到 2025 年将达到 200 亿美元的潜在市场总额（total addressable market，TAM）我们相信机器学习（ML）在以下方面具有潜力：提高农作物产量，减少化肥和灌溉成本，同时有助于早期发现作物/牲畜疾病，降低与收获后分拣相关的劳动力成本, 提高市场上的产品和蛋白质的质量。当我们看到用于收集土壤，天气，航空/卫星图像，甚至听觉数据的传感器的扩散，我们认为，从这些 PB 级数据，深度学习算法能帮助洞察（或者是制定）种植时间、灌溉、施肥以及畜牧相关的决策，最终增加农业中土地，设备和人的生产效率。鉴于所使用的所有已确定的技术数字农业将被优化或完全由机器学习和人工智能驱动，我们假设 25% 的价值创造会累积到机器学习和人工智能的产业链，这将意味着在 2050 年 1.2 万吨农作物市场中的 600 亿美元的潜在市场总额，假设在该时间段内线性分摊，意味着到 2025 年潜在市场总额大约为 200 亿美元。
1.机会在哪里？
将机器学习应用到农业中会显著地减少产量损失与劳动力成本。仅就美国玉米生产而言，我们的权益研究团队已经确认从精确施肥到压实减少等一系列技术，他们认为到 2050 年可以将玉米产量提高 70 %。重要的是，在他们的研究中确定的每一个创新都是由机器学习和人工智能实现的（图 27）。
我们已经确定了农业中的几个具体领域会特别受益于机器学习和 AI 技术的应用。 例如，农民商业网络，这是一个汇总关于种子性能，农艺实践，投入品价格，产量基准和其他农民提交的数据的组织，以利用深度分析来提高产量。
利用传感器，天气，土壤，甚至无人机/卫星图像数据，机器学习可以根据当前和预期的天气模式，作物轮作对土壤质量的影响，帮助农民优化施肥，灌溉和其他决定，确定最佳生产模式。空间图像分析可以比人类观察更快更有效的帮助确定如大豆锈病这样的作物疾病，更早介入以防止产量损失。相同的模式识别技术可以用于在家畜动物中识别疾病和跛足（影响运动和健康的腿/脚/蹄的感染或损伤）。最后，我们看到了使用视觉图像和自动分拣设施来替代产品和肉类分级和分类线上目视检查员的应用。
2.痛点在哪里？
农作物产量受不理想的施肥，灌溉和农药使用的负面影响。高盛研究报告“精确农场：用数字农业欺骗马尔萨斯”（Precision Farming: Cheating Malthus with Digital Agriculture 2016年7 月13 日）中，确认了几个问题，这些问题可以通过收集适当的数据和执行适当的分析来解决。 这是至关重要的，因为到 2050 年，为给世界人口提供足够的粮食需要增加 70％ 的粮食产量。
人力成本增加。农业已经历史性的转向用技术创新抵消劳动力成本，我们认为机器学习是这一演变的下一步，特别是在收获/屠宰之后的分拣过程中，其中大多数对产品和肉制品的目视检查仍然由人类工作者完成。根据劳工统计局BLS，5.3 万人在美国受雇为“分级分拣农产品”，每年产生大约 13 亿美元的劳动力成本。 根据 BLS 数据，农业中的“农药处理，喷雾器和施药器使用者”另外产生 13 亿美元的劳动力成本。
由动物疾病造成的损失。我们估计，由于乳牛跛足，全球乳品业的年损失超过 110 亿美元，而这是可以提前预防的。学术研究表明，在乳汁流失，生育力下降和治疗成本之间，每一例跛足会使乳牛场产生成本 175 美元，而平均每年 100 头奶牛中会发生 23.5 例跛足，这意味着全球 2.5 亿头奶牛每年会产生 110 亿美元的损失。
3.目前的经营方式是什么？
绝大多数农场都很小，但大多数农田是由大型农场控制的。 根据联合国粮农组织报告，全球72％的农场面积小于 1 公顷，而所有农场中只有 1％ 的农场大于 50 公顷，这些大型农场控制着 65％ 的全球农业用地。超过 10 公顷的农场绝大多数存在于像美洲和欧洲这样更发达的地区（这两个区域占总数的 73％），而亚洲占小于 10 公顷的农场的 85％ 。 因此，世界上大多数农田都能获得基础设施和经济发展，能够使用精确农业技术，只要这些技术是财务上可行的解决方案。
即使在经济发达国家，精确农业仍处于早期阶段。 例如灌溉，仍然通过溢流或其他形式的表面灌溉进行，这是效率最低和技术最落后的方法之一。在作物种植的主要领域，目前的技术包括：
肥料：天气和现场监测，和农业盖毯应用。
种植：多种子种植机，可变速率种植和作物轮作。
农药/除草剂：卫星和无人机图像已经在一些规模化经营中针对大范围目标区域使用。较小的使用在农业盖毯领域。
灌溉：溢流和其他表面灌溉，中心枢轴洒水器，滴灌系统和喷淋/滴灌混合系统。
收获/分拣：玉米和小麦等作物的大部分收获已经开始在大农场机械化。一些分类已经自动化（按大小和颜色）
通过在美国建立农民商业网络（FBN），我们还看到农业数据民主化的到来。FBN 是一个独立的业务，农民可以订阅并匿名的提交农场数据。在分析过程中，FBN 使用聚合的农场数据为单个农民成员提供如何确定产量，时间，天气和其他数据的建议。在畜牧业和乳制品业中，目前的技术包括普遍使用抗生素或其他预防性药物，接种疫苗，扑灭病动物，以及化学平衡的饲料添加剂。此外，牛的饲养也采用足浴以预防和治疗蹄类疾病和感染。图30：在美国，接近一半的农业灌溉用地是通过浇灌或其他的地面灌溉方式被灌溉的。地面灌溉是一种效率最低、技术最落后的灌溉方式。下图显示按照不同灌溉方式进行灌溉的农业用地的百分比。
4.人工智能和机器学习能起到什么作用？
机器学习所具备的通过使用大数据集来优化单个或一系列关键目标的能力很适合用来解决农业生产中的作物产量、疾病预防和成本效益等问题。
在农作物产后分拣和农药应用领域，我们认为随着时间推移仅在美国境内机器学习和人工智能技术能通过降低成本和提高效率每年节约 30 亿美元的劳动力成本。按照我们的估计，全球范围内的这个数据极有可能超过美国所节约成本的两倍。最后，我们认为机器学习和人工智能技术能改善育种和牲畜健康状况，并且能在奶牛养殖领域创造出大约 110 亿美元的价值（即对失去的潜在收益的补偿和节约的绝对成本），以及能通过两种常见疾病的控制在家畜养殖领域创造出20 亿美元的价值。
5.提高作物产量
人类已经利用了地球上几乎所有可用的农业用地，然而联合国预计到 2050 年全球人口将达到 97 亿。因此，为了满足未来全球对粮食的需求，我们非常有必要提高农作物产量。机器学习技术可以被用来分析来自无人机和卫星图像、气象模式、土壤样本和湿度传感器的数据，并帮助确定播种、施肥、灌溉、喷药和收割的最佳方法。机器学习技术在我们于2016 年7 月13 日发布的《精准农业》报告（参考文献1）中所确定的每一项创新中几乎都发挥着重要作用。下图显示不同技术所带来的玉米产量的潜在提高量。
收获后分拣劳动。在一个简单的案例中，我们发现 Google 公司的 TensorFlow 机器学习技术被日本黄瓜菜农用来自动分拣黄瓜，而以前分拣黄瓜的程序一直需要大量手动或视觉检查工作和劳动力成本。在这个案例中，农夫只需使用包括 Raspberry Pi 处理器和普通网络摄像头在内的简单又便宜的硬件设备，就能用 TensorFlow 训练出一个能将黄瓜分成 9 个类别并且具有相对较高的准确度的算法，从而减少了与分拣相关的劳动力成本。我们认为相似的应用可以扩展成更大的规模，并且被用于具有较高分拣需求和成本的农产品，例如西红柿和土豆。
家禽种群中的疾病监测。在一项学术研究中，研究人员收集和分析鸡的声音文件并假设在生病或痛苦的情况下，它们发出的声音会改变。在收集数据并训练神经网络模式识别算法后，研究人员能够正确地识别出感染了两种最常见的致命疾病之一的鸡，其中发病 2 天的鸡的识别准确率为 66 ％，而发病8 天的鸡的识别准确率为 100 ％（如图32）。正确诊断牲畜所患疾病并尽早在损失发生之前进行治疗可以消除由疾病导致的损失。据行业专家估计，挽回的损失可达 20 亿美元。图32：实验表明，机器学习可以通过音频数据分析来正确识别用其他方法不可检测的疾病，几乎能消除由于某些可治愈疾病所引起的损失。
6.量化市场机会
基于农作物产量、作物投入成本节省、乳品/畜牧成本节约、分拣和劳动力节约的潜在增长，我们认为机器学习技术的应用能创造超过 1 万亿美元的价值。在农作物种植领域，我们认为机器学习和人工智能技术可以帮助实现农作物产量提高 70 %。在 Jerry Revich 所作的关于精确农业的表述中，假设各种技术供应商的价值增值幅度为 30 %，数字化农业的潜在市场总额可达 2400 亿美元。
考虑到数字农业中使用的所有已知技术将经过机器学习和人工智能技术的优化或完全由其提供，我们假设所创造的价值的 25% 由机器学习和人工智能技术链中的供应商累积，这意味着机器学习和人工智能技术在作物种植应用中的潜在市场总额为 600 亿美元。在蛋白质类农产品领域，我们认为机器学习技术的应用（例如精确育种机制，疾病预防和治疗）可以催生另外 200 亿美元的市场。
7.哪些行业会受到影响？
根据机器学习为灌溉、施肥、劳动力和疾病预防治理成本带来的节省，我们相信机器学习有潜力在低成本的基础上扩大全球的粮食、乳制品和牲口的供应。
由于机器学习的应用可以限制废料并且改善农业预防措施，我们预计以下行业的全球市场会引起波动：化肥业，除虫剂业，除草剂业，除菌剂业以及兽医药业。我们相信大部分此类波动会是相当长期的（五年以上），由于我们现在都还处在这些机器学习技术的早期，所以相对其他技术，机器学习技术目前对以上行业人士可能还无法承担。
