围绕人工智能的讨论往往是以人类为中心的。这是一个极其复杂的话题，所以报纸和电视会寻找普通人容易理解的简化版故事情节。因此，许多人认为人工智能的最终目标是复制人类大脑的工作方式也就不足为奇了。但是，除了创造一个有自我意识的人工思维之外，还有其他方式来看待人工智能能为我们做什么吗？

同样，农业和食品行业更需要扩展地思考人工智能。农业生产和消费食物链的目标都是通过优化价值链的总和，以可持续的方式提高粮食安全。人类并不是唯一能人为的提高智力的智慧体；植物和大自然的其他物种也会，甚至更多。但是，大自然它们教会我们关于网络和系统的复杂性。当我们要把这些经验应用于农业时，一个把地球当做生产车间的行业，这一点则尤其重要。

农业中的人工智能应该通过对自然复杂系统的“仿生”来增强人类的智力。植物神经生物学研究的创始人之一Stefano Mancuso，将互联网比作植物的通信网络，认为参照植物可以进化我们现有的技术网络。博物学家兼作家Janine Benyus则为大众普及了“仿生学”一词，用来描述受自然启发的创新，这种方式超越了人类自身的考量。

Janine Benyus写道，“当我们审视什么才是真正可持续的时，唯一能在很长一段时间内奏效的真正模式就是自然界。”如果这是真的，那么建立可持续的、科技驱动的价值链的最好方式就是仰望自然。

这并非一个全新的概念。科技成就往往能从自然找到灵感，比如，蝙蝠的回声定位激发了声纳和雷达的各种应用，或者蜜蜂和蚂蚁的群体智能激发了人工神经网络的灵感。

1955年，当人工智能的先驱们第一次着手定义这门学科的未来目标时，他们表示，“是要让机器的行为方式与被称为智能，如果一个人这样做的话 。”然而，在自然界中发现的复杂生物系统的行为也可以被描述为具有某种形式的智慧。

超越以人为中心的方法论的核心含义是，农业人工智能需要适应自然秩序。我们的目标不是实现类似人类的智能；相反，更可持续的目标是根据从土壤到餐桌的价值链内的具体需求，将人类智慧和生物秩序的智慧结合起来。

以视觉传感器在作物监测中的使用为例。几十年来，相机，作为工业传感器的前身，都是以人类视觉为模型的。从事农业遥感工作的科学家很快就明白，农学家需要从传感器获得的有关田间作物的信息，并不是人脑或人眼能够感知的信息。

一些昆虫和动物可以看到我们视线之外的东西。为许多农作物授粉的蜜蜂可以看到花上的紫外线图案，这有助于它们定位花粉。同样，一些与植物健康相关的最重要的线索也超出了人类的视线。因此，最有效的农作物传感器是要多光谱。

农学家可以从植物在不同波长的光的反射率值来推断植物的健康状况。健康的植物吸收可见光和近红外光作为光合作用过程的一部分，而不健康的植物则将这类光反射掉。这一差异可以用标准化植被指数(NVDI)的公式来计算。这比仅仅看一株植物是不是足够绿要管用得多，可以检测到植物遭受压力的早期迹象。

人工智能正在应用于农业价值链的各个部分。但为了以可持续的方式实现真正的粮食安全，整个行业需要谨慎地适应人工智能的进步，以人为中心和以自然为基础。

在下一次的系列讨论中，我们将关注人工智能的进步。这些进步可以应对农业中一些最关键的挑战，从聚合学习和气候适应力开始。人工智能能否帮助农民提高他们对气候的适应能力吗？