农业AI
把对话式 AI 与低成本传感 / 通讯硬件接到田间真实流程：病虫害初诊、温室环境控制、现场数据结构化、卫星长势监测——让非程序员农人也能用订阅费 + 零散材料替代昂贵整包自动化。
简介
农业 AI 在本知识库中主要指：在真实农事场景里，用大模型与 Agent 工具降低「自动化系统」的设计与实现门槛，而不是实验室里的纯算法论文。它同时覆盖软件层（诊断、结构化记录、任务提示）与软硬结合层（微控制器、马达、温湿度计、LINE Bot、云端与卫星数据）。
数位时代报道的北海道案例把这一方向写得很具体：冨安弘樹 管理约 100 公顷农场，本人不会写程式，却用 ChatGPT 与 Codex 做出多套可用系统，并被列为 GPT-5.6 应用案例。它证明农业 AI 的关键约束往往是现场摩擦、设备报价与可维护性，而不是「有没有最新模型」。
关键信息
- 类型：领域应用 / 落地形态
- 典型用户：中小农场经营者、农业法人一线管理者、缺工程师编制的田间团队
- 关键约束：双手脏污与噪音环境、作物对温湿度敏感、设备采购价高、高龄化与缺工
- 相关概念：Codex、ChatGPT、Vibe Coding、企业AI落地、物联网传感、NDVI
核心特性
1. 病虫害与异常初诊
田间发现异常（如花椰菜黑斑）时，拍照 + 自然语言描述交给 ChatGPT，快速得到「可能原因 / 紧急程度 / 处置建议」。价值不在替代植保专家，而在分级分流：立刻请专家 vs 继续观察，减少盲目用药或延误。
2. 低成本环境自动控制
温室通风卷帘过去依赖人工按天气、风向、作物状态开关。农业 AI 路径是：Codex 生成控制逻辑 → 微控制器驱动马达 → 云端 + LINE 遥控 → 温度计阈值自动执行并通知。案例量级：材料费 < 2 万日圆，2–3 周测通，对比某拖拉机直线监控设备约 30 万日圆。
3. 把「办公室系统」搬到通讯工具
田间不愿回办公室录电脑，导致管理与作业断层。解法是把 Airtable / MongoDB 等库与 LINE 结合，做成「农场助理」：员工口头/聊天回报 → 自动结构化 → 可查进度、可提示下一步，压缩建档与人工核对。
4. 卫星尺度的长势可见性
对中大面积地块，定期抓取 NDVI（植生指数）影像并叠到自有田块地图，使「哪一块长势差、应优先巡田」可视化。对话式 AI 降低的是方案设计与数据管道搭建门槛，而非卫星本身的科学门槛。
5. 方法论：原型优先于「懂 AI」
仅了解模型能力不够；一线变数多，必须先做原型 → 反复测改 → 再扩场景。成本结构偏向「AI 订阅 + 硬件材料」，而不是一次性买断整套农业自动化服务。
不同素材中的观点
- 2026-07-18-bnext-ai-farmer-chatgpt-japan（数位时代）：以冨安弘樹为样本，给出四类落地（病虫害、温室远控、LINE 助理、NDVI）与清晰成本对照；结论是 AI 把过去大企业才负担得起的自动化，下放到不会写代码的农人。延伸判断：厂房、建筑、老年看护、物流等「现场产业」同样适用「痛点 → 原型 → 迭代」路径。文章同时把该故事挂到 GPT-5.6 案例叙事上，说明 frontier 模型厂商开始用非互联网白领场景证明模型价值。
实用信息
- 何时值得做：同一操作每天重复、外包/买设备报价显著高于材料+订阅、现场无法舒适使用电脑、失败成本可接受（可先小范围温室试点）。
- 起步清单：① 选一个最痛的单点（建议环境控制或记录断点）；② 固定通讯入口（LINE 等团队已在用的工具）；③ 用 ChatGPT/Codex 生成接线思路 + 控制逻辑 + 测试步骤；④ 设阈值与失败通知；⑤ 两周内必须跑通「能用」版本。
- 注意事项：
- 病虫害 AI 初诊不能替代合规用药与官方检疫要求；
- 物理执行器（卷帘/灌溉）务必保留手动旁路与极限开关；
- 田间网络与供电不稳定时，云端逻辑要有本地兜底；
- 员工数据与地块坐标涉及隐私与经营机密，注意账号与分享范围；
- 不要一上来做「智慧农场大平台」，按痛点增量交付。