AI 应用 · 产学研合作
AI 智慧农业
与贵州大学联合开展 AI 与大模型在农业场景的验证实验：以真实田间场景检验模型能力，缩短从实验室到田间的落地路径。
验证实验聚焦方向
双方围绕农业垂直场景联合开展大模型推理、微调与应用验证：高校提供学科场景、数据与评测方法，和数据提供算力、模型工程与工程化落地能力，形成「可验证、可复现、可推广」的智慧农业实验体系。
不是再做一个 Demo
合作目标是建立一套面向农业场景的 AI 验证实验机制：数据怎么采、模型怎么评、效果怎么验收、能力怎么上线，每一步都可复现。
实验先行，证据驱动
先定义任务指标与评测集，再跑通模型对比与人工抽检，避免「演示好看、田间不好用」。
学科场景深度结合
依托高校农业相关学科与科研场景，把种植、草牧、农技服务等真实问题带入验证闭环。
工程化可复制
验证通过的能力可沉淀为 API、知识库助手或私有化服务，复制到基地、合作社与政府农技体系。
从田间感知到农技决策
在验证实验框架下沉淀的能力模块，可按场景组合交付。
农情监测与预警
融合气象、遥感与物联网数据，对墒情、长势与灾害风险持续感知，并结合大模型生成可读的预警说明与处置建议。
- 长势评估与产量预估辅助
- 干旱、冻害、洪涝等风险提示
- 多源数据统一接入与运营看板
- 预警文案可对接短信 / 小程序推送
病虫害智能识别
基于视觉模型识别叶片、果实与田间影像中的病虫害，建立「识别结果 + 专家复核」对照机制，持续提升准确率。
- 手机拍照即可识别
- 区域发病趋势统计
- 用药与农艺处置参考（可人工确认）
- 支持本地私有化部署与离线包
农技知识智能问答
将种植手册、地方标准、科研成果与专家经验沉淀为知识库，关注引用来源、幻觉控制与方言口语理解。
- 方言与口语化提问适配
- 回答可追溯引用来源
- 可对接微信 / 小程序 / 农技热线
- 支持区域知识库私有化
生产调度与决策辅助
围绕水肥、农机与采收节奏给出建议，把验证中确认有效的策略模板固化为可调用的决策助手。
- 水肥处方与作业建议
- 农机作业排程辅助
- 与业务系统 / IoT 平台 API 对接
- 关键建议可配置人工审批流
验证成果可推广到谁
高校与科研团队
需要稳定算力、可复现实验环境与工程化评测工具，把课题结果沉淀为可演示、可交付的能力包。
农业企业 / 合作社
规模化种植与养殖基地需要统一监测、标准作业与风险预警，先小范围试点再规模化复制。
农技推广与政务平台
建设区域农技问答、病虫害监测与产业服务平台，强调可审计、可私有化与本地化服务。
农业数字化厂商
将大模型与视觉能力嵌入现有农情、农机、溯源与电商系统，缩短自研模型周期。
从场景定义到田间验收
校企联合按四步推进，确保每一项能力都有对照实验与落地路径。
- 01
场景：任务与指标定义
明确作物 / 畜种、业务目标与验收指标：准确率、召回、响应时效、人工复核成本等。
- 02
数据：语料与样本工厂
整理田间影像、农技手册、问答日志，完成清洗、标注、脱敏与版本管理。
- 03
模型：选型 · 微调 · 对比
在统一评测集上对比通用模型、行业微调模型与规则基线，形成可解释结论。
- 04
落地：试点与产品化
小范围试点 → 人工复核 → API / 小程序 / 私有化交付，并持续回流难例数据。
常见问题
我们没有现成的数据，能做吗？
可以。验证实验的第一步就是数据：从田间影像、农技手册、历史问答日志开始整理、标注与脱敏，评测集也在这一阶段同步建立。
识别和问答的准确率有多高？
以统一评测集上的对照实验结果为准，不同作物、病害与影像条件差异很大，我们不在试点前承诺数字。
田间没有网络，能离线使用吗？
病虫害识别与农技问答支持本地私有化部署与离线包，可部署在算力一体机上，在基地或农技站内运行。
高校课题组怎么参与合作？
提供学科场景、数据与评测方法即可，算力、模型工程与工程化落地由和数据承担；可从一个作物或一个问题开始立项。