《TRENDS IN FOOD SCIENCE & TECHNOLOGY》：How generative AI is transforming agri-food systems research
编辑推荐：
研究目标
生成式人工智能（Generative AI）的出现预计将通过改变不仅是个体研究任务，更是与利益相关者互动中的整个知识生产生命周期，来重塑农业食品系统研究。这种变革潜力，加上可能损害研究诚信的伦理关切，促使研究人员重新思考其角色：从科学知识的生产者转变
研究目标
生成式人工智能（Generative AI）的出现预计将通过改变不仅是个体研究任务，更是与利益相关者互动中的整个知识生产生命周期，来重塑农业食品系统研究。这种变革潜力，加上可能损害研究诚信的伦理关切，促使研究人员重新思考其角色：从科学知识的生产者转变为以人工智能为媒介的混合智能（Hybrid Intelligence）共同创造为特征的更广泛创新生态系统的参与者。本文考察了生成式人工智能如何通过转变研究数据、模型和知识基础设施的基础，负责任地推进农业食品系统研究。
主要发现
在研究数据方面，人工智能能够实现多样化、异构和动态演化数据源的利用，支持数据生命周期的端到端自动化，包括采集、处理和可视化。在研究模型方面，生成式人工智能促进了数据驱动和混合方法，增强了从构思、设计到验证和部署于智能体人工智能系统（agentic AI-systems）中的完整模型生命周期。在研究知识方面，大型语言模型（Large Language Models, LLMs）和自然语言处理（Natural Language Processing, NLP）的进步使得信息的捕获、整合、解释和传播更加高效。检索增强生成（Retrieval-Augmented Generation, RAG）系统通过将LLMs与精选知识库相结合，提高了上下文相关性并减少了幻觉，进一步体现了这些能力。与此同时，生成式人工智能引发了关键的伦理挑战，包括科学诚信、安全性、隐私、环境影响、知识产权和数字主权等问题，凸显了科学家依照负责任人工智能原则指导其开发和应用的责任。
1. 引言
人工智能（Artificial Intelligence, AI）已被视为智能、数据驱动的农业食品系统的重要推动力，能够将数据转化为跨尺度、跨时间维度的可操作见解，涵盖作物、动物和食品产品的遗传学乃至宏观食品经济。生成式人工智能（Generative AI）的兴起增加了新的潜在颠覆性维度，其超越传统数据分析，通过在海量数据上预训练的基础模型（Foundation Models）生成文本、图像、视频、语音、合成数据和编程代码等新内容。这一发展从根本上改变了研究的角色。生成式人工智能已被广泛用于支持从假设生成、实验设计到数据分析、手稿起草、同行评审和传播的研究活动。更重要的是，它能重组与农业食品系统利益相关者互动中知识生产的整个生命周期。然而，生成式人工智能也带来潜在风险和伦理问题，如响应真实性、幻觉、偏见、数据泄露、产权侵犯、研究能力侵蚀、透明度与可解释性不足、数字自主性缺失以及负面可持续性影响。这些缺陷可能引发社会对研究诚信的担忧，削弱科学家作为“可信事实守护者”的角色。因此，研究人员需要重新思考自身角色，从科学知识生产者转变为更广泛创新生态系统的参与者，实现以AI为媒介的混合智能共同创造。本文旨在探讨生成式人工智能如何通过转变研究数据、模型和知识基础设施的基础，负责任地推进农业食品系统研究。
2. 人工智能对农业食品系统和研究的影响
2.1 人工智能正在改变我们的农业食品系统
全球农业食品系统高度依赖自然条件，并面临严格的安全和可持续性要求。人工智能可在系统层面提高适应性、透明性和韧性。在农场层面，传感、诊断和闭环决策支持改善投入品使用并降低风险；数据驱动的农业依赖于卫星、田间和历史记录的集成数据流。在食品加工和产品研发中，计算机视觉和预测分析加强质量与安全，深度生成设计加速向更健康、更可持续的产品配方重构。在价值链层面，AI改进可追溯性、预测和路径规划，减少浪费并支持主动式食品安全管理。在政策和宏观食品经济层面，将机理模型与机器学习耦合的数字孪生（Digital Twins）能够对冲击和干预进行压力测试，并支持营养、气候、生物多样性、公平和盈利之间的多标准权衡。基于智能体（Agent-based）和新兴智能体AI方法可编码多样的利益相关者偏好，在设计干预和治理时更早揭示协同与冲突。生成式AI正在为这些能力增加对话式界面和自动化场景探索。这些进展由农业食品特定基础模型的发展以及通过检索增强生成（Retrieval-Augmented Generation, RAG）系统整合丰富上下文数据所推动。然而，这些收益伴随风险：虚假信息和合成数据可能侵蚀消费者信任；不透明模型和有偏训练数据可能固化农业食品系统的不平等。训练和部署大型模型可能产生显著的能源和水足迹。因此，实现规模化收益依赖于可互操作的、AI就绪的FAIR（Findable, Accessible, Interoperable, Reusable）数据、包容性设计以及负责任、透明的治理，理想情况下锚定于保留主权同时促进创新的联邦式“公共数据空间”。
2.2 人工智能正在改变农业食品系统研究
人工智能对农业食品系统的所有层面（包括研究）具有根本性影响。它不仅是加速分析，更是重组与利益相关者互动中知识生产的整个生命周期。农业食品系统利益相关者持续表达改善绩效（包括可持续性）的知识需求，这些需求跨越从运营生产系统、公司和价值链到宏观农业食品经济的多个交互层面。研究周期传统上从数据收集逐步推进到解释、理论构建和政策建议。AI介导的工作流现在自动化并互联这些阶段：数据持续被采集和结构化，模型动态更新，初步解释在人类反思之前生成。这改变了经典的数据-信息-知识-智慧（Data-Information-Knowledge-Wisdom, DIKW）层级结构：数据由算法预处理和策展，信息被算法模式化，知识日益从人机交互中产生。研究者的角色从知识的主要生产者转变为可信的知识经纪人，即混合智能系统的设计者、策展人和批判性解释者。这一转变将增强科学知识的时效性、成本效益、可访问性和情境适用性，同时也带来维护科学输出独立性和科学诚信的挑战。
3. 人工智能用于研究数据
未来研究系统将越来越多地利用AI来开发多样化、异构和动态演化的数据源，而非依赖高度结构化的静态数据集。农业食品系统数据将在源头被捕获一次，并通过安全、可信的数据空间提供给包括研究人员在内的多个利益相关者。生成式AI可以支持整个数据生命周期的端到端自动化，包括数据获取、处理和可视化。AI在此的作用有两个方面。第一，数据作为AI研究应用的输入：数据是训练、测试、个性化和使用AI模型的主要资源，AI应用的结果在很大程度上由其输入数据决定。第二，AI作为研究数据管理的使能者：通过将AI嵌入整个数据链，原始数据可以比以往更有效、更高效地转化为可操作智能。具体各阶段包括：数据概念化中，AI促进自动数据抽象、可视化、概念定义、语义映射和底层数据模式的发现；本体和知识图谱（Knowledge Graphs, KGs）的构建可通过自然语言处理（Natural Language Processing, NLP）和深度学习自动从非结构化网络文本中提取和链接实体。数据捕获中，生成式AI可生成合成数据以训练机器学习模型，并将非结构化数据（如语音或文本）转换为结构化机器可读格式。数据存储和处理中，AI可自动标记、分类和组织元数据，检测异常和纠正错误，并自动化提取-转换-加载（Extract-Transform-Load, ETL）流程。数据传输中，AI可通过映射系统间的语法和语义来增强互操作性，并检测漏洞以确保合规。数据分析中，AI既可辅助编码以降低使用高级分析技术的负担，也可直接执行分析，例如基于Transformer的模型对欧盟RASFF食品安全通知进行风险分级，以及利用LLM衍生的标签表示对用户生成内容进行食品安全报告分类。数据利用中，AI可用于结果可视化的快速原型制作，部署的系统如Farmer.Chat，其为印度、肯尼亚、埃塞俄比亚和尼日利亚的超过67万农民结合了检索增强生成与专家反馈本地化，但独立评估显示农民反馈仍未被很好地纳入知识库。生成式AI的影响超越了数据周期中单个步骤的自动化，智能体AI尤其增强了研究活动之间的集成和交互，可能实现整个研究数据管道的全自主执行。
4. 人工智能用于研究模型
人工智能既建立于研究模型之上，又同时重塑研究模型的开发和应用方式。智能体AI的出现使建模过程能在多大程度上自动化这一方法论问题变得突出。农业食品系统研究涵盖至少六种不同的学科传统，生物物理模型与社会经济模型之间的学科划分历来是最深的分界线。虽然系统动力学、计量经济、基于智能体和情景等模型擅长探索农业、产业链、环境和社会中的复杂交互，但常存在过度简化、数据限制、尺度错配和隐藏偏差。AI是克服这些局限的强大使能者，推动从大型、静态、计算繁重的系统转向能够处理动态、异构和实时数据的模块化、自适应架构。新兴AI方法倾向于可互操作管道、联邦数据结构和人机回环设计，支持持续更新、透明性和参与式解释。AI不仅允许转向数据驱动和混合模型以从海量最新结构化与非结构化数据中提取模式，还启用了建模的新工作流。智能体AI已经能够运行从构思、设计、开发到验证和在智能体系统中使用的完整模型生命周期。构思与分析阶段：生成式AI加速知识综合、概念框架和探索性分析，支持概念性农业食品系统地图和社会生态框架的构建，并告知机理性和模拟模型如可计算一般均衡（Computable General Equilibrium, CGE）或系统动力学公式。需求与设计阶段：生成式AI将多样证据和利益相关者视角转化为形式化需求和模型设计，可提取需求以告知概念性价值链框架和实证指标仪表板，并生成用户故事用于机理模拟和预测性机器学习工具。开发阶段：生成式AI通过需求、结构和文档的迭代细化支持模型实现，协助构建将实证数据集与基于机器学习的预测相结合的模块化架构。验证阶段：生成式AI通过系统、可重复和数据自适应的验证流程增强模型可信度，可生成测试场景、自动测试模拟模型，并通过合成数据生成实现对观测稀疏的实证和机器学习模型的压力测试。使用与维护阶段：对话式界面允许用户通过自然语言查询与概念图、模拟模型、实证仪表板和基于机器学习的预测交互；生成式反馈分析综合用户交互见解以改进可用性和相关性；AI智能体可监控数据更新、指导重新校准并确保理论驱动与数据驱动组件之间的长期一致性。
5. 人工智能用于自然语言研究知识
农业食品系统研究从根本上依赖于以自然语言表达的知识，这些知识以书面或口头形式存在，并常由表格数据或图形表示支持。自然语言对于描述数据语义（例如表格的列标签、行标签或编码含义的本体）至关重要。传统上，知识生成和传播的个性化有限，语言障碍进一步限制了小农和中小企业等群体的获取。大型语言模型（Large Language Models, LLMs）和自然语言处理（Natural Language Processing, NLP）的进步提供了解决这些局限的新机会，它们能更高效地捕获、整合、解释和传播信息，从根本上改变研究知识的管理方式。AI加速并转变了完整的知识管理周期。第一，AI可以显著推进自然语言形式的农业食品系统知识的创建和捕获，例如通过提示自动从科学出版物摘要中提取化学食品安全危害，或微调LLM从文本中提取食物相关实体并链接到既定食物本体。第二，AI是帮助结构和存储自然语言知识的强大工具，LLM可从科学出版物生成结构化元数据，智能体框架可与软件工具、API和数据库交互以增强可访问性。案例包括为农业食品副产品定义语义模式，使LLM从科学文本中提取结构化信息并通过交互式图实现价值化机会可视化；以及通过整合体外试验、动物模型和人体研究的证据来管理蛋白质消化率文献的规模和异质性。第三，生成式AI通过大规模提供情境化知识交付，正在转变知识共享和传播方式。增强的机器翻译允许跨语言无缝交流，定制的提示可根据用户专业水平和情境需求调整响应。检索增强生成（RAG）系统将LLM与精选知识库（如文档、转录稿）结合，提供情境相关的同时减少幻觉，并支持集成领域特定或专有内容。然而，此类系统的可靠性需满足条件：应从知识库中检索正确来源；模型输出应基于检索证据而非主要依赖内部参数编码的信息；需要对检索来源进行准确归属以确保可追溯性和透明度。RAG系统的评估应超越答案质量，还包括检索相关性、引用忠实性和源一致性指标，并且底层知识库应定期更新。在农业食品系统研究中，已有多个RAG倡议出现。例如，研究人员开发了一个基于RAG的多语言农业咨询系统，以科学报告和论文为输入，支持英语、荷兰语、法语、阿拉伯语和斯瓦希里语语音层，使小农及其顾问能够用偏好语言提出情境具体问题并获得基于大学知识库的定制建议。此外，生成式AI还能让非技术用户访问嵌入计算模型或带有语义元数据的结构化数据（如数据库、知识图谱）中的知识。近期工作表明，生成式AI可消除访问丰富结构化食品数据集的技术障碍，智能体框架可促进与科学饮食建议模型及其他计算工具之间的流利自然语言交互，支持多步骤检索工作流，迭代查询和整合来自多个文档、数据集和计算模型的信息。
6. 讨论与结论
本文探讨了生成式人工智能如何通过转变研究数据、模型和知识基础设施的基础，负责任地推进农业食品系统研究。这些发展可能超越对现有研究活动的渐进式自动化改进，AI有望促成研究范式的更根本性变化。随着端到端智能体研究系统日益能够自主搜索文献、生成假设、设计分析、执行计算工作流和综合发现，研究者的角色可能会转变而非消失：从执行每个分析步骤转向监督、挑战和验证智能体过程。与此同时，生成式AI伴随严重风险和伦理问题，包括科学诚信、安全性、隐私、环境影响、知识产权和数字主权。当前LLM缺乏保持知识完整性、确保可追溯性、沟通不确定性、维护跨提示一致性的稳健机制，可能引入偏见或幻觉，限制LLM辅助研究发现的可可靠性、客观性和可重现性。此外，领域特定知识有限和训练、部署及使用LLM的高成本可能制约其在农业食品系统研究中的准确性、可访问性和可扩展性。生成式AI还可能将研究能力从主动推理转向被动检查，其流畅输出可能隐藏不确定性、掩盖弱假设并制造虚假理解感。因此，不应不加批判地采用生成式AI。文章赞同科学中人类问责原则，强调透明披露和归属、科学问责以验证AI生成输出、适当文档、对伦理和公平的坚定承诺以及持续监测和公众参与。研究人员必须在伦理考量中发挥主导作用，并制定和实施适当的缓解措施。未来研究的关键优先事项包括：开发负责任AI的方法论、框架和工具；推进现有缓解策略如RAG；发展用于自动化证据综合和因果发现的智能体系统，以及将生成式AI与基于专家知识的互补方法相结合的混合方法。另一主要挑战是解决主流LLM和基础模型中缺乏情境特定农业食品知识的问题，未来需要从分散在数据源、出版物和专家网络中的大量领域知识中提取更准确、可靠和情境特定的见解，包括结构化、图形和空间表示。领域特定的多模态基础模型和RAG系统是有前景的方法。此外，尽管治理框架、伦理原则、负责任AI指南和立法在持续制定，但关于其有效实施的重要问题仍然存在，未来研究应调查如何确保采用和合规、如何在研究组织内培养负责任AI文化，以及机构如何提升其AI成熟度。部署生成式AI需要超越抽象的机会和风险辩论，基于严格验证、稳健系统设计和主动风险管理的循证见解至关重要。政策制定者和其他利益相关者应积极支持深思熟虑且敏捷的生成式AI发展，从原型应用开始，同时加强研究人员能力并缓解风险。实现潜力还需要扩大规模，不仅需要技术革新，还需行为和组织变革。生成式AI的有效性取决于嵌入整个组织，研究管理者应评估组织AI应用成熟度并制定定制路线图，以加强技术和组织AI能力，包括建立稳健数据基础、构建现代AI技术基础设施、制定清晰AI战略、培养数字化心态、投资AI素养和混合能力、将AI集成到研究流程和工作流中，以及实施健全的治理机制和伦理指南。总之，生成式AI的出现将重塑农业食品系统研究，改变知识生产生命周期以及与利益相关者的互动。在数据异构、情境依赖且常承载价值的农业食品研究中，人类研究人员对于确保科学严谨性、领域相关性、透明度和负责任的决策仍然至关重要。研究的未来不太可能完全自动化，而将取决于有效的人机协作，其中研究人员充当质量、问责和科学判断的管家。
