商傳媒｜葉安庭／綜合外電報導全球農業持續面臨雜草帶來的嚴峻挑戰，這些植物不僅消耗資源，也使得農民需投入大量心力進行防治。若未能精準識別雜草，可能導致農藥使用不當，錯失機械除草時機，甚至加速入侵物種的蔓延。有鑑於此，一套名為 WeedNet 的人工智慧系統應運而生，專門用於全球雜草識別，並展現了創紀錄的高準確度。
根據《Bioengineer.org》週四的報導，WeedNet 由愛荷華州立大學與亞利桑那大學的跨領域團隊共同開發，領銜研究員包括 Yanben Shen 和 Timilehin T. Ayanlade，通訊作者為 Soumik Sarkar 和 Arti Singh。此計畫獲得美國國家科學基金會與美國農業部的支持，旨在打造一個能夠辨識全球大量雜草物種，並能適應各區域雜草社群的 AI 模型。
傳統雜草識別面臨缺乏專家驗證訓練數據的瓶頸，而 WeedNet 透過採用基礎模型 架構（一種大型預訓練模型，能在學習大量數據後適應各種下游任務），並結合自我監督學習 （一種無需人工標記即可從數據中學習特徵的機器學習方法），從未標記的影像中學習植物的通用視覺表徵，包括葉脈、莖結構、花序形狀和紋理。接著，再透過標記的雜草數據進行微調，使這些通用表徵專精於特定分類。
WeedNet 展現了卓越的識別能力，對 1,593 種雜草的總體識別準確度達到 91.02%。其中，有高達 41% 的物種被 WeedNet 以完美準確度識別。此外，專為愛荷華州（美國州份）農業設計的局部版本 Iowa WeedNet，對當地 84 種雜草的總體準確度更高達 97.38%。該研究團隊分析，影像的多樣性，涵蓋不同生長階段和可區分的植物特徵，是提升模型性能的關鍵。
這項技術對精準農業 （透過科技精確管理農作物與資源的農業方式）具有深遠的意義。WeedNet 的識別結果已在無人機和地面機器人拍攝的影像中得到驗證，證明其可整合至自動化農機平台，實現定點噴灑、機械除草和雷射除草等精準干預。更進一步，WeedNet 已與自然語言互動 AI 整合，開發出智慧諮詢工具，可為農民、研究人員和政府機構提供物種識別及相關建議，甚至用於監測入侵性雜草的擴散。開發團隊也從公民科學平台 iNaturalist 等獲取數據，豐富其訓練資料庫。
WeedNet 的「全球到地方」設計模式，為將基礎模型應用於各領域科學樹立了典範。然而，廣泛推廣仍面臨挑戰，包括如何確保模型的信任度、有效傳達不確定性，以及持續擴展訓練數據，以涵蓋更多代表性不足的地區、生長階段和稀有物種。
這項突破對於推動台灣精準農業發展具有啟發意義。台灣農業面臨土地破碎化、勞動力短缺以及極端氣候挑戰，引進 AI 輔助雜草識別和管理，有望提高農業生產效率，減少除草劑使用，朝智慧農業轉型。
