大语言模型与基础模型在智慧农业中的基本原理、机遇与挑战

过去十年见证了机器学习（ML）与深度学习（DL）方法在农业系统中的快速发展和应用，在农业应用中取得了巨大成功。然而，这些传统的 ML/DL 模型存在一定局限：它们严重依赖大规模、获取成本高的标注数据集进行训练，需要专业知识进行开发与维护，且大多针对特定任务定制，因而缺乏泛化能力。近来，大型预训练模型（也称为基础模型，FMs）在多个领域的语言、视觉和决策任务中展现出显著成功。这些模型在来自多领域和多模态的大量数据上训练。一旦训练完成，它们仅需少量微调和极少的任务特定标注数据即可完成多种任务。尽管其有效性和巨大潜力已被证实，将 FMs 应用于农业 AI 的探索仍很少。因此，本研究旨在探索 FMs 在智慧农业领域的潜力。特别地，我们给出了概念工具与技术背景，以帮助理解问题空间并揭示新的研究方向。为此，我们回顾了通用计算机科学领域近期的 FMs，并将这些模型分为四类：语言基础模型、视觉基础模型、多模态基础模型和强化学习基础模型。接着，我们概述了开发农业基础模型（AFMs）的步骤，并讨论了其在智慧农业中的潜在应用。此外，我们还讨论了与开发 AFMs 相关的挑战与风险，包括模型训练、验证和部署。总之，本文通过引入 AFMs 这一有望显著减少对大量标注数据依赖并提升农业 AI 系统效率、有效性与泛化能力的有前景范式，探讨了农业 AI 的进展。