TAM)我們相信機器學習(ML)在以下方面具有潛力：提高農作物產量，減少化肥和灌溉成本，同時有助于早期發現作物/牲畜疾病，降低與收獲后分揀相關的勞動力成本, 提高市場上的產品和蛋白質的質量。

當我們看到用于收集土壤，天氣，航空/衛星圖像，甚至聽覺數據的傳感器的擴散，我們認為，從這些 PB 級數據，深度學習算法能幫助洞察(或者是制定)種植時間、灌溉、施肥以及畜牧相關的決策，最終增加農業中土地，設備和人的生產效率。

鑒于所使用的所有已確定的技術數字農業將被優化或完全由機器學習和人工智能驅動，我們假設 25% 的價值創造會累積到機器學習和人工智能的產業鏈，這將意味著在 2050 年 1.2 萬噸農作物市場中的 600 億美元的潛在市場總額，假設在該時間段內線性分攤，意味著到 2025 年潛在市場總額大約為 200 億美元。

將機器學習應用到農業中會顯著地減少產量損失與勞動力成本。僅就美國玉米生產而言，我們的權益研究團隊已經確認從精確施肥到壓實減少等一系列技術，他們認為到 2050 年可以將玉米產量提高 70 %。重要的是，在他們的研究中確定的每一個創新都是由機器學習和人工智能實現的。

我們已經確定了農業中的幾個具體領域會特別受益于機器學習和 AI 技術的應用。 例如，農民商業網絡，這是一個匯總關于種子性能，農藝實踐，投入品價格，產量基準和其他農民提交的數據的組織，以利用深度分析來提高產量。

利用傳感器，天氣，土壤，甚至無人機/衛星圖像數據，機器學習可以根據當前和預期的天氣模式，作物輪作對土壤質量的影響，幫助農民優化施肥，灌溉和其他決定，確定最佳生產模式。空間圖像分析可以比人類觀察更快更有效的幫助確定如大豆銹病這樣的作物疾病，更早介入以防止產量損失。相同的模式識別技術可以用于在家畜動物中識別疾病和跛足(影響運動和健康的腿/腳/蹄的感染或損傷)。最后，我們看到了使用視覺圖像和自動分揀設施來替代產品和肉類分級和分類線上目視檢查員的應用。

痛點在哪里?

農作物產量受不理想的施肥，灌溉和農藥使用的負面影響。

高盛研究報告《精確農場：用數字農業欺騙馬爾薩斯”》(Precision Farming: Cheating Malthus with Digital Agriculture 2016年7 月13 日)中，確認了幾個問題，這些問題可以通過收集適當的數據和執行適當的分析來解決。 這是至關重要的，因為到 2050 年，為給世界人口提供足夠的糧食需要增加 70% 的糧食產量。

人力成本增加。農業已經歷史性的轉向用技術創新抵消勞動力成本，我們認為機器學習是這一演變的下一步，特別是在收獲/屠宰之后的分揀過程中，其中大多數對產品和肉制品的目視檢查仍然由人類工作者完成。根據勞工統計局BLS，5.3 萬人在美國受雇為“分級分揀農產品”，每年產生大約 13 億美元的勞動力成本。 根據 BLS 數據，農業中的“農藥處理，噴霧器和施藥器使用者”另外產生 13 億美元的勞動力成本。

由動物疾病造成的損失。我們估計，由于乳牛跛足，全球乳品業的年損失超過 110 億美元，而這是可以提前預防的。學術研究表明，在乳汁流失，生育力下降和治療成本之間，每一例跛足會使乳牛場產生成本 175 美元，而平均每年 100 頭奶牛中會發生 23.5 例跛足，這意味著全球 2.5 億頭奶牛每年會產生 110 億美元的損失。

目前的經營方式是什么?

絕大多數農場都很小，但大多數農田是由大型農場控制的。 根據聯合國糧農組織報告，全球72%的農場面積小于 1 公頃，而所有農場中只有 1% 的農場大于 50 公頃，這些大型農場控制著 65% 的全球農業用地。超過 10 公頃的農場絕大多數存在于像美洲和歐洲這樣更發達的地區(這兩個區域占總數的 73%)，而亞洲占小于 10 公頃的農場的 85% 。 因此，世界上大多數農田都能獲得基礎設施和經濟發展，能夠使用精確農業技術，只要這些技術是財務上可行的解決方案。

即使在經濟發達國家，精確農業仍處于早期階段。 例如灌溉，仍然通過溢流或其他形式的表面灌溉進行，這是效率最低和技術最落后的方法之一。在作物種植的主要領域，目前的技術包括：

通過在美國建立農民商業網絡(FBN)，我們還看到農業數據民主化的到來。FBN 是一個獨立的業務，農民可以訂閱并匿名的提交農場數據。在分析過程中，FBN 使用聚合的農場數據為單個農民成員提供如何確定產量，時間，天氣和其他數據的建議。在畜牧業和乳制品業中，目前的技術包括普遍使用抗生素或其他預防性藥物，接種疫苗，撲滅病動物，以及化學平衡的飼料添加劑。此外，牛的飼養也采用足浴以預防和治療蹄類疾病和感染。

在美國，接近一半的農業灌溉用地是通過澆灌或其他的地面灌溉方式被灌溉的。地面灌溉是一種效率最低、技術最落后的灌溉方式。下圖顯示按照不同灌溉方式進行灌溉的農業用地的百分比。

人工智能和機器學習能起到什么作用?

機器學習所具備的通過使用大數據集來優化單個或一系列關鍵目標的能力很適合用來解決農業生產中的作物產量、疾病預防和成本效益等問題。

在農作物產后分揀和農藥應用領域，我們認為隨著時間推移僅在美國境內機器學習和人工智能技術能通過降低成本和提高效率每年節約 30 億美元的勞動力成本。按照我們的估計，全球范圍內的這個數據極有可能超過美國所節約成本的兩倍。最后，我們認為機器學習和人工智能技術能改善育種和牲畜健康狀況，并且能在奶牛養殖領域創造出大約 110 億美元的價值(即對失去的潛在收益的補償和節約的絕對成本)，以及能通過兩種常見疾病的控制在家畜養殖領域創造出20 億美元的價值。

提高作物產量

人類已經利用了地球上幾乎所有可用的農業用地，然而聯合國預計到 2050 年全球人口將達到 97 億。因此，為了滿足未來全球對糧食的需求，我們非常有必要提高農作物產量。機器學習技術可以被用來分析來自無人機和衛星圖像、氣象模式、土壤樣本和濕度傳感器的數據，并幫助確定播種、施肥、灌溉、噴藥和收割的最佳方法。機器學習技術在我們于2016 年7 月13 日發布的《精準農業》報告中所確定的每一項創新中幾乎都發揮著重要作用。下圖顯示不同技術所帶來的玉米產量的潛在提高量。

收獲后分揀勞動。在一個簡單的案例中，我們發現 Google 公司的 TensorFlow 機器學習技術被日本黃瓜菜農用來自動分揀黃瓜，而以前分揀黃瓜的程序一直需要大量手動或視覺檢查工作和勞動力成本。在這個案例中，農夫只需使用包括 Raspberry Pi 處理器和普通網絡攝像頭在內的簡單又便宜的硬件設備，就能用 TensorFlow 訓練出一個能將黃瓜分成 9 個類別并且具有相對較高的準確度的算法，從而減少了與分揀相關的勞動力成本。我們認為相似的應用可以擴展成更大的規模，并且被用于具有較高分揀需求和成本的農產品，例如西紅柿和土豆。

家禽種群中的疾病監測。在一項學術研究中，研究人員收集和分析雞的聲音文件并假設在生病或痛苦的情況下，它們發出的聲音會改變。在收集數據并訓練神經網絡模式識別算法后，研究人員能夠正確地識別出感染了兩種最常見的致命疾病之一的雞，其中發病 2 天的雞的識別準確率為 66 %，而發病8 天的雞的識別準確率為 100 %(如圖32)。正確診斷牲畜所患疾病并盡早在損失發生之前進行治療可以消除由疾病導致的損失。據行業專家估計，挽回的損失可達 20 億美元。

下圖：實驗表明，機器學習可以通過音頻數據分析來正確識別用其他方法不可檢測的疾病，幾乎能消除由于某些可治愈疾病所引起的損失。

量化市場機會

基于農作物產量、作物投入成本節省、乳品/畜牧成本節約、分揀和勞動力節約的潛在增長，我們認為機器學習技術的應用能創造超過 1 萬億美元的價值。在農作物種植領域，我們認為機器學習和人工智能技術可以幫助實現農作物產量提高 70 %。在 Jerry Revich 所作的關于精確農業的表述中，假設各種技術供應商的價值增值幅度為 30 %，數字化農業的潛在市場總額可達 2400 億美元。

考慮到數字農業中使用的所有已知技術將經過機器學習和人工智能技術的優化或完全由其提供，我們假設所創造的價值的 25% 由機器學習和人工智能技術鏈中的供應商累積，這意味著機器學習和人工智能技術在作物種植應用中的潛在市場總額為 600 億美元。在蛋白質類農產品領域，我們認為機器學習技術的應用(例如精確育種機制，疾病預防和治療)可以催生另外 200 億美元的市場。

哪些行業會受到影響?

根據機器學習為灌溉、施肥、勞動力和疾病預防治理成本帶來的節省，我們相信機器學習有潛力在低成本的基礎上擴大全球的糧食、乳制品和牲口的供應。

由于機器學習的應用可以限制廢料并且改善農業預防措施，我們預計以下行業的全球市場會引起波動：化肥業，除蟲劑業，除草劑業，除菌劑業以及獸醫藥業。我們相信大部分此類波動會是相當長期的(五年以上)，由于我們現在都還處在這些機器學習技術的早期，所以相對其他技術，機器學習技術目前對以上行業人士可能還無法承擔。

作者：高盛集團Goldman Sachs，成立于1869年，是全世界歷史最悠久、規模最大的投資銀行之一，總部位于紐約，在23個國家擁有41個辦事處。2017年《財富》美國500強排行榜發布，高盛集團排名第78位。