LLM-ассистенты в цифровом сельском хозяйстве сократили цикл производства на 35%
Учёные представили систему автономного управления сельскохозяйственными комплексами на основе больших языковых моделей (LLM). Работа опубликована на arXiv и описывает замкнутый контур, в котором ИИ не только анализирует данные с датчиков, но и напрямую управляет оборудованием.
В основе системы — сеть из 49 фитосенсоров, включающая мультиспектральные, электрохимические и диэлектрические датчики. Они в реальном времени передают информацию о состоянии растений. Для удобства специалистов и обычных пользователей предусмотрен вывод данных на естественном языке.
Ключевая особенность — переход от анализа с участием человека к полностью автономному управлению. LLM обрабатывает биофизические данные, оценивает физиологию растений и запускает исполнительные механизмы: оптимизирует микроклимат, выполняет протоколы фенотипирования или создаёт контролируемый стресс для исследований.
Разработку проверили в трёх сценариях, включая вертикальную ферму и установку с одним растением. Модель смогла расшифровать сложные микро- и макроколебания физиологических процессов. В производственном масштабе агенты выполняли многопараметрическую оптимизацию, балансируя накопление биомассы, содержание хлорофилла и энергопотребление.
В минимальном по времени режиме система управляла светодиодным освещением полного спектра, а также каналами 450 нм и 660 нм с интервалом в два часа. Это позволило сократить производственный цикл на 35% по сравнению с периодическим управлением. В режиме энергоэффективности потребление снизилось на 18% при незначительном увеличении времени выращивания за счёт световых импульсов и физиологической инерции растений.
Кроме того, агенты самостоятельно выработали неочевидную стратегию накопления хлорофилла в темноте, что дало экономию энергии в 67,9%. Как сообщает издание, такой подход демонстрирует способность LLM находить решения, выходящие за рамки заранее заданных алгоритмов.
По мнению авторов, предложенная архитектура превращает большие языковые модели в автономных ассистентов для цифрового сельского хозяйства. Она улучшает соотношение цены и результата, снижая потребность в вычислительных мощностях и привлечении экспертов.
Разработка открывает путь к прямому интерфейсу между ИИ и биологическими системами, что в перспективе может применяться не только в земледелии, но и в экологическом мониторинге и биотехнологиях.
