基于生成式大型模型融合技术的农业自主决策系统“伏羲大脑”及其物联网应用

《Computers and Electronics in Agriculture》：Agricultural autonomous decision-making system ”Fuxi Brain” Based on generative large model fusion internet of things

精准农业决策智能化研究：通过整合农业物联网与生成式大模型构建Fuxi Brain系统，实现从种植到收获的全流程自主决策，动态优化算法和全模态对齐训练显著提升决策精度至89.7%，有效解决传统决策依赖人工经验的问题。

　　

陈海华|侯光宇|陈华|王硕|陈子瑜|张彦斌

中国科学院计算机科学研究所，北京100190，中国

摘要

农业生产中的精准决策一直是制约现代农业发展的关键瓶颈。依赖人工经验的传统决策模型已无法满足现代智能农业的需求。本研究通过将农业物联网（IoT）与生成式大型模型相结合，实现了一个完全自主的农业智能系统，称为“伏羲大脑”。该系统由两部分组成。第一部分构建了一个全面的“天-空-地-人-机”数据采集系统，实现对农业生产中所有因素的数字化感知。第二部分是智能决策系统。首先，在大脑的动态决策层中，提出了一种基于混合多模型（通用大型模型+专用农业模型）的多智能体协作架构。此外，设计了一种动态最优矩阵算法（DOMA），显著提高了系统的决策效率。最后，开发了一种全模态对齐训练方法，有效解决了多源异构数据整合的挑战。实验结果表明，在AlpacaEva和MT-Bench基准测试中，该系统的决策准确率比ChatGLM等主流模型提高了36.7个百分点。全模态对齐训练方法在跨模态理解任务中的表现显著优于传统方法。在一个一站式农业服务决策平台上的测试结果显示，其准确率为92.3%，与人类专家相当。在内蒙古大环农场1367英亩的玉米种植现场的实际应用中，该系统在整个生产周期内自主生成了127个决策，准确率为89.7%。这成功实现了从种植到收获整个过程中的自主和精准决策。这项研究为智能农业的发展提供了创新的技术路径和实际案例。

引言

食品安全是人类生存的基础，是实现世界和平和可持续发展的关键保障，也是构建人类命运共同体的核心基石（Viana等人，2022年；Conceio等人，2016年；Gani和Prasad，2007年；Pérez-Escamilla，2017年；Conceicao等人，2011年）。联合国粮食及农业组织、国际农业发展基金、联合国儿童基金会、联合国世界粮食计划署和世界卫生组织联合发布的2022年《世界粮食安全与营养状况报告》指出，2021年约有8.28亿人受到饥饿的影响，比2019年新冠疫情爆发前增加了1.5亿人（FAO，2022年）。根据2023年《全球粮食危机报告》，世界连续第四年面临严重的粮食不安全问题，急需粮食、营养和生计援助的人数持续增加。目前已有58个国家和地区，总计约2.58亿人处于严重饥饿状态，7个国家面临饥荒风险（粮食安全信息网络，2023年）。在这种背景下，发展智能农业被认为是应对全球粮食安全挑战的关键途径（Zhang等人，2021b年；Steeneken等人，2023年；Sinha和Dhanalakshmi，2022年；Hou等人，2023年）。长期以来，全球农业生产决策一直高度依赖人工经验。然而，个人知识水平、经验能力和信息获取渠道的局限性往往导致决策偏差，影响农业生产效率和资源利用。尽管某些技术可以在局部环节辅助决策甚至实现一定程度的自动化，但在复杂多变的自然环境影响下，“大量施肥和农药”等现象在农业生产中仍然普遍存在，资源浪费和效率低下的问题亟需解决。

近年来，在作物种植的智能决策研究方面取得了一系列进展。在耕地识别方面，Zkan等人（2020年）基于模糊多标准决策分析方法结合地理信息系统（GIS）和地理统计插值模型，识别出了中亚半干旱地区适合农业活动的潜在区域。在作物品种选择方面，Rani等人（2023年）基于气象和土壤数据构建了一个机器学习作物推荐模型，显著提高了农业气候适应性评估的准确性，为科学选种提供了有力支持。Lotfi等人（2022年）提出了一种具有鲁棒性和灵活性的机器学习预测框架，在农业产量预测方面优于传统的正弦拟合模型。Tanaka等人（2023年）利用南北半球作物种植季节的滞后特征，并结合卫星遥感数据，建立了全球作物监测机制。在主要生产区发出收获预警后，可以激活相反半球的生产响应，从而缓解短期波动，增强全球粮食系统的韧性。在减少农药和化肥使用量并提高其效率方面，Pathan等人（2020年）系统回顾了人工智能和物联网在精准农业中的应用，指出这些技术有助于优化化学投入、降低成本，并提高土壤肥力和生产力。在食品安全领域，Ahmed和Broek（2017年）提出区块链可以为农产品赋予独特的数字身份，实现供应链全程的可追溯性，包括生产环境、批次信息和保质期，从而减少浪费、增强消费者信任，并实现剩余食物的合理再分配。尽管上述技术在不同环节具有优势，但它们彼此独立且缺乏协调。一个贯穿整个农业过程的统一智能决策系统尚未形成。自主农业决策系统的实际应用（Padhiary等人，2025年）使农民能够通过使用自动化技术改进农业生产过程，从而应对现代农业中的全球粮食安全挑战。Hu等人（2025年）开发了一种自主农业机器人决策系统，能够自动识别作物并执行农业操作。通过比较季节性操作数据，该系统优化了生产流程，并通过人机协作实现了全年连续农业生产。Mishra和Mishra（2024年）提出的自主农业决策系统通过整合多种农业数据来源，显著提高了农场管理效率。中国的黑土地区占全国粮食总产量的四分之一，其产量占三分之一，对国家战略粮食安全具有重要支撑作用（Bellwood等人，2007年；联合国粮食及农业组织，2022年）。然而，黑土面临“变薄、硬化”等严重的生态退化问题（Zhang等人，2021a）。目前尚无涵盖整个耕作、管理和收获过程的智能自主农业决策系统，这严重限制了农业现代化的发展。

为此，本研究依托中国科学院A类战略性优先研究计划和农业农村部发布的《国家智慧农业行动计划（2024-2028年）》的政策支持，重点关注黑土的保护和可持续利用，并构建了一个具有完全自主决策能力的农业智能系统“伏羲大脑”（Khanna和Kaur，2019年）。该系统由两个核心组成部分构成：一是“天-空-地-人-机”多维度协作数据采集系统，覆盖从空间遥感、无人机巡查到地面感知终端的全因素感知链；二是智能决策系统，其核心是基于通用大型模型和多个农业专业子模型融合的混合多智能体架构。在系统的动态决策层中，提出了一种动态最优矩阵算法，以提高任务分配和战略规划的总体效率；同时，引入了全模态对齐训练机制，以增强系统整合和理解多源异构农业数据的能力。目前，“伏羲大脑”已经完成了从播种到收获的整个作物（如玉米和大豆）过程的智能管理，并建立了系统的农业监测和决策支持模型，在很大程度上替代了传统的人工经验，标志着构建创新农业自主系统的关键一步。这一全流程农业决策系统侧重于土地保护和可持续利用，黑土地区作为该决策系统的实际应用场景。

节选内容

农业自主决策系统“伏羲大脑”的构建

为了实现从感知到决策的农业运营闭环智能管理，本研究设计并实施了“伏羲大脑”系统。该系统的架构深度融合了农业物联网（Ag-IoT）的感知和采集系统与由生成式大型模型驱动的智能决策系统，解决了传统系统中“感知与认知脱节、数据和模型分离”的问题

伏羲大脑全模态对齐训练方法

本节设计了一种全模态对齐训练方法，以提高伏羲大脑对多源异构数据的融合性能。通过学习不同模态到共享嵌入空间的映射方法，最小化了语义相似内容之间的距离（Hong等人，2024年）。图3是全模态对齐训练的示意图。

本研究的输入包括图像序列$\left(I_1，\dots ，I_n\right)$，文本序列$\left(T_1，T_2，\dots ，T_m\right)$，音频序列$\left(A_1，\dots \right)$

实验设置

为了确保“伏羲大脑”与其他通用大型模型之间的比较实验的科学有效性和可重复性，本研究精心设计了实验平台、模型配置、指标设计和数据集构建：

1. 硬件和平台配置：实验在一个配备了30个NVIDIA A100 80 GB Tensor Core GPU的私有IoT服务器集群上进行，总视频内存为2400 GB。

结论

借助中国科学院A类战略性优先研究计划和农业农村部发布的《国家智慧农业行动计划（2024-2028年）》的支持，本研究成功构建并验证了“伏羲大脑”这一能够实现完全自主决策的智能农业系统，该系统通过将农业物联网（IoT）技术与生成式大型模型相结合实现了创新

CRediT作者贡献声明

陈海华：资源获取、资金筹措。侯光宇：撰写——原始草案、验证、软件开发、数据管理、概念化。陈华：方法论、形式分析。王硕：验证、方法论。陈子瑜：方法论、调查。张彦斌：验证、数据管理。

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的财务利益或个人关系。

致谢

本项工作得到了以下资金的支持：中国科学院战略性优先研究计划（项目编号XDA28120301）；国家自然科学基金（项目编号42377037和62503066）；山东省自然科学基金（项目编号ZR2021MF094）；国家盐碱地综合利用技术创新中心“公开招标选拔最佳候选人”（项目编号GYJ2023001）；科学技术专项