【智在家鄉】手機也能巡田水！物聯網耕種超節電 關渡精準施肥稻作好壯壯

2021-01-26李 映萱智慧家鄉

匯流新聞網記者李映萱、王佐銘、程子奕、呂怡潔、胡照鑫、李盛雯／新竹報導

國內農業就業人口逐年減少，年齡層也有老化趨勢，為了提升農業生產效率、吸引青農們回流，2020第三屆聯發科技「智在家鄉-數位社會創新競賽」團隊「走向里山一家當關」與「小草」，用智能生產及智慧管理進行定時、定量計算處理，精準投放肥料與水，農民只須在系統上操作，就能種好菜、育好果，大幅降低人力、減少資源消耗，為家鄉農民有效地控管田地。

根據行政院農業委員會統計，台灣農業就業人口有近20%年紀超過65歲，且扣除政府補助，農民月平均收入不到1萬元。「走向里山一家當關」綜合所學與在地實務經驗，加上科技和創意，研發出「SOLOMO永續稻作技術田間管理決策平台」APP，幫助農民建立生產SOP，增加農業產量，提升農民所得。該平台代表意涵為:SO（社群）、 LO（在地）、 MO（行動），團隊成員從家鄉關渡平原進行實驗改良，結合在地團體、農田水利會，擁有10年關渡平原生態的相關資料，經過AI大數據分析、交叉比對，可精準施肥、用水管理、預估採收時間及產量，避免資源浪費。

團員何榮旺與何永山父子，祖輩皆在台北市北投地區務農，見證了都市變遷下的產業更迭與興衰。雖然從父輩起因都市計畫變遷不再務農，仍然心繫農業，轉而投入七星農田水利會。他們發現，過去農民覺得肥料灑越多越好，事實上少量施肥跟用水，反而能讓稻子扎得更深。

團隊自信分享，曾把稻田分成兩部分來試驗，一邊使用SOLOMO永續稻作技術，一邊則遵循舊有稻作模式，有次颱風天突襲，使用系統的那半邊稻田完好無缺，另外半邊稻作則被颱風吹得連根拔起、東倒西歪。SOLOMO也獲得「台北市七星農田水利會」、「台北市七星農田水利研究發展基金會」、「台灣水資源與農業研究院」等農業技術、大數據資料專家認證。

何榮旺說，除了增加農民收益和友善環境的前提下，以水稻強化栽培(SRI) 技術和關渡平原做為市場區隔指標，打造專屬北台灣特有水質環境的優良稻米品牌，進而推廣至其他地區，進而吸引青年洄流返鄉，傳承農業文化。

他們規劃用1年的時間來驗證SOLOMO的AI大數據演算法和功能，後續再上架推廣。未來APP將擴充田間用水施肥、微氣象等功能，並加入田間紀錄、管理、教學。未來將藉由全台17個農田水利會推廣「SOLOMO 永續稻作技術田間管理決策平台」計畫，加速「七星SRI稻米產銷專區」成立，將「七星模式」由台北市關渡平原，推廣至全台灣稻作生產地區。

另一組參賽團隊「小草」，除了看重智慧農業的發展，也關心城市冷氣用量帶來的環境災害。為了降低冷氣用電、提高農業產能，團隊打造「物聯網自動灌溉與排水系統」，應用在屋頂可為大樓降溫，在溫室與農地可發展智慧農業，助農民達到精準施肥及用水，為孕育我們的這塊土地節約能源。

隨著物聯網在農業上的蓬勃發展，聰明的農業應用越來越受到重用。該系統運用感測系統監測土壤品質，導入物聯網技術與地下水排水系統，將採集農業生產現場的光照、溫度、濕度等參數訊息進行數字化和轉化後，傳輸到自行開發的物聯網IoT平台進行整合，以遠程監控即時了解農產品生長狀況。

他們在農地建設多台攝影機，系統結合氣象與雨量預測，不僅能即時偵測土壤灌溉時機，下雨時會啟動馬達保護機制，關閉灑水功能並進行排水，解決了以往梅雨季農作物根部淹到腐爛的問題。為了讓更多人參與此計畫，該團隊在政府的在職訓練課程中公開零組件與程式，製作教學手冊與電子檔供全民DIY，也讓民眾免費申請團隊所開發的物聯網平台。

「小草」團隊分別在高雄、桃園、中壢與台南設置示範基地。其中在高雄的智慧農地，團隊建立地下暗渠排水系統，當下大雨或土壤施肥鹽份過高時，能自動排出多餘水分及鹽分。自動灌溉系統則是用50瓦太陽能板供電，能將水跟肥料直接傳到植物根部；肥料的控制上，除了土壤酸鹼度與電導度的監測外，更可掌握植物氮、磷、鉀生長要素，透過數據即可得知植物需要吸收的養份。

另外，團隊與嘉義溫室業者已合作2年，透過綠屋頂設計，屋頂打造物聯網自動灌溉與排水系統並結合太陽能供電，建構出一套不僅能滿足種植與克服屋頂限制的基本需求，還能達到即時監控與節約能源的自動化屋頂種菜系統，達到保水、排水、自動灌溉、降溫等種植需求。經過團隊實測，在屋頂種植有機蔬果，使室內外溫差有5至10度，只要室內比屋外低1度，即可省電6%。

此系統使用數據上網，結合物聯網，可以將空氣與保水層溫、溼度、土壤酸鹼度與電導度、氮、磷、鉀連線上網紀錄數據或存取於SD卡；還可透過網路遠端遙控物聯網設備，啟動相關設備，例如打水、霧化等自動化功能，以便及時控制效果，讓需常遠行的種植戶也不用。

該團隊希望透過政府職訓課程，與更多對物聯網有研究、從事農業的人進行交流，爭取更多教學單位合作，培養更多人才為家鄉做出貢獻。團隊認為，這套系統導入的排水系統，可對抗乾旱及洪水天災，除了國內推廣，希望未來可推廣到自然災害較頻繁的國家，透過國際間的分享，達到全球化的應用。

附圖：▲團隊使用SOLOMO APP在關渡平原進行實驗。（走向里山一家當關提供）
▲團隊在示範基地使用「物聯網自動灌溉與排水系統」。（小草提供）

資料來源：https://cnews.com.tw/195210126a03/

[AI洞見]第一波浪潮退卻後，AI公司何種商業模式能落地？

by
立馬度 2018.04.16

現在有這麼多的「AI公司」，在AngelList上有紀錄的，就有近萬家：圖像辨識的就有300多家，NPL的近800家。我們不禁在想：同一個東西，將來真的需要幾百種辨識的方式嗎？這麼多AI公司，究竟怎麼樣的「AI公司」會勝出？

「近一年來，公司已經逐漸由『AI技術公司』轉變成為『AI系統整合商』。」中國一家AI新創公司的營運總監這麼說。

「通用的技術訓練框架門檻變得很低，但個別產用應用的差異化又極大，超過九成的專案都需要客製化，完成A客戶的專案很難複製到B Case，主要原因是資料來源與內容有保密性且專屬性。」

而現在有這麼多的「AI公司」，在AngelList上有紀錄的，就有近萬家：圖像辨識的就有300多家，NPL的近800家。

我們不禁在想：同一個東西，將來真的需要幾百種辨識的方式嗎？

這麼多AI公司，究竟怎麼樣的「AI公司」會勝出？

Deep Learning is being commoditized 深度學習逐漸商品化，進入的門檻越來越低了

「Commoditization」常被翻譯成「商品化」，但它真正意思是：企業所提供的某類商品或服務，到處皆可取得，已經被標準化、品質上沒有明顯的差異，而且與另外一家公司所提供的該商品或服務是可以互相取代的。

而讓深度學習(DL)標準化、商品化，使之進入門檻越來愈低的，不是別人，正是Google、Amazon這些科技大頭。

一開始覺得奇怪，DL技術應該是科技大頭的寶貴資產，為什麼反而開放出像是Tensorflow這種Open Source，讓大家可以站在巨人的肩膀上，發展得更快？

原因是這些科技大頭們大多很早期就已經使用人工智慧技術，所以當DL能夠大幅改善機器學習效率時，與其把DL的演算法都藏起自家用，倒不如讓DL的進入門檻越來越低。

因為他們清楚知道DL本身不能獨存，若能讓DL更普及，那些將它商品化所需的資料、計算能力與軟體，還有產業應用導入，才是Google、Amazon這些科技大頭能夠賺進更多錢的地方。

三個階段讓AI的落地策略逐漸明朗: 「演算法」、「資料源」與「垂直領域」

DL剛開始在AI領域發展時，大家都專注在Algorithm(演算法)的開發，看誰的程式能夠更優化深度學習的能力，但是隨著各種訓練框架例如Tensorflow等Open Source快速演進，系統訓練能力逐漸變得差異化越來越小。

ImageNet在2017年7月26日正式宣布停止再繼續圖像識別的比賽，正是因為機器學習在辨識能力已經高達將近98%，高於人眼的95%，而且各家辨識結果大多差異不大，再繼續辦下去的意義已經不太大了。

自此深度學習正式進入「資料源」的競賽。

毫無意外的，「資料」絕對是深度學習的「養分」。因為資料的取得、分析、前處理，與擁有資料的垂直產業，以及資料工程師的能力有直接關係，這時候許多「以演算法為核心」的AI公司在跑不到多久時間就宣布退出比賽了。

今年開始，人工智慧開始逐漸要從深度學習的PoC(Proof of Concept)進入實際落地階段，這讓AI新創公司開始要面對市場的現實狀況——如何避免成為一家只有演算法的公司？如何導入垂直產業的實際應用領域(Vertical AI)？

什麼叫做「能夠導入垂直產業、被實際應用的Vertical AI」？

舉個例子：棉花是大規模種植的經濟作物，有個AI的新創公司找到了個機會點，想要採用深度學習的方式來辨識「棉花植株的生長狀況如何」，而且演算法的準確率也的確高達98%。

能夠「辨別棉花植株的生長狀況如何」，聽起來似乎是個突破性的創新，而且非常「垂直領域」了。

但是實際的狀況是：這樣的技術，距離農產品業者能夠真的採用，還有很大一段距離。

想像來到了農場上，馬上會碰到的問題是：如何移動、大規模檢測？每天的日照不同，測得準嗎？就算檢測出來，馬上又會被問到的問題是：那麼多植株，每個狀況不同，哪株各需要多少農藥或肥料？有機器人可以移動並各別處理嗎？處理完後，怎麼確定植物有長得更好？

原因是，實際能夠上市的農產品檢驗設備，是「應用整合設備」──光源(高度影響判斷準確)、機器操作、噴灑控制、檢驗比對等。

由此可見，「檢驗植株生長狀況的準確率」，當然是關鍵要素，但也只是必要條件「之一」而已，此外還包括檢驗的速度、處理的品質、設備的構裝等。

而就算完成以上這些，這還只是產品本身，當先牽涉到進入此產業，還需考慮後勤、成本與技術服務移轉等。

所以要做為一Vertical AI，必須要提供的是完整的「Full-Stack Product」，是要能夠真正的依靠AI技術去解決產業的「真正痛點」，而非見樹不見林的只從單一小部分著手而已。

與其成為AI公司進入某個垂直產業，倒不如說，這本來就是某應用領域的專業公司，只是用了AI技術來做強化。

就像網際網路剛出來時沒甚麼人懂，現在普通人都可以藉由開網頁幫手，開店、開部落格，那是因為網頁只是一個「工具」，有價值的不是網頁本身，而是產業透過網頁要解決的問題。做零售業的人，因為有網頁而成為了電商。但我們不會說電商是一個做網頁的公司。因為它經營的本質不變，還是「賣東西給客人」。

深度學習用在AI，也是一個「工具」，用來幫忙「強化」原有產業的服務內容。而它就跟網頁的發展一樣，會逐漸被Commoditized。

而AI公司避免被Commoditization淘汰掉的方式，就是走「深」、走「垂直領域的Full-Stack Product」、「走Vertical AI」。

可以試想大多的AI公司都能夠明白這些道理，但是要從「技術服務公司」轉化成「應用公司」，那基本上是商業模式的重新定義。就像要寫網頁的公司變成電子商務公司一樣：前者本質是技術服務公司，後者本質是零售業。

如果我們循網頁發展的思路，來看兩到三年後可能可行的AI商業模式：目前這些AI新創公司，與其把自己定義成AI技術公司，不如仔細思考，如何善用AI技術來改善現況，但是核心應該還是以「該產業的商業模式」作為公司經營方向。

這是什麼意思？

舉個例子來說：中國很多AI公司落地是做安防產業，利用AI的辨識技術來強化安防分析的效果。但他們知道辨識技術只是其中一環，舉凡安防所要涉及的通路、經營模式、定價、產品類型，才是公司的主要方向。

當然AI的範疇很廣，不僅是垂直領域的應用而已。但對AI新創來說：

要做AI，最好能成為Vertical AI；而最成功的Vertical AI，本質上其實就是某個垂直產業應用的公司，AI只是技術強化的一部份而已。

資料來源：https://www.bnext.com.tw/…/…/ai-business-model-deep-learning