讓蔬菜更好吃，這次真的是運用了高科技

機器學習可以有什麽樣的實際應用？最先進入腦海的答案，無外乎語音識別、人臉識別、機器翻譯、自動駕駛，以及個性化推薦這些熱門領域。

但你或許不知道，它還能讓蔬菜變得更好吃。

近日，麻省理工學院研究團隊聯合 Cognizant 公司，嘗試了一系列香料九層塔（羅勒）的種植實驗。他們沒有採用轉基因技術，僅用普通的九層塔種子，通過機器學習算法控制生長環境，使其時刻處於最利於生長的狀態，調節參數包括光照時間、紫外線照射時間和有效光照異塵餘生（PAR）等。

最終發現，24 小時光照竟然是最適宜九層塔生長的環境因素之一，培育出的成品味道遠超普通九層塔。未來，研究團隊計劃用類似的方法提高植物產量，甚至是提高它們體內特定物質的含量，幫助對抗一些疾病。

圖 | 試驗中所有九層塔的生長環境，包括光照，都受到了嚴格的控制（來源：Melanie Gonick）

評判標準

結合機器學習和植物種植，並非心血來潮。麻省理工學院早在2015年，就提出了 OpenAgriculture（開放農業）倡議，致力於將人工智能技術應用在農業領域，同時秉承開源精神，將研究成果以軟硬體結合的形式共享給所有人，提高全球農業技術的整體水準。

之所以選擇九層塔，是因為它是一種西方料理中常見的香料，被譽為“香料之王”。由於可以散發出濃鬱的香氣，它在西餐中的地位相當於我國美食裡面的香菜。甚至在三杯雞、燒茄子等中式菜肴中也會有它的身影。

研究人員正是利用這種特點，通過氣相色譜-質譜聯用法（GC-MS）分析它的香氣濃度，進而評估它的味道，參考成分多達十餘種。

總的來說，九層塔香氣越濃，味道越好，而且還會含有更豐富營養素和抗氧化物質，更有營養。

控制變量

在“九層塔香氣優化”實驗中，研究人員使用了無土水培技術，將所有九層塔裝在適合運輸的容器中，再放入由電腦控制的培育室裡。他們將整套設備稱為“食物計算機”，可以精準控制環境變量。

在保持溫度和濕度等參數恆定的前提下，研究團隊選擇了三種變量：光照時長，紫外線時長和光合有效異塵餘生（PAR）時長。

光照時長很好理解，它與綠葉植物的生長效率密不可分，決定了儲存香氣揮發物的毛狀體的形成，變量值在 0-24 小時之間。紫外線的作用則在於增加香氣揮發物的含量，進而用來檢驗實驗成果，變量值也在 0-24 小時之間。

圖 | “食物計算機”

而光合有效異塵餘生比較特殊，它代表著可以用來進行光合作用的光照，由燈的種類決定。比如兩株植物各配有一台經過特殊設計的燈，即使照射時長相同，發出的有效異塵餘生也有差異，最終進行的光合作用也有不同。這一變量最難控制和改變，因為它對硬體需求較高，而且需要特殊的優化算法才能找到最佳配置。

設計優化模型

面對三個變量衍生出的數百萬種排列組合，如何找到效果最好的一種？研究人員將目光投向了機器學習。

他們選擇了符號回歸（Symbolic Regression）方法，其優點在於不依賴於現有知識，可以有效利用進化方法，為非線性系統建立預測和優化模型。該方法還比其他回歸模型更易於解釋，研究人員更容易找出變量之間的關係，為未來的實驗開發新模型。

圖 | “生物計算機”產出的九層塔（來源：Melanie Gonick）

優化過程中，除了上述三個變量，符號回歸模型還會考慮溫度、濕度和香氣揮發物濃度等信息，將它們作為輸入值，評估優化方法。

研究人員強調，儘管符號回歸在多次迭代後無法保證收斂，但實驗當中的預測只需一次迭代，無需保證收斂。

種植實驗

種植實驗進行了三輪，每一輪包括 9 盤同時生長的九層塔，其中每輪會有 3 盤一直使用控制參數，來作為衡量標準。

第一輪的環境參數由人工決定，主要目的是調查紫外線的效果和燈的選擇。第二輪參數由無監督算法選擇，加入了光照變量和提高了參數多樣性。

在分析了前兩輪的生長數據後，第三輪參數由符號回歸模型給出。具體來說，該模型一共評估了 200 萬種組合方案，研究人員從中挑選了 18 種效果最好的，應用於種植實驗中。

最終結果顯示，九層塔在 24 小時光照的情況下，生長狀態最好，釋放的香氣也最濃鬱。

圖 | 三種變量組合而成的結果圖，好吃程度由高到低分別是：紅色>黃色>綠色>藍色

這一結果十分出人意料，因為大自然中極少出現 24 小時日照的情況，只有在極地地區才會發生，但那裡又不適合植物生長。

在此之前，以自然種植測試為主的農業領域，幾乎沒有可能發現這種看似“反直覺”的特徵，即使人們知道 24 小時光照會讓特定植物生長旺盛，但並不知道這還會影響到它們的味道。

除了味道以外，研究人員正在嘗試更多種機器學習和農業的結合方式。比如探索環境變量對營養素和其它成分的影響，尋找是否可以利用機器學習提高某些成分的含量，讓食用植物變得更加營養，產量更高，甚至是適應氣候變化和抵抗害蟲。

這項研究成果發表於 4 月 3 日的《公共科學圖書館·綜合》（PLoS One）期刊上。

- End -

參考：

http://news.mit.edu/2019/algorithm-growing-agriculture-0403

https://www.technologyreview.com/s/613262/machine-learning-is-making-pesto-even-more-delicious/

https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0213918