2025年AI+农业专题报告：政策大力支持智慧农业发展，AI赋能种植链前景可期

一、政策推进智慧农业发展，“AI+农业”前景可期

（一）AI 技术工具多元，在农业领域应用场景广泛

人工智能（AI）本质是使用计算机来模拟人的某些思维过程和智能行为（如学 习、推理、思考、规划等），包括机器学习、深度学习、计算机视觉、自然语言处理、 脑机接口、知识图谱、人机交互、自主无人系统等： （1） 机器学习（ML）：AI核心技术，通过构建模型、利用算法对大量数据进 行学习和分析，自动发现数据中的模式和规律，并据此对新数据进行预 测或决策；可划分为监督学习、无监督学习和强化学习。 （2） 深度学习（DL）：机器学习重要分支，基于人工神经网络的学习算法， 通过构建具有多个层次的神经网络模型，让计算机自动从大量数据中学 习特征和模式。 （3） 计算机视觉（CV）：用摄影机和电脑代替人眼对目标进行识别、跟踪和 测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观 察或传送给仪器检测的图像。 （4） 自然语言处理（NLP）：AI重要子领域，使计算机能够理解、生成和处 理人类语言，大语言模型（LLM）是NLP中一种特定类型模型，专注于 根据大型数据集的广泛训练生成和理解文本，如ChatGPT是基于著名大 语言模型GPT-3开发而来。 人工智能和大数据、物联网、云计算、区块链技术共同组成高度关联的“数字新 技术”生态系统。基于多元技术工具，AI在种植、养殖、水产捕捞等各农业领域的应 用场景日益广泛，如作物监测、精准农业、养殖环境管理、智能捕捞等等，AI正引领 着智能化农业时代的到来。

（二）国家积极推动智慧农业发展，AI 驱动种植产业链转型升级

政策积极推动智慧农业发展，“AI+农业”未来可期。智慧农业通过集成AI算法、 物联网、大数据、云计算等先进技术，正深刻改变着传统农业生产模式。近年来国家 高度重视并积极推动智慧农业建设，2024年10月23日农业农村部印发《全国智慧农 业行动计划（2024-2028年）》，目标到2028年底农业生产信息化率达到32%以上； 2025年中央一号文件指出“以科技创新引领先进生产要素集聚，因地制宜发展农业 新质生产力。支持发展智慧农业，拓展人工智能、数据、低空等技术应用场景。” AI赋能种植产业链，驱动传统经验农业向标准化生产转型。在种植领域中，AI在 作物监测与管理、精准农业、农业机器人、农业数据分析与预测等领域发挥重要作 用：如运用机器学习对大量农业数据进行学习和分析，建立模型来预测作物生长、 病虫害发生、产量等；运用深度学习中的卷积神经网络（CNN）对农作物的图像进 行识别，准确判断作物的生长状态、病虫害情况等；依托物联网、无人机和卫星遥感 实现精准灌溉与施肥，提高资源利用率；通过智能监测、自动化农机和算法驱动的 精准决策，使传统经验农业转向数据驱动的标准化生产。

二、育种：AI 驱动智能设计，助力效率大幅提升

（一）AI 驱动智能设计育种，赋能表型及基因组学研究

AI驱动智能设计育种，助力育种精度及效率大幅提升。植物育种的历史发展历 经原始育种、杂交育种、转基因育种，到21世纪迎来育种4.0阶段，即基于遗传学与 人工智能相融合的“智能设计育种”。育种者能够借助AI驱动的工具对海量数据进行 分析，从而精准预测基因型-表型关联，识别新的基因组合，大幅提升精度和效率并 优化育种策略。AI在作物改良中的核心应用工具包括大数据技术、机器学习、深度学 习、计算机视觉、遗传算法等等，对作物的表型组学、基因组学产生深远影响： （1） AI为表型组学带来范式转变：通过成像技术和传感器技术，能够对植物 表型进行高通量、高精度的分析。例如，RGB成像技术能够捕捉植物的 细微健康变化，提供有关生长模式、应激反应和疾病易感性的信息；近 红外反射光谱技术可快速确定材料的性质，揭示植物的营养水平和疾病 状况；热成像技术能够检测植物的热信号，反映植物的胁迫和疾病状况； 荧光和断层成像技术则分别用于检测分子过程和揭示植物的细胞及根 系结构。 （2） AI大幅提升基因组学研究效率：通过预测建模，能够快速识别和解读基 因的功能。例如，机器学习算法能够分析大规模的基因信息数据集，包括基因序列、表达谱和蛋白质相互作用等，从而高精度地预测基因的潜 在功能。同时，AI还能够分析复杂的基因相互作用，从分子水平上揭示 基因如何协同影响植物性状。此外，AI有助于整合包括基因组学、转录 组学、蛋白质组学和代谢组学在内的多组学数据，提供更全面的基因功 能理解。

（二）海外 AI 育种已臻成熟，国际种业巨头新品种研发提速

欧美等发达国家在作物育种领域起步较早，长期的研究积累起丰富的作物遗传、 表型等数据。先正达、拜耳等国际种业巨头拥有庞大的研发团队和先进的技术平台， 在完善的作物基因组数据库和表型数据库基础上，利用AI算法在作物基因编辑靶点 预测、全基因组选择模型优化等方面取得显著成果，并广泛运用于田间试验及商业 化育种中，加速新品种的研发和推广，显著提高育种效率和国际竞争力。

（1） AI提升育种公司作物表型分析能力及效率：2021年利马格兰集团和领先 的AI软件供应商Alteia公司开展合作，Alteia公司提供AI软件平台支持利 马格兰在全球范围内的育种研究项目。通过该平台，利马格兰能够加速 数据标准化过程和质量控制自动化，快速开发实时数据驱动的作物洞察， 利用计算机视觉、机器学习等技术，更好地进行作物表型分析和品种特 征描述，提高育种效率和质量。

（2） AI加速育种公司性状发现和优异品种选育过程：2024年6月，先正达集 团与AI公司InstaDeep合作，将先正达专有的性状研发能力与InstaDeep 的大语言模型（LLM）——农学核苷酸转化器（AgroNT）相结合。AgroNT 在大约1050万个包含数万亿碱基对的基因组序列上接受预训练，涵盖大 田、水果、豆科、蔬菜等48种核心农作物，因而能够深度解析遗传密码 的复杂语言。通过这种方式，AgroNT可以帮助科学家从大量的DNA序 列和基因组数据中挖掘洞察，准确预测基因调控机制，从而将性状控制 和作物表现提升到一个新水平。该技术进一步加快了先正达性状管线的 发展，目前已成功应用于玉米和大豆的性状设计中。

（三）国内加速推广 AI 作物育种，产业运用前景广阔

我国近年来在作物育种数据积累方面取得显著进展，在AI算法研究方面亦有所 突破，但整体上AI在作物育种中的应用还处于逐步推广阶段，应用主体集中在科研 院所，在算法的创新性和应用的广泛性方面与国外还有一定差距。国内在整体产业 转化上还需进一步加强产学研合作，提高技术的落地应用水平。 （1） 将环境数据纳入基因组预测模型提升预测精度：中国农科院作物科学研 究所利用大规模多环境玉米杂交种数据集，开发出一套自动化机器学习 框架，通过将农作物的气象环境大数据与基因组信息深度融合，实现作 物精准遗传分析与基因组预测，据农科院作物所研究组，该框架较传统 统计模型计算时间缩短可达290倍，且能保持较高的预测精度。同时， 该框架利用解释机器学习模型的输出技术量化了遗传和环境特征对表 型变异及模型性能的贡献。 （2） 全流程智慧育种平台加速育种决策运算：2024年3月，中国农业科学院 作物科学研究所、国家南繁研究院与阿里达摩院（湖畔实验室）联合研 发出全流程智慧育种平台，实现育种数据管理和分析、计算加速、AI预 测亲本及优良品种的育种全流程整合。据达摩院智慧育种科学家顾斐介 绍，该平台能实现针对基因测序数据的变异位点计算加速110倍，基因 型过滤加速25倍以上，群体遗传学分析加速1000倍以上；针对全基因组 选择算法，平台的准确率平均提升15%以上，预测稳定性提升5%。该平 台已被包括中国水稻研究所、中国科学院遗传与发育生物学研究所、国 际畜牧研究所等全球23家科研机构用于育种研究。

三、种植生产：AI 辅助智能决策及自动化耕作，实现精 准种植

（一） 智能决策及自动化耕作助力作物产量提升

AI在种植端的运用场景广泛，大体可归纳为对作物的生长监测和智能决策支持、 以及自动化智能耕作两方面，主要运用到的技术工具包括机器学习、深度学习、传 感器技术与物联网、云计算等： （1） AI协助作物生长监测和智能决策支持：基于物联网，运用各类传感器如 土壤湿度传感器、温度传感器、光照传感器、气体传感器等对苗情、虫 情、土壤墒情、气候等进行数据采集并在云平台进行分析。利用AI系统 进行精准田间监测和土壤健康状况预测，为农户提供高精度的土壤养分、 质地和碳含量分布图，如在制定种植方案时，运用机器学习的随机森林 算法，综合考虑作物品种、土壤肥力、气象条件等多个因素，确定最优 的播种时间、种植密度、施肥量等参数。 （2） AI助力自动化智能耕作实现精准种植：智能农机搭载传感器和摄像头， 农业机器人模拟人的视觉功能，通过学习、分析和判断实现杂草清除、 浇水施肥、作物采摘等，完成无人化种植。通过水肥一体机、卷帘机、 风机等自动化设备进行水分、肥料的补充和温湿度调节，实现农作物产 量的提升。在病虫害防治方面，可借助精准农业和数据驱动的决策方案， 仅针对受害区域进行精准施药，如运用深度学习算法的卷积神经网络 （CNN），自动提取图像特征，准确识别作物图像中的病虫害症状、叶 片颜色变化等，为病虫害防治和施肥决策提供依据。

（二）海外 AI 数字农业平台趋于普及，农田精准化管理降本增效

欧美等发达国家由于大型农场较多，土地集中连片，有利于AI技术的规模化应 用；此外，海外对农田土壤、气象、作物生长等数据的整合和共享机制相对成熟，能 够更好地为AI模型训练提供丰富、准确的数据支持。近十年AI技术在美国的大规模农 场得到快速发展和广泛应用，包括使用配备AI技术的农业机械进行耕种、施肥、收割 等作业，以及基于AI的土壤探测硬件、产量监控系统等。 （1） AI数字平台驱动农田精准化管理：先正达集团推出的数字农业平台 CropWise利用遥感、卫星图像等技术，通过分析土壤、气候、病虫害等 多源数据，为农户提供从作物种植到收获的全周期精准农艺决策支持。 同时，该平台还将这些决策关联到农业机械上，完成自动化作业，大幅 提高生产效率。CropWise平台还能使农户更方便地获取市场信息和政 策指导，从而帮助他们做出更加明智的经营决策，在提高作物产量和品 质的同时，显著降低农业生产的风险和成本。 （2） GenAI为农民提供简化管理及可持续发展支持：拜耳开发生成式人工智 能（GenAI）模型ELY（Expert Learning for You），提升农学家及其他 面向农民的员工的专业能力，为农民及其他农业客户提供快速且准确的 建议。拜耳作物科学部门与微软合作开发的基于Microsoft Phi-3 SLM的 小语言模型（SLM）ELY Crop Protection，旨在简化作物管理，帮助用 户做出明智选择，并为农民提供可持续发展的支持。

（三）国内政策支持力度加大，种植领域有望迎来突破性变革

土地流转推动农地规模化生产，为AI运用奠定坚实基础。我国土地流转政策成 效显著，农地集约化、规模化程度提升。土地流转能将零散土地集中起来，优化土地 资源配置，让土地流向更具经营能力和先进理念的主体，为集约化、规模化经营创 造条件。近年来国家大力支持推动土地流转，据农业农村部数据，全国农村土地流 转面积逐年递增，2023年全国总流转面积达到5.9亿亩，其中出租（转包）面积达5.3 亿亩。新型农业经营主体如家庭农场、农民合作社等成为推动农业规模化发展的主 力军，全国农民专业合作社数量从2008年仅11万户增长至2023年约223万户。 我国在“AI+种植”技术研发方面发展迅速，如哈工大、中国农大相继研发出的 作物精准生长模型、阿里云推出的ET农业大脑等。随着国家政策支持和科技下乡等 活动的推进，AI技术在种植领域的应用范围正在逐步扩大，一些种植基地和大型农 场积极拥抱AI技术以提升生产效率和增强抗风险能力，促进农业可持续发展。 （1） 农作物生长大模型提升作物生长预测准度：由哈工大计算学部、人工智 能研究院、智慧农场技术与系统全国重点实验室共同研发的国内首个多 类型、泛品种、跨区域的农业生长大模型“天工开悟”（KwooGr），据 Github，融合图像理解、认知推理等技术，通过参考作物模拟器、农学 期刊、国家种植规范等农业数据源的分析，采集各类作物共1亿个生长 周期的生长数据，涵盖水稻、玉米、大豆、小麦等22类、95种作物，覆 盖多种东北地区常见种植区域，助力打造准确、可泛化的智慧农业解决 方案。 （2） 移动微服站助力全流程精准种植管控：中国农业大学农业AI研究中心开 发的“数字农牧业移动微服站”，通过综合运用理化检测箱、气象传感 器、土壤传感器以及高精度智能无人机，能够对土壤和气候进行多达40 多项指标的全面检测和监测。同时，据农大研究团队，借助AI算法，该 站还能识别作物的10余项关键指标，为每块农田建立精准的数字档案， 帮助农户获得全程、全方位的精准种植指导，实现节水、节肥、增产的 可持续发展目标。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）