Uvod
Kmetijstvo se hitro spreminja v eno najbolj zanimivih področij za uporabo umetne inteligence. Najnovejši korak v to smer je Large Plant Model (LPM) podjetja Carbon Robotics – sistem, ki v realnem času prepozna rastline in kmetu omogoča, da robotu pove, kaj naj uniči in kaj naj zaščiti. To ni le še en AI-gadget, ampak napoved obdobja, ko bodo najvrednejši modeli delovali na njivah, ne le v podatkovnih centrih. V nadaljevanju analiziramo, kaj ta novost pomeni za agrotech, kako spreminja konkurenco in zakaj je relevantna tudi za Slovenijo.
Novica na kratko
Kot poroča TechCrunch, je seattelsko podjetje Carbon Robotics predstavilo Large Plant Model (LPM), nov AI-model, ki poganja njihove robote LaserWeeder – avtonomne stroje, ki plevel uničujejo z laserji namesto s herbicidi.
LPM je natreniran na več kot 150 milijonih označenih slik in podatkovnih točkah rastlin, zbranih na več kot 100 kmetijah v 15 državah, kjer roboti že delujejo. Pred tem je moral Carbon ob vsakem novem plevelu ali vizualni različici znanega plevela zbrati nove oznake in modele znova učiti, kar je trajalo približno en dan. Z LPM pa lahko, vsaj po navedbah podjetja, kmet v uporabniškem vmesniku v realnem času označi nov plevel in robot ga začne takoj uničevati – brez klasičnega ponovnega učenja.
Novi model prihaja do obstoječih strank prek programske posodobitve sistema Carbon AI, »možganov« robotov. Carbon Robotics, ustanovljen leta 2018, je zbral več kot 185 milijonov dolarjev tveganega kapitala, med vlagatelji je tudi Nvidia NVentures.
Zakaj je to pomembno
LPM ni le tehnična izboljšava, ampak signal novega vzorca v industrijskem AI: vertikalni, domeni prilagojeni »foundation« modeli, tesno povezani s stroji. LPM je za rastline približno to, kar so veliki jezikovni modeli za besedilo – splošen predstavitveni model, ki se ga lahko hitro prilagaja novim nalogam brez popolnega ponovnega učenja.
Največji neposredni zmagovalci so večje, kapitalsko močnejše kmetije, ki LaserWeeder že uporabljajo, zlasti v zelenjadarstvu in pridelavi visokovrednih kultur. Dobijo večjo prilagodljivost (ni čakanja na posodobitve modela), manj izpadov in sposobnost hitre reakcije na nove invazivne plevele ali spremenjene razmere na polju. V času pomanjkanja delovne sile in podnebnih ekstremov je takšna prilagodljivost dejansko konkurenčna prednost.
Carbon si s tem gradi močan podatkovni jarek. Trening modela na 150 milijonih realnih posnetkov rastlin iz različnih držav in talnih razmer ni nekaj, kar bi slovenski ali evropski start-up zlahka ponovil. Več kot je robotov na terenu, več podatkov dobijo in boljši postaja model – klasičen primer omrežnih učinkov podatkov.
Na drugi strani bi morali postati pozorni proizvajalci herbicidov in ponudniki ročnega okopavanja ter mehanske obdelave. Kombinacija natančnega računalniškega vida in laserskega uničevanja pomeni, da se del trga plevela seli iz kemije v robotiko.
A tveganj ne manjka. Zaprt, lastniški model, ki v imenu kmeta krmili smrtonosen stroj, odpira vprašanja varnosti, preglednosti in odgovornosti. Če sistem napačno razpozna kulturno rastlino kot plevel in jo uniči – kdo odgovarja? Kako se bo kmet počutil, ko bo njegovo specifično znanje o njivi vgrajeno v tuji model in oddaljene strežnike?
Širši kontekst
LPM se lepo vklaplja v trend, ki ga vidimo v številnih industrijah: prehod iz ozko specializiranih modelov v splošnejše predstavitvene modele. Pri avtonomni vožnji smo šli od detekcije pasov do celostnega razumevanja prometne situacije; v medicinski diagnostiki od preprostih klasifikatorjev k multimodalnim sistemom.
V agrotechu se podobno premikajo tudi drugi igralci. John Deere je z akvizicijo Blue River Technology razvil kamere za sistem »see and spray«, ki loči plevel od kulturnih rastlin in ustrezno dozira herbicide. Evropski in izraelski start-upi eksperimentirajo z roboti za obiranje sadja, droni za detekcijo bolezni in pametnim škropljenjem. Toda mnogi ti sistemi še vedno temeljijo na ozko natreniranih modelih, ki se hitro zmedejo, ko se pogoji na terenu spremenijo.
Če LPM deluje tako, kot ga opisuje Carbon, je bližje »temeljnemu« modelu za polje – enemu modelu, ki razume strukturo rastlin in se zna posploševati prek vrst, talnih tipov in svetlobnih pogojev. To je kvalitativni preskok naprej.
Vlaganje Nvidie dodatno kaže, kam se usmerja ekosistem. Nvidia se pozicionira kot ponudnik celotnih vertikalnih rešitev – ne le čipov, ampak tudi programske opreme, orodij in partnerskih mrež za posamezne panoge. Kmetijska robotika je zanjo logična: porabi veliko računske moči, ustvarja unikatne podatkovne zbirke in ima jasne povezave s strojno opremo.
Zgodovina preciznega kmetijstva v Evropi je šla v valovih: GPS-traktorji, kartiranje pridelka, spremenljivo doziranje gnojil. AI-roboti na njivah so naslednji val. Zmagovalci bodo tisti, ki povežejo tri elemente: podatke, robustno strojno opremo in skladnost z regulativo na več trgih.
Evropski in slovenski vidik
Za EU ta tehnologija prihaja v občutljivem trenutku. Strategija »od vil do vilic« predvideva občutno zmanjšanje uporabe pesticidov do leta 2030. Roboti, ki mehansko ali z laserji uničujejo plevel, ponujajo regulatorjem konkreten tehnološki odgovor, ne le prepovedi. To je pomembno tudi za slovensko vrtnarstvo, vinogradništvo in ekološko pridelavo, kjer je ročno pletje izjemno drago.
Po drugi strani je evropska regulativa zahtevnejša od ameriške. Uredba o umetni inteligenci (EU AI Act) bo številne AI-sisteme v fizičnih strojih uvrstila med visokorizične, z zahtevami po sledljivosti, človeškem nadzoru in nadzoru po vstopu na trg. Laser, ki samodejno odloča, katero rastlino bo uničil, bo regulatorje neizogibno zanimal.
V slovenskem kontekstu je slika mešana. Imamo razdrobljeno strukturo kmetij, kar otežuje hitro uvajanje dragih robotov, a hkrati močno pomanjkanje sezonske delovne sile, zlasti v sadjarstvu in zelenjadarstvu. To ustvarja ekonomski prostor za delitev robotov med kmeti, zadruge ali kmetijske zadruge, če bodo cene in pogoji ugodni.
Vprašanje podatkov je za EU prav tako ključno. Če bodo roboti ameriškega podjetja z lasersko natančnostjo beležili stanje na poljih, kdo bo lastnik teh podatkov in pod kakšnimi pogoji? To ni klasičen GDPR-problem, temveč kombinacija pogodbenega prava, konkurenčnega prava in strateške digitalne suverenosti.
Pogled naprej
Tehnično gledano je LPM verjetno šele prva različica. Ko enkrat imate robusten model zaznavanja rastlin na robotu, se logično ponujajo naslednji koraki: zaznavanje bolezni in škodljivcev, ocenjevanje pridelka, samodejno štetje rastlin za zavarovalnice in subvencije, celo prilagajanje agronomskih praks v realnem času. Carbon tega (še) ne obljublja, smer razvoja pa je precej jasna.
Poslovno bo ključno vprašanje, ali bo LPM ostal zaprt znotraj robotov Carbon Robotics ali bo podjetje model nekoč licenciralo proizvajalcem traktorjev in priključkov – morda tudi evropskim. Prvi scenarij krepi strojno opremo, drugi bi Carbon postavil v vlogo platforme za rastlinski AI.
Za slovenske in evropske kmete bo naslednjih pet let obdobje eksperimentiranja. Bo takšna robotika ostala domena nekaj večjih pridelovalcev v zahodni Evropi, ali bomo videli tudi modele najema in storitev, prilagojene manjšim kmetijam v alpskem in sredozemskem prostoru? Kako bodo nacionalni strateški načrti SKP in okoljske sheme obravnavali robotsko pletje v primerjavi z zmanjšanjem herbicidov?
Spremljati velja tri stvari: smernice EU in držav članic glede AI v kmetijskih strojih; odzive velikih evropskih proizvajalcev mehanizacije (bodo raje razvijali svoje modele ali kupovali rešitve od specializiranih podjetij?); ter realne izkušnje prvih uporabnikov – tudi glede stroškov vzdrževanja in zanesljivosti.
Bistvo
Large Plant Model podjetja Carbon Robotics je zgodnji, a pomemben primer, kako se »temeljni« AI-modeli selijo iz oblaka v fizično delo na poljih. Če bo deloval, kot ga opisuje podjetje, lahko pospeši odmik od kemičnega zatiranja plevela in spremeni razmerja moči med kemijsko industrijo, proizvajalci mehanizacije in ponudniki AI. Ključno vprašanje za Evropo in tudi za Slovenijo pa je, ali bomo le uvozniki takšne inteligence ali bomo soustvarjali odprte, lokalno prilagojene alternative.
