化为“可核验、可评估、可决策”的数据资产。

第四类，是作物模型与农艺服务路径，以爱科农等为代表。它不是简单做数据采集，而是把作物生长模型、气象数据、土壤数据、田间管理记录和农艺知识结合起来，输出更接近种植决策的建议。这类路径成败的核心不在于算法模型技术先进性，而在于模型方案能否针对特定作物、特定区域持续落地验证，形成稳定降本增产增效。

第五类，是农业大数据和产业互联网路径，以布瑞克等为代表。它们更关注产业链层面的数据：价格、供需、库存、贸易、加工、流通和金融。相比田间数据，这类数据离交易更近，也更容易和企业经营、风控、采购、销售决策结合。这一路径也印证：农业数字化、智能化应用不只局限于田间地头，产业链订单、经营台账同样是核心数据价值场景。

第六类，是产业内生数字化闭环路径，以牧原股份、九圣禾集团等为代表。这类企业本身深耕种养实体产业，形成“自带场景、自产数据、自我验证”的独特优势，区别于从硬件、遥感、模型、供应链等单一维度切入的模式。这类企业深度整合生物育种、智能装备、卫星遥感、全链业务等多维度数字化能力，构建“研—产—供—销—服”全链路的产业内数字闭环，并向外溢出为行业解决方案。它们的优势在于场景理解深、数据真实度高、闭环验证强。

纵观以上各类赛道可总结出统一规律：仅依靠单一线上数据平台难以实现规模化盈利。农业数据企业必须锚定一套可付费、可量化验证、可批量复制的细分场景作为破局支点。

装备、遥感、农艺模型、产业链数据、产业原生融合只是不同切入载体，所有企业最终都在解决同一个核心命题：如何让数据深度嵌入真实经营业务，形成客户可持续付费的商业闭环。

从Leaf到国内玩家，启示可以总结为一句话：农业数据赛道的价值核心正在持续迭代，从“采集数据”，进阶到“组织数据”，再走向“用数据驱动业务”。

未来农业数据公司真正的壁垒，不是谁拥有最多数据，而是谁能把数据接进真实交易、真实决策和真实付费场景。