人工智能与粮食不安全：全球南方国家的机遇、风险与公平路径（Artificial Intelligence and Food Insecurity: Opportunities, Risks, and Equity Pathways for the Global South）

《Cogent Food & Agriculture》：Artificial intelligence and food insecurity: opportunities, risks, and equity pathways for the Global South

　　

中文摘要翻译 粮食不安全影响着全球6.91亿至7.83亿人口，对低收入和中等收入国家（LMICs）、边缘化群体及受冲突影响人群造成不成比例的冲击。人工智能（AI）通过精准农业、供应链优化和早期预警系统，为应对粮食安全挑战提供了前所未有的机遇，在作物产量预测中可实现高达91%的准确率，并将食物浪费减少22%。然而，AI的部署也存在固化现有不平等的风险。本研究基于对Scopus、Web of Science、PubMed、AGRIS和IEEE Xplore数据库中64篇同行评审研究（2015—2025年）的系统文献检索，通过涵盖包容性数据实践、公平治理、参与式设计和本地能力建设四个维度的综合框架，审视了AI在粮食系统中的双刃剑作用。主要风险包括数据殖民主义（Data Colonialism）、偏向工业化农业的算法偏见（Algorithmic Bias）、脆弱社区的数字排斥（Digital Exclusion），以及威胁粮食主权（Food Sovereignty）的技术依赖。然而，来自撒哈拉以南非洲成功实施案例的证据表明，包容性方法能够在促进性别平等和环境可持续性的同时提高生产力。研究结论指出，AI的影响从根本上取决于优先考虑公平性的设计原则和治理框架。若无包容性的实施策略，AI可能加剧饥饿差距；反之，以公平为中心的方法则有助于为所有人群构建韧性、公正且粮食安全的系统。

论文主体内容总结

综述类型与设计（Review type and design）

本研究采用带有系统检索要素的叙述性综述方法，综合了技术、社会经济和政策等多学科证据。文献检索于2024年7月至2025年9月间在Scopus、Web of Science（WoS）、PubMed/MEDLINE、Google Scholar、AGRIS（联合国粮农组织数据库）及IEEE Xplore等数据库中进行，使用布尔运算符构建四组关键词簇，涵盖AI技术、粮食安全、地理/公平及主题维度。纳入标准包括2015至2025年间发表的同行评审期刊论文和书籍章节，排除观点性文章、仅聚焦高收入国家情境的研究及未经同行评审的灰色文献。初步检索获得约640条记录，经去重和标题/摘要筛选后，80篇文章进入全文评估，最终纳入64篇同行评审研究及14份机构报告作为补充来源。数据提取涵盖研究设计、地理情境、AI技术类型、粮食安全结果、公平/治理考量及作者承认的局限性等维度。

面向粮食安全的包容性AI：公平框架（Inclusive AI for food security: a framework for equity）

现有AI部署框架多源于高收入国家情境，如OECD AI原则（2019）和欧盟AI法案（2024），但这些框架预设了完善的正式法律体系和高速度基础设施。本文提出以公平为中心的AI粮食系统框架（ECAFS），该框架源于文献中识别的"农业非正规性"（Agrarian Informality）和"制度真空"（Institutional Vacuums）结构性现实，超越西方对"数据隐私"（Data Privacy）的关注，转向"数据主权"（Data Sovereignty），直接应对数据殖民主义风险。框架包含四个相互依存的领域：包容性数据实践要求收集代表不同农业情境、营养需求和气候条件的多样化数据集，采用参与式数据收集方法，维护社区对生成洞见的所有权；公平治理结构旨在防止食品科技AI被企业捕获，建立包含农民代表、公民社会组织及边缘化社区的多利益相关方平台；参与式设计强调与终端用户共同开发AI解决方案，加纳的案例显示参与式方法使小农对AI虫害检测的采用率提高58%；本地能力建设需同时解决农民个体培训、推广服务机构强化和国家基础设施发展等多层面问题，肯尼亚AI4AFS网络的证据表明综合能力建设计划使农民AI工具采用率在两年内提高45%。

ECAFS基准与新颖性（Benchmarking and novelty of ECAFS）

与OECD AI原则和欧盟AI法案不同，ECAFS框架独特地源于全球南方的结构性约束，将"农业非正规性"作为首要设计约束。该框架在三个方面区别于既有提案：其一，将公平视为结构性前提而非附加项；其二，强调参与式合法性，即受影响社区塑造AI系统的权利而非仅被咨询；其三，将治理整合为跨领域维度而非独立的监管关切。需要承认的是，ECAFS框架虽基于64项研究的汇聚证据，但尚未在单一实施情境中作为整合的四领域模型进行测试，各领域分别有强证据支持，但其交互效应仍缺乏实证探索，因此更适合被理解为理论综合和假设生成结构。

持续挑战：粮食不安全的不平等（The persistent challenge: food insecurity inequities）

粮食不安全表现为复杂的、相互交织的结构性障碍。贫困是粮食不安全的首要驱动因素，超过30亿人无力负担健康饮食。南非85%的小农家庭经历粮食不安全。气候变化通过极端天气事件频率和强度增加、降水模式变化及气温上升不成比例地影响脆弱人群，撒哈拉以南非洲小农因气候相关冲击每年损失高达20%的产量。冲突通过流离失所、农业活动中断和粮食系统基础设施破坏造成严重粮食不安全，加沙93%和苏丹54%的人口在冲突期间面临粮食不安全。性别不平等造成系统性劣势，女性小农仅控制全球15%的农业用地，却在发展中国家生产60%至80%的粮食。边缘化群体，包括原住民、少数民族和无地人口，面临粮食系统的系统性排斥。数字鸿沟创造新的排斥形式，农村人口、女性、老年农民和边缘化社区往往缺乏互联网连接、移动电话及数字素养技能，形成技术连接农民获益而其他人进一步落后的两级体系。

跨技术综合：精度与可及性之间的权衡（Cross-technology synthesis: trade-offs in accuracy vs. accessibility）

文献比较揭示"精细化差距"（Sophiteration Gap）：深度学习（DL）在受控环境中达到87%至97%的较高精度，但在撒哈拉以南小农地块因间作产生的"光谱噪声"性能显著下降至55%；相比之下，通过移动应用部署的计算机视觉（CV）虽然预测深度较低，但在低识字率情境中具有更高的"采用就绪度"（Adoption-Readiness）。

机遇：AI如何潜在地弥合粮食安全差距（Opportunities: how AI can potentially bridge food security gaps）

AI在精准农业中展现出显著能力，作物产量预测模型通过整合卫星影像、气象数据和土壤属性可实现接近91%的相关性预测精度。结合卷积神经网络（CNN）与环境数据的深度学习模型在识别最佳种植时间、灌溉计划和肥料施用方面表现优越，可实现高达15%的产量提升并降低20%的投入成本。基于无人机（UAV）的AI系统通过自动导航和计算机视觉优化实现变量喷洒，大幅减少农药使用和劳动力需求，但当前无人机系统对个体小农而言成本过高，且撒哈拉以南非洲多数国家缺乏农业无人机操作的监管框架。基于计算机视觉和机器学习的有害生物与病害检测系统可通过智能手机图像以超过95%的精度识别植物病害，撒哈拉以南非洲的案例研究表明，通过移动应用部署的AI虫害检测系统可将作物损失减少30%至40%。干旱和饥荒早期预警系统可提前12个月预测粮食危机，饥荒早期预警系统网络（FEWSNET）通过整合AI技术实现78%的粮食安全预测精度。AI优化的食品供应链通过机器学习优化运输路线、预测需求模式和协调仓储设施，一个全球食品追踪平台每年处理2.5PB供应链数据，实现22%的食物浪费减少。营养监测系统通过机器学习算法分析膳食数据、健康指标和社会经济因素，识别微量营养素缺乏或营养不足风险人群。

小农特定案例研究（Smallholder-specific case studies）

埃塞俄比亚、孟加拉国和尼日利亚的证据表明，AI效能不受算法能力限制，而受"空间异质性"（Spatial Heterogeneity）约束。印度数据集迁移学习对孟加拉国有帮助，但类似跨境模型因局部土壤差异在肯尼亚失败，表明AI模型必须"超本地化"（Hyper-Local）而非"通用化"（General-Purpose）才能有效。撒哈拉以南非洲的AI采用呈现"数字基础设施分化"（Digital Infrastructure Divergence）：肯尼亚拥有成熟的移动支付生态系统（M-Pesa）和85%的4G覆盖率，AI平台可触达20万农民；而尼日利亚和巴西半干旱地区，AI效能受空间异质性和不可靠连接性的约束。

风险：AI如何可能扩大粮食安全不平等（Risks: how AI might widen food security inequities）

数据殖民主义理论揭示，数字农业的当前架构并非中立的技术系统，而是一种社会秩序，系统性地将全球南方农民转化为数据主体，为科技公司创造经济价值，同时剥夺农民的能动性、利益或对其农业信息的主权。AI优化驱动的农业实践标准化往往优先考虑单一作物种植和统一种植系统，而非小农实践的传统混农林业和农业生态方法，破坏生物多样性和传统知识体系。数字基础设施匮乏的社区被排斥在AI赋能的农业服务之外，互联网连接有限、电力供应不稳定和移动网络覆盖不足阻碍农民获取AI咨询、市场信息和天气预报服务。对外国AI解决方案的依赖威胁粮食主权，发展中国家依赖外国企业开发和控制的技术面临"技术锁定"（Technological Lock-in）风险，使转换替代方案在经济或技术上不可行。先进AI技术的出口限制可能限制发展中国家获取尖端创新，造成技术差距。

记录的失败与实施障碍（Documented failures and implementation barriers）

对AI农业部署的批判性审视揭示了高调试点项目未能实现规模化或可持续性的模式。IBM Watson农业决策平台2018至2021年在印度部署后被终止，因为农民报告算法建议与当地种植日历、语言偏好和土壤异质性不符。肯尼亚基于无人机的作物监测项目在项目资金撤回后遭遇采用崩溃，展示了依赖捐助资金而无政府制度化的技术部署的脆弱性。撒哈拉以南非洲小农日均支出约1.90美元，即使有补贴的智能手机解决方案也需定向补贴或团体借贷机制才可负担。AI平台间缺乏互操作性造成数据孤岛，阻碍跨干预的累积学习。

负责任、公平和包容性实施策略（Strategies for responsible, equitable, and inclusive implementation）

促进包容性数据治理需通过开放、具有代表性的数据集奠定公平AI发展的基础。全球农业与营养开放数据（GODAN）框架展示了标准化、可访问的数据平台如何民主化农业信息获取。可查找、可访问、可互操作、可重用（FAIR）数据原则的实施需要社区治理的联盟，农业研究联盟（AgReFed）模型展示了如何通过社区治理协调分布式数据存储，同时保持提供者自主权并确保公平利益共享。支持参与式AI设计需通过以农民为中心的创新确保技术解决方案解决实际需求。移动表型技术让农民积极参与品种选择，共同设计方法将传统生态知识与AI能力整合。生活实验室方法促进研究人员、农民和技术开发者之间的持续利益相关者协作。通过综合培训计划和基础设施建设加强本地AI能力，使发展中国家能够建立本土创新能力。巴西与非洲国家之间的教育合作计划展示了南南合作如何在尊重文化背景和发展优先事项的同时转移技术知识。执行以公平为中心的治理需通过防止大型科技公司垄断的监管框架，反垄断政策、数据可携性法规和算法审计要求确保AI系统在农业信贷、保险和市场准入中定期评估偏见和歧视。鼓励全球团结和南南合作创造替代发展路径，减少对主导技术提供商的依赖，同时促进本土创新。技术转让协议必须包含本地能力建设、知识共享和最终技术主权的条款。

政策建议（Policy recommendations）

面向政策制定者和政府：制定专门针对小农和女性农民的国家AI农业战略，要求所有公共资助的AI部署进行公平影响评估；建立防止外国企业未经社区同意和利益共享安排提取和货币化农民数据的数据主权立法；将农村数字基础设施投资作为AI部署的先决条件；建立多利益相关方国家AI监督机构，强制农民组织、公民社会和边缘化社区群体的代表参与；重新分配农业数据决策权，建立让小农和本地机构对数据收集、访问、共享和货币化拥有实质性所有权和治理权的机制。面向农业机构和推广服务：重新设计推广系统，将AI辅助咨询服务作为人类农学家的补充而非替代；投资以本地语言运行、可在低带宽网络运行并适应口头和视觉交互模式的面向农民的AI工具；通过参与式共同设计开发作物特定AI应用。面向AI开发者和科技公司：采用"为边缘设计"原则，以最低基础设施标准为默认而非例外；按作物类型、地理情境和耕作系统发布分类模型性能数据；对公共或慈善资金开发的AI工具承诺开源许可。面向国际组织和捐助者：将资助模式从短期试点转向5至10年的制度建设计划；在扩大任何AI干预前要求符合PRISMA标准的证据综合；资助南南AI合作网络。

结论与政策启示（Conclusion and policy implication）

AI融入全球粮食系统代表一个关键节点，决定技术进步是弥合还是扩大现有粮食安全不平等。AI并非固有解决方案，其影响根本上取决于指导其开发和部署的设计原则、治理框架和公平考量。虽然AI通过精准农业应用提供变革潜力，但这些益处不会自动在脆弱人群中公平分配。数据殖民主义、算法偏见、数字排斥和技术依赖的系统性风险可能固化小农、女性、原住民和发展中国家农村人口面临的既有劣势。然而，通过AI4AFS网络等包容性举措的成功实施证据表明，负责任的AI部署可以在促进性别平等和环境可持续性的同时提高农业生产力。成功需要跨尺度的协调行动，以民主化技术发展、执行防止垄断的公平治理并促进减少技术依赖的南南合作。