冨安弘樹
日本北海道农人与农业法人高管；无编程教育背景，用 ChatGPT / Codex 自建病虫害诊断、LINE 远控温室、农场助理与 NDVI 监测，管理约 100 公顷农场，并成为公开报道中的 GPT-5.6 应用案例人物。
简介
冨安弘樹（Hiroki Tomiyasu）是日本北海道的农场经营者。他在东京近郊长大，大学毕业后当过公务员，自称「彻头彻尾的都市孩子」，没有农业或工程科班背景。20 多岁因朋友介绍参与冈山县废耕梯田修复，由此入行，后移居农业重镇北海道，从「不会开拖拉机」开始学习田间管理。
据数位时代转述，他如今管理约 100 公顷农地（报道称约等于 140 座标准足球场），主要作物包括花椰菜、南瓜、青葱与黄豆，并担任农业法人高阶主管；个人介绍称农场在第 5 年做到约 1 亿日圆年销售额。他在公开分享中把自己与 AI 的关系概括为：「我为农场雇用了一名工程师，它叫作 Codex。」
关键信息
- 类型：人物 / 从业者案例
- 地区：日本 · 北海道（早期接触农业于冈山梯田修复）
- 背景：前公务员 → 农业「插班生」→ 农业法人高管
- 公开主页：https://note.com/tomiyasu16
- 相关概念：农业AI、Codex、ChatGPT、GPT-5.6、Vibe Coding
核心特性（其 AI 实践画像）
- 非程序员构建者：从未接受程式教育，却能用自然语言驱动 Codex 完成程式与部分实体线路设计。
- 成本敏感的现场派：对「拖拉机直线监控要价 30 万日圆」等设备报价强烈不适，转向 DIY + AI。
- 通讯工具优先：把 LINE 当作遥控与数据入口，而不是要求工人回办公室用电脑。
- 原型节奏清晰：温室远控系统材料费不到 2 万日圆，约两到三周测试成功。
- 跨领域外推意识：认为厂房、建筑、老年看护、物流等同样存在「一线痛点 × AI 原型」空间。
四类公开的 AI 实践（报道口径）
| 场景 | 做法摘要 | 结果/量级 |
|---|---|---|
| 病虫害 | 花椰菜黑斑等异常拍照问 ChatGPT | 分级：立刻请专家 vs 继续观察 |
| 温室环境 | Codex 写控制逻辑 + 微控制器/马达/云端/LINE + SwitchBot，超 20°C 自动通风并通知 | 材料费 < 2 万日圆；2–3 周测通 |
| 农场助理 | LINE + Airtable / MongoDB，员工回报结构化 | 减少回办公室建档与人工核对 |
| 长势监测 | 问 ChatGPT 如何取 NDVI 并叠到田块地图 | 优先巡田可视化 |
这些实践的共同点不是「一次上大平台」，而是单点闭环：有触发条件、有执行或记录动作、有通知或可视化，并且成本可以被个体农场经营者承担。报道还强调 AI 在温室案中不只写软件，也参与线路设计——说明非程序员与 Agent 协作时，交付边界可以跨过纯软件。
背景如何塑造工具选择
冨安的「插班生」身份有两重含义：①对传统农法与设备供应链缺少路径依赖，更容易质疑「为什么直线监控要 30 万」；②对田间体力与信息断点体感更强（双手沾泥、拖拉机噪音、花椰菜怕热、多栋温室巡检）。因此他的工具选择天然偏向：已有聊天入口（LINE）+ 对话式编程（ChatGPT/Codex）+ 可网购传感执行器，而不是先招工程师或采购整包智慧农业套件。这与 Vibe Coding / 普通人学AI 中「从真实痛苦切入」高度同构，只是验收标准落在物理世界。
不同素材中的观点
- 2026-07-18-bnext-ai-farmer-chatgpt-japan（数位时代，2026-07-17）：完整刻画冨安从都市公务员到北海道农人的路径，以及四类 AI 应用（病虫害拍照问诊、LINE 温室系统、Airtable/MongoDB 农场助理、NDVI 叠图）。文章强调他的「外行身份」反而帮助他看见传统农法与昂贵设备之间的缝隙；方法论上他主张先建原型、反复修改，而不是停留在「懂 AI」。该文并称其成果成为 OpenAI 新模型 GPT-5.6 的应用案例之一（资料来源亦指向 OpenAI / Note 相关公开材料）。
实用信息
- 可对照学习的动作：
- 把每天最烦的 1–2 个农事动作写成「问题卡」（触发条件、现状成本、理想状态）；
- 先用 ChatGPT 做诊断与方案草稿，再用 Codex 落到可运行控制/数据流；
- 优先接入团队已在用的聊天工具，降低训练成本；
- 用两周试点验证「能不能少跑几趟温室 / 少录几次表」。
- 边界：公开报道侧重叙事与量级，未提供可审计的完整开源仓库；复现时需按当地农艺、电气安全与数据合规自行验收。