Współczesny sektor agrarny przechodzi jedną z najważniejszych transformacji w swojej historii, przechodząc od mechanizacji do cyfryzacji, a obecnie wkraczając w erę inteligentnej automatyzacji. Rolnictwo wspierane przez sztuczną inteligencję przestaje być futurystyczną wizją, a staje się technologiczną koniecznością wymaganą przez rosnącą populację świata, zmiany klimatyczne oraz konieczność optymalizacji zasobów naturalnych. Implementacja zaawansowanych algorytmów uczenia maszynowego, sieci neuronowych oraz systemów ekspertowych pozwala na podejmowanie decyzji w czasie rzeczywistym, co radykalnie zmienia sposób zarządzania gospodarstwami. Przykłady rolnictwa wspieranego przez sztuczną inteligencję obejmują szerokie spektrum działań, począwszy od autonomicznych maszyn, przez zaawansowaną analitykę gleby, aż po skomplikowane systemy zarządzania łańcuchem dostaw. Zrozumienie tych procesów wymaga zgłębienia technologicznych aspektów rolnictwa precyzyjnego, które stanowi fundament nowoczesnej agronomii. Dzięki integracji danych pochodzących z satelitów, dronów, czujników naziemnych oraz historycznych baz danych, sztuczna inteligencja w rolnictwie umożliwia osiągnięcie poziomów wydajności nieosiągalnych dla tradycyjnych metod uprawy. Poniższy artykuł szczegółowo omawia różnorodne zastosowania tych technologii, analizując ich wpływ na efektywność, ekologię oraz ekonomikę produkcji żywności.
Ewolucja rolnictwa precyzyjnego dzięki algorytmom uczenia maszynowego
Rolnictwo precyzyjne, znane również jako rolnictwo 4.0, stanowi bazę dla wdrażania sztucznej inteligencji, ponieważ opiera się na gromadzeniu i przetwarzaniu ogromnych ilości danych, które dla ludzkiego umysłu byłyby niemożliwe do szybkiej analizy. Tradycyjne podejście do uprawy traktowało całe pole jako jednolity obszar, stosując te same dawki nawozów i środków ochrony roślin na całej powierzchni, co prowadziło do marnotrawstwa zasobów i zanieczyszczenia środowiska. Dzięki algorytmom uczenia maszynowego możliwe jest obecnie tworzenie map zmiennego dawkowania (VRA), które uwzględniają mikrozmienność glebową, historię plonowania oraz aktualny stan wegetacji w rozdzielczości nawet do kilku centymetrów. Systemy te uczą się na podstawie danych historycznych, identyfikując wzorce korelacji między typem gleby, wilgotnością a uzyskiwanym plonem, co pozwala na predykcję przyszłych zbiorów z niespotykaną dotąd dokładnością. Zastosowanie sztucznej inteligencji w rolnictwie precyzyjnym pozwala na automatyczne dostosowanie parametrów pracy maszyn w czasie rzeczywistym, bez konieczności ingerencji operatora. Komputery pokładowe analizują strumień danych z czujników i na bieżąco korygują głębokość siewu czy ciśnienie w układzie opryskowym. Jest to fundamentalna zmiana paradygmatu, w którym decyzje agronomiczne nie są już podejmowane wyłącznie na podstawie intuicji rolnika, lecz są wynikiem chłodnej kalkulacji matematycznej, mającej na celu maksymalizację zysku przy jednoczesnej minimalizacji nakładów.
Autonomiczne ciągniki i roboty polowe nowej generacji
Jednym z najbardziej spektakularnych przykładów rolnictwa wspieranego przez sztuczną inteligencję są autonomiczne ciągniki oraz roboty polowe, które potrafią wykonywać skomplikowane zadania bez fizycznej obecności człowieka w kabinie. W przeciwieństwie do tradycyjnych systemów automatycznego prowadzenia opartych wyłącznie na sygnale GPS, nowoczesne maszyny autonomiczne wykorzystują zaawansowane systemy wizyjne, LiDAR oraz radar, przetwarze przez potężne jednostki obliczeniowe wykorzystujące głębokie sieci neuronowe. Pozwala to maszynom nie tylko na poruszanie się po wyznaczonej ścieżce z dokładnością do centymetrów, ale również na rozpoznawanie i omijanie przeszkód, identyfikację ludzi czy zwierząt oraz podejmowanie decyzji w sytuacjach nieprzewidzianych. Autonomiczne traktory mogą pracować w trybie roju, gdzie jedna maszyna sterowana przez człowieka nadzoruje pracę kilku innych jednostek bezzałogowych, co drastycznie zwiększa wydajność pracy jednego operatora. Robotyka rolnicza idzie jednak o krok dalej, wprowadzając małe, lekkie jednostki autonomiczne, które mogą pracować w trudnych warunkach terenowych, nie powodując nadmiernego ugniatania gleby, co jest częstym problemem przy użyciu ciężkiego sprzętu. Te małe roboty, często zasilane energią słoneczną, mogą przebywać na polu przez całą dobę, wykonując mechaniczne pielenie, punktowy siew czy monitoring stanu roślin. Dzięki sztucznej inteligencji potrafią one odróżnić roślinę uprawną od chwastu w ułamku sekundy i podjąć odpowiednie działanie, na przykład niszcząc chwast mechanicznie lub za pomocą mikrodawki herbicydu czy lasera.
Monitoring upraw z wykorzystaniem dronów i analizy obrazu
Bezzałogowe statki powietrzne, potocznie zwane dronami, stały się nieodzownym narzędziem w nowoczesnym rolnictwie, jednak ich prawdziwa wartość ujawnia się dopiero w połączeniu z zaawansowanym oprogramowaniem do analizy obrazu opartym na sztucznej inteligencji. Drony wyposażone w kamery multispektralne i hiperspektralne rejestrują światło odbite od roślin w zakresach niewidocznych dla ludzkiego oka, takich jak bliska podczerwień czy krawędź czerwieni. Algorytmy sztucznej inteligencji przetwarzają te dane, generując wskaźniki wegetacji takie jak NDVI czy NDRE, które pozwalają na ocenę kondycji roślin, zawartości chlorofilu oraz stresu wodnego na bardzo wczesnym etapie, często zanim objawy staną się widoczne gołym okiem. Przetwarzanie obrazu w chmurze obliczeniowej lub bezpośrednio na urządzeniu (edge computing) pozwala na błyskawiczne wykrycie anomalii, takich jak niedobory składników pokarmowych czy ogniska chorób grzybowych. Dzięki temu rolnicy otrzymują precyzyjne mapy, które wskazują dokładnie te miejsca na polu, które wymagają interwencji, zamiast stosować środki zaradcze na całym areale. Ponadto sztuczna inteligencja potrafi liczyć wschody roślin, szacować biomasę oraz wykrywać szkody wyrządzone przez zwierzynę łowną lub zjawiska pogodowe, co jest nieocenione przy szacowaniu strat i planowaniu dalszych zabiegów agrotechnicznych. Integracja danych z dronów z systemami zarządzania gospodarstwem pozwala na automatyczne generowanie zaleceń agrotechnicznych, co znacznie usprawnia proces decyzyjny.
Inteligentne systemy nawadniania i zarządzanie zasobami wodnymi
W obliczu globalnego kryzysu wodnego, optymalizacja nawadniania staje się kluczowym wyzwaniem dla rolnictwa, a sztuczna inteligencja odgrywa tu rolę fundamentalną poprzez tworzenie systemów nawadniania precyzyjnego. Tradycyjne sterowniki czasowe są zastępowane przez inteligentne systemy, które integrują dane z czujników wilgotności gleby rozmieszczonych na różnych głębokościach, stacji pogodowych oraz prognoz meteorologicznych. Algorytmy uczenia maszynowego analizują te informacje w czasie rzeczywistym, obliczając ewapotranspirację (parowanie z gleby i roślin) oraz przewidując przyszłe zapotrzebowanie roślin na wodę z uwzględnieniem fazy rozwojowej uprawy. Systemy te potrafią automatycznie sterować pompami i zaworami, dostarczając dokładnie taką ilość wody, jaka jest niezbędna w danym momencie i w konkretnym miejscu pola, co pozwala na oszczędność wody sięgającą nawet kilkudziesięciu procent. Sztuczna inteligencja potrafi również wykrywać nieszczelności w systemie nawadniania poprzez analizę anomalii w przepływie i ciśnieniu wody, co zapobiega awariom i stratom. W regionach dotkniętych suszą, algorytmy optymalizacyjne pomagają w podejmowaniu trudnych decyzji dotyczących alokacji ograniczonych zasobów wodnych, wskazując, które uprawy lub fragmenty pól przyniosą największy zwrot ekonomiczny z każdego litra zużytej wody. Dzięki temu rolnictwo staje się bardziej odporne na zmiany klimatu, a zarządzanie wodą staje się procesem opartym na twardych danych, a nie na przypuszczeniach.
Cyfrowa analiza gleby i optymalizacja nawożenia
Gleba jest najważniejszym zasobem rolnika, a jej właściwe zarządzanie jest kluczem do wysokich plonów, dlatego sztuczna inteligencja znajduje szerokie zastosowanie w analizie jej parametrów i optymalizacji nawożenia. Tradycyjne metody badania gleby są czasochłonne i kosztowne, co ogranicza częstotliwość i gęstość próbkowania, natomiast nowoczesne sensory mobilne montowane na maszynach rolniczych potrafią skanować glebę w ruchu, wykorzystując spektroskopię w bliskiej podczerwieni czy przewodnictwo elektromagnetyczne. Dane te są następnie przetwarzane przez algorytmy AI, które tworzą trójwymiarowe mapy zasobności gleby w składniki odżywcze, pH, materię organiczną oraz strukturę fizyczną. Na podstawie tych map oraz modeli zapotrzebowania roślin, systemy ekspertowe generują precyzyjne plany nawożenia, które są przesyłane bezpośrednio do rozsiewaczy nawozów wyposażonych w technologię zmiennego dawkowania. Sztuczna inteligencja pozwala również na modelowanie procesów mineralizacji azotu w glebie w zależności od warunków pogodowych, co umożliwia precyzyjne dobranie terminu aplikacji nawozów, minimalizując straty wynikające z wymywania azotanów do wód gruntowych. Dzięki temu rolnicy mogą znacząco zredukować koszty zakupu nawozów mineralnych, jednocześnie utrzymując wysoki potencjał plonotwórczy i dbając o środowisko naturalne. Długoterminowa analiza danych glebowych przy użyciu AI pozwala również na śledzenie trendów degradacji lub regeneracji gleby, co jest kluczowe dla zrównoważonego rolnictwa.
Wykrywanie chorób i szkodników za pomocą wizji komputerowej
Wczesne wykrywanie zagrożeń biotycznych jest kluczowe dla ochrony plonów, a wizja komputerowa wspierana przez głębokie uczenie (deep learning) rewolucjonizuje ten obszar poprzez automatyzację identyfikacji chorób i szkodników. Aplikacje mobilne wykorzystujące sztuczną inteligencję pozwalają rolnikom na zrobienie zdjęcia liścia smartfonem, a następnie w ciągu kilku sekund otrzymują diagnozę wraz z prawdopodobieństwem wystąpienia konkretnej choroby oraz zaleceniami dotyczącymi leczenia. Systemy te są trenowane na milionach oznaczonych zdjęć przedstawiających różne stadia chorobowe i gatunki szkodników, dzięki czemu osiągają skuteczność diagnostyczną porównywalną, a czasem przewyższającą ekspertów fitopatologów. Na większą skalę, kamery zamontowane na dronach lub belkach opryskiwaczy skanują uprawy w czasie rzeczywistym, identyfikując ogniska infekcji lub żerowania szkodników na poziomie pojedynczych roślin. Pozwala to na zastosowanie strategii ochrony punktowej, gdzie środki ochrony roślin są aplikowane wyłącznie w miejscach występowania problemu, a nie na całym polu. Ponadto algorytmy predykcyjne analizują warunki pogodowe sprzyjające rozwojowi patogenów, takie jak temperatura i wilgotność, ostrzegając rolników o wysokim ryzyku infekcji jeszcze przed pojawieniem się pierwszych objawów, co umożliwia podjęcie działań zapobiegawczych.
Precyzyjne opryskiwanie i technologia See & Spray
Technologia precyzyjnego opryskiwania, znana jako "See & Spray" (zobacz i opryskaj), stanowi jeden z najbardziej zaawansowanych przykładów praktycznego zastosowania sztucznej inteligencji w maszynach rolniczych. Systemy te wykorzystują kamery wysokiej rozdzielczości oraz procesory graficzne zamontowane bezpośrednio na belce opryskiwacza, które analizują obraz roślinności przesuwającej się pod maszyną z dużą prędkością. Algorytmy wizyjne potrafią w czasie rzeczywistym odróżnić roślinę uprawną od chwastu, uwzględniając różnice w kształcie liści, kolorze i teksturze, nawet w trudnych warunkach oświetleniowych. Gdy system zidentyfikuje chwast, aktywuje konkretną dyszę opryskiwacza dokładnie w momencie, gdy znajduje się ona nad niepożądaną rośliną, aplikując herbicyd z chirurgiczną precyzją. Takie podejście pozwala na redukcję zużycia środków chemicznych nawet o 90 procent w porównaniu do tradycyjnego oprysku całopowierzchniowego, co przynosi ogromne oszczędności finansowe i korzyści środowiskowe. Technologia ta jest stale udoskonalana, a bazy danych chwastów są regularnie aktualizowane, co pozwala na skuteczną walkę nawet z gatunkami uodpornionymi na herbicydy poprzez stosowanie mieszanin zbiornikowych tylko tam, gdzie jest to absolutnie konieczne. See & Spray to przykład, jak AI przekłada się bezpośrednio na redukcję chemii w żywności i środowisku.
Robotyka w zbiorach owoców i warzyw miękkich
Zbiór owoców i warzyw miękkich, takich jak truskawki, jabłka czy pomidory, tradycyjnie wymagał ogromnych nakładów pracy ręcznej ze względu na delikatność produktów i konieczność oceny ich dojrzałości, jednak robotyka wspierana przez AI zaczyna zmieniać ten sektor. Roboty zbierające wyposażone są w zaawansowane systemy wizyjne, które nie tylko lokalizują owoce w trójwymiarowej przestrzeni korony drzewa lub krzewu, ale także oceniają ich stopień dojrzałości na podstawie koloru i rozmiaru. Sztuczna inteligencja steruje ramionami robotycznymi, planując trajektorię ruchu tak, aby ominąć gałęzie i liście, a następnie delikatnie zerwać owoc za pomocą chwytaków podciśnieniowych lub miękkich palców robotycznych, nie powodując uszkodzeń mechanicznych. Systemy te muszą działać niezwykle szybko i precyzyjnie, aby dorównać wydajnością ludzkim zbieraczom, co wymaga ogromnej mocy obliczeniowej i zaawansowanych algorytmów sterowania. Roboty mogą pracować w nocy oraz w warunkach uciążliwych dla ludzi, co pomaga rozwiązać narastający problem niedoboru siły roboczej w rolnictwie sezonowym. Dodatkowo, dane zbierane podczas zbioru pozwalają na tworzenie map plonowania dla poszczególnych drzew czy rzędów, co dostarcza cennych informacji do zarządzania sadem w kolejnych sezonach.
Sztuczna inteligencja w hodowli zwierząt i monitoring dobrostanu
Zastosowanie sztucznej inteligencji wykracza poza produkcję roślinną i znajduje szerokie zastosowanie w precyzyjnej hodowli zwierząt (Precision Livestock Farming), gdzie priorytetem jest monitoring zdrowia i dobrostanu stada. Systemy wizyjne oraz czujniki noszone przez zwierzęta (wearables) zbierają dane o ich aktywności, temperaturze ciała, czasie przeżuwania oraz zachowaniach społecznych. Algorytmy uczenia maszynowego analizują te sygnały, aby wykryć wczesne objawy chorób, kulawizny czy stresu cieplnego, często zanim zauważy je hodowca. W hodowli bydła mlecznego popularne stają się systemy rozpoznawania twarzy krów, które umożliwiają indywidualne monitorowanie każdego osobnika bez konieczności stosowania inwazyjnych metod identyfikacji. Sztuczna inteligencja analizuje również nagrania dźwiękowe z chlewni czy kurników, wykrywając kaszel zwierząt, co może świadczyć o problemach z wentylacją lub infekcjach układu oddechowego. Automatyczne systemy doju wykorzystują lasery i kamery 3D sterowane przez AI do precyzyjnego zakładania kubków udojowych, jednocześnie analizując jakość mleka z każdego strzyka w czasie rzeczywistym. Dzięki temu hodowcy mogą optymalizować żywienie, poprawiać warunki bytowe zwierząt i ograniczać stosowanie antybiotyków, interweniując tylko w przypadku chorych osobników.
Prognozowanie pogody i zarządzanie ryzykiem klimatycznym
Rolnictwo jest sektorem najbardziej uzależnionym od warunków atmosferycznych, dlatego precyzyjne prognozowanie pogody wspomagane przez sztuczną inteligencję ma kluczowe znaczenie dla zarządzania ryzykiem w gospodarstwie. Tradycyjne modele meteorologiczne są często zbyt ogólne dla potrzeb rolnictwa, natomiast nowoczesne platformy AI integrują dane z globalnych modeli pogodowych z odczytami z lokalnych stacji meteo oraz radarów opadowych, tworząc hiperlokalne prognozy pogody dla konkretnego pola. Algorytmy uczenia głębokiego potrafią identyfikować złożone wzorce atmosferyczne, przewidując wystąpienie gwałtownych zjawisk takich jak gradobicia, przymrozki czy nawalne deszcze z większym wyprzedzeniem i dokładnością. Pozwala to rolnikom na lepsze planowanie prac polowych, takich jak siew, zbiór czy opryski, które wymagają specyficznych okien pogodowych. Systemy te oferują również długoterminowe analizy klimatyczne, pomagając w doborze odpowiednich odmian roślin do zmieniających się warunków termicznych i wodnych w danym regionie. Dzięki lepszemu zarządzaniu ryzykiem pogodowym, wspieranemu przez AI, możliwe jest również optymalizowanie polis ubezpieczeniowych, które mogą być dynamicznie dostosowywane do rzeczywistego poziomu zagrożenia w danej lokalizacji.
Optymalizacja łańcucha dostaw i logistyka produktów rolnych
Poza samym procesem produkcji, sztuczna inteligencja odgrywa kluczową rolę w logistyce i zarządzaniu łańcuchem dostaw produktów rolnych, co ma na celu ograniczenie marnotrawstwa żywności. Algorytmy predykcyjne analizują dane rynkowe, trendy konsumenckie oraz historię sprzedaży, aby prognozować popyt na konkretne produkty z dużą dokładnością, co pozwala rolnikom i przetwórcom na lepsze planowanie produkcji i dystrybucji. W transporcie łatwo psujących się towarów, systemy AI monitorują warunki przewozu, takie jak temperatura i wilgotność, przewidując wpływ ewentualnych odchyleń na jakość produktu końcowego i termin przydatności do spożycia. Dzięki temu można dynamicznie kierować towary do bliższych punktów sprzedaży, jeśli ich trwałość uległa skróceniu, minimalizując straty. Platformy handlowe oparte na blockchain i AI łączą bezpośrednio producentów z odbiorcami, eliminując zbędnych pośredników i zapewniając transparentność pochodzenia żywności. Inteligentne magazyny wykorzystują roboty i systemy zarządzania zapasami, aby zoptymalizować rotację towarów i zapewnić, że do konsumenta trafia zawsze świeży produkt.
Pionowe farmy i w pełni zautomatyzowane rolnictwo miejskie
Pionowe farmy (vertical farming) to przykład środowiska, w którym sztuczna inteligencja przejmuje niemal całkowitą kontrolę nad procesem produkcji roślinnej, uniezależniając go od warunków zewnętrznych. W tych zamkniętych systemach, AI steruje każdym aspektem uprawy, od składu pożywki w systemach hydroponicznych lub aeroponicznych, przez wilgotność i temperaturę powietrza, aż po spektrum i natężenie światła LED. Algorytmy uczenia maszynowego nieustannie eksperymentują z tzw. "przepisami świetlnymi" (light recipes), dostosowując długość fali światła do konkretnej fazy wzrostu rośliny, aby zmaksymalizować plon, skrócić czas wegetacji lub wpłynąć na walory smakowe i odżywcze produktów. Dzięki pełnej kontroli środowiska, farmy pionowe mogą produkować żywność przez cały rok bez użycia pestycydów, zużywając przy tym do 95 procent mniej wody niż rolnictwo konwencjonalne. Systemy wizyjne monitorują wzrost każdej rośliny, automatycznie wykrywając te, które odbiegają od normy, co pozwala na utrzymanie najwyższej jakości produkcji. Rolnictwo wertykalne wspierane przez AI jest idealnym rozwiązaniem dla gęsto zaludnionych obszarów miejskich, skracając drogę żywności "z pola na stół" do minimum.
Biotechnologia i cyfrowa selekcja genetyczna
Sztuczna inteligencja rewolucjonizuje również laboratoria biotechnologiczne i stacje hodowli roślin, przyspieszając proces tworzenia nowych, bardziej wydajnych i odpornych odmian. Tradycyjna hodowla opiera się na wieloletnich cyklach krzyżowania i selekcji polowej, natomiast algorytmy bioinformatyczne potrafią analizować ogromne zbiory danych genotypowych i fenotypowych, identyfikując markery genetyczne odpowiedzialne za pożądane cechy, takie jak odporność na suszę czy tolerancja na zasolenie. Uczenie maszynowe pozwala na przewidywanie wyników krzyżowania bez konieczności fizycznego wysiewania tysięcy roślin, co drastycznie skraca czas potrzebny na wyhodowanie nowej odmiany. Systemy fenotypowania cyfrowego wykorzystują zautomatyzowane szklarnie i skanery 3D do precyzyjnego mierzenia parametrów wzrostu roślin w różnych warunkach stresowych, dostarczając danych do modeli predykcyjnych. Dzięki temu hodowcy mogą szybciej reagować na zmieniające się wyzwania klimatyczne i potrzeby rynku, dostarczając rolnikom nasiona o potencjale genetycznym dopasowanym do przyszłych warunków uprawy. Wsparcie AI w edycji genów (np. CRISPR) pozwala na jeszcze bardziej precyzyjne modyfikacje, minimalizując ryzyko niepożądanych efektów ubocznych.
Wyzwania techniczne i bariery wdrożeniowe AI w rolnictwie
Mimo ogromnego potencjału, wdrożenie sztucznej inteligencji w rolnictwie napotyka na szereg barier technicznych i infrastrukturalnych, które spowalniają powszechną adopcję tych rozwiązań. Jednym z głównych problemów jest brak dostępu do szybkiego i stabilnego łącza internetowego na obszarach wiejskich, co jest niezbędne do przesyłania dużych pakietów danych z dronów czy maszyn do chmury obliczeniowej. Rozwiązaniem może być rozwój technologii 5G oraz systemów przetwarzania brzegowego (edge computing), które pozwalają na analizę danych bezpośrednio na maszynie, bez konieczności ich wysyłania na zewnętrzne serwery. Kolejnym wyzwaniem jest interoperacyjność systemów – rolnicy często korzystają z maszyn i oprogramowania różnych producentów, które nie zawsze potrafią się ze sobą komunikować i wymieniać dane, co prowadzi do fragmentacji informacji. Istnieje również problem jakości danych; algorytmy AI są tak dobre, jak dane, na których się uczą, a błędne lub niekompletne dane wejściowe mogą prowadzić do mylnych rekomendacji. Ponadto, wysoki poziom skomplikowania technologicznego wymaga od rolników zdobycia nowych kompetencji cyfrowych lub zatrudniania specjalistów, co stanowi barierę dla mniejszych gospodarstw.
Aspekty ekonomiczne i przyszłość rolnictwa cyfrowego
Opłacalność inwestycji w technologie rolnictwa wspieranego przez sztuczną inteligencję jest tematem złożonym, zależnym od skali produkcji i specyfiki gospodarstwa. Choć koszt zakupu autonomicznych maszyn, dronów i oprogramowania jest wysoki, zwrot z inwestycji następuje poprzez oszczędności na środkach produkcji (paliwo, nawozy, chemia), wyższą wydajność plonów oraz lepszą jakość produktów końcowych. W dłuższej perspektywie, rosnące koszty pracy ludzkiej i jej niedobór będą czynić automatyzację coraz bardziej atrakcyjną ekonomicznie, a modele biznesowe typu "Rolnictwo jako Usługa" (Farming as a Service) mogą obniżyć bariery wejścia dla mniejszych podmiotów, umożliwiając im wynajem zaawansowanych technologii na godziny lub hektary. Przyszłość rolnictwa to gospodarstwa w pełni połączone siecią Internetu Rzeczy (IoT), gdzie strumienie danych przepływają płynnie między glebą, maszyną a chmurą, tworząc cyfrowego bliźniaka gospodarstwa, na którym symulowane są różne scenariusze zarządcze. Sztuczna inteligencja nie zastąpi całkowicie rolnika, ale zmieni jego rolę z operatora maszyn na zarządcę ekosystemu technologicznego, podejmującego strategiczne decyzje w oparciu o najbardziej zaawansowaną wiedzę dostępną ludzkości. Transformacja ta jest nieuchronna, jeśli chcemy sprostać wyzwaniu wyżywienia 10 miliardów ludzi w sposób zrównoważony dla planety.