1962年，亚瑟·塞缪尔（Arthur Samuel）震惊了世界。他制造了一台可以挑战当时的跳棋冠军罗伯特·内利（Robert Nealy）的计算机。机器赢得了胜利，但胜利背后的意义更值得我们思考。塞缪尔没有将棋盘上出现的所有潜在的可能情况编程到计算机中，而是根据过去玩过的游戏指示设备做出反应。如今，塞缪尔在其早期实验中运用的“机器学习”原理几乎已在所有领域中使用，包括与人工智能看起来并不相关的一个领域。

使用数据更有效地增长

植物学家一直在寻找能够帮助农民更高效地种植农作物，同时又能更少的使用自然资源的方法。但是，要使植物一直保留有益的性状，研究人员必须找到正确的基因序列。而究竟哪个序列才是正确的一直是一个谜。  

机器学习算法能够根据数十年的原始数据（例如关于农作物在各种气候下的表现或它们如何继承某些特定的性状），然后利用这些数据来开发概率模型。模型可以预测哪些基因最有可能表达出有益的性状。在数百万种组合中，数字工具和高级软件大大缩小了搜索范围。

测试农场上可能发生的情况

借助机器学习，植物育种变得更加准确，高效，并且能够评估更广泛的变量。科学家正在使用计算机模拟进行早期测试，以评估各种品种在遇到不同的气候，土壤类型，天气模式和其他因素时的表现。这种数字测试可以让植物学家规避繁杂的物理试验而更准确地预测农作物的生长情况。

拜耳集团的数据科学战略负责人Nalini Polavarapu说：“通过使用机器学习，我们能够在测试环节中节省整整一年的时间，对于农民而言，机器学习将帮助他们做出40项关键决策，包括种植、灌溉、疾病预防、病虫害预防、杂草清除等等。”

使用样式查找解决方案

追踪任何植物疾病时，尽早而准确地识别是至关重要的。识别植物病害的传统方法是通过人为识别来完成的。但是，此过程效率低下，容易出现错误。对于受过训练的计算机，诊断植物疾病本质上是模式识别。在整理了数十万张患病植物的照片后，机器学习算法可以评估疾病类型，严重性和许多其他问题。

农业中的机器学习可以更准确地诊断疾病，同时节省资源并防止虚假数据。农民可以上传患病植物图片到Climate FieldView™平台，机器学习就可以找出农场中的潜在问题并提出管理计划。

机器学习的未来

现在无论是小型创业公司还是大型企业组织都在使用机器学习来塑造农业的未来。把机器学习与人类的创造力相结合，一台价值5,000美元的超级计算机理论上可以在植物育种上实现巨大的突破。

就像软件一样，机器学习的改进似乎有无限的可能性。农业研究人员正在更大规模地测试他们的理论，并帮助做出有关农作物的更准确的预测。通过机器学习，我们有可能创造更多的方法来供给我们这个不断增长的世界，适应气候变化以及保护我们的水，土地和其他资源。