AI能算，但樹不會長快一點

一顆蘋果從樹上摘下來，進到選果線。紅外線相機掃過去，幾十毫秒，它內部有沒有撞傷、糖度落點在哪、該歸到哪一級，全被算完了。這種設備跑得比任何人眼都穩，也快得多，而且它看得見一件人眼看不見的事。蘋果撞到之後的三十分鐘裡，受傷的組織和健康組織長得幾乎一樣。等人看得出顏色的變化，這批貨已經裝箱走了。

同一時間，幾百公里外，有一棵樹安靜地站著。它今年四歲，四年前是一粒種子，到現在還沒結過果。育種的人必須等它開花、等它結果、等果實長成、等嘗出味道，才敢判斷它值不值得留下來當下一代的親本。

這兩件事都發生在農業裡。一個是毫秒，一個是四年。而在果樹育種這條線上，四年還只是中間的一站。從兩個親本配到一起，到真正推出一個能上市的新品種，澳洲堅果這筆帳算下來是二十一年。

這兩年 AI 在材料學上有多熱，我們大概都感受到了。大學裡 AI 材料、材料資訊學變成搶手的科系，新聞裡隔一陣就是「AI 找到若干萬種新材料」「原本要幾十年的篩選被壓縮到幾個月」。同一段時間裡，農業也在談 AI，但聲音小得多，落地的地方也顯得零散。選果、溫室控溫、病蟲害預警、農機調度。

於是就有個問題。同樣是面對物理世界，同樣是把 AI 擺進實驗室和產線，為什麼材料學那邊像是踩到了加速鍵，農業這邊卻像在推一塊很重的東西？

這個問題還可以問得更尖一點。在農業裡面，最需要 AI 的地方，其實不是選果，也不是控溫。是育種。因為育種是唯一一個真的在跟時間硬耗的環節。一棵樹要長五年才結果，你要把一個品種的產量提高一點、抗病性好一點、口感甜一點，就得陪著它長五年，再把這五年乘上好幾個世代。如果 AI 真有什麼本事，最該用在這裡。

那它到底壓縮了多少？

我這篇想做的事，是把這兩個問題一次講完。材料學 AI 快的真正原因是什麼，農業 AI 慢的真正原因又是什麼，以及那個「果樹育種的四分之一世紀」，AI 到底能拿走幾年。

提前說一句，這個答案不是一個漂亮的數字。這一路查下來，最值得說的東西，反而不是那個數字。

我先說一個可能讓材料學那邊的人不太舒服的事實。

計算材料學這兩年的進展確實誇張。2023 年 DeepMind 的材料探索圖網路一次預測出大約 220 萬種理論上穩定的新晶體結構，而在此之前，人類已知的穩定無機晶體大約只有 4.8 萬種。他們把這個量級形容成「相當於人類近八百年的知識累積」。這個資料庫裡，已經有 736 種預測結構被外部的獨立實驗室真正合成出來了。

但要注意這 736 這個數字的位置。它說明這條漏斗的出口確實通到現實，同時也說明另一件事。兩百二十萬進去，七百三十六出來。中間那兩百多萬，不是錯了，是被篩掉了。

這就是材料學 AI 真正的功能。它的價值不在於「說對」，而在於快速說出這個不值得再算。有研究把這個定位講得很清楚，一次前向傳播的決策效果，接近一次完整的結構弛豫，而成本大約是後者的三十分之一。用圖神經網路配合最佳化演算法做晶體結構預測，運算成本比傳統用密度泛函理論（DFT）逐個篩，低了三個數量級。

說白了，這不是一個預言家在告訴你答案。這是一個篩子在替你扔掉九成九的選項。

而篩子能篩得這麼凶，是因為扔錯一個的成本太低了。在材料學裡，判斷錯一次的代價是多算幾小時機時。機器還在，電還在，換一組參數重來就是。

那這張篩子的孔，到底有多準？

有一個研究專門去拆 GNoME 的穩定性標籤。它發現那個「幾十萬種熱力學穩定材料」的聚合數字，掩蓋了極大的化學差異。在固定元素數量下，不同化學體系的穩定性比率相差 26.7 個百分點，從 4.0% 到 30.7%。換另一套參考集來讀，則是 14.5% 與 37.4%，相差 22.9 個百分點。要說明的是，這對數字是研究者事後從資料裡挑出的兩端極值，不是任意兩個化學體系之間的常規差距，而且這篇目前還是預印本。

也就是說，同樣掛著「穩定」這個標籤，在不同的化學體系裡，可靠度可以差到三倍以上。

這不是說 GNoME 不行。它的定位從一開始就是「這些我已經幫你排除過了，剩下這些值得你花錢去做實驗」。它賣的是節省，不是正確。

而它敢這樣賣，是因為在材料學裡，「不正確」是一個可以承受的價格。做實驗的人拿到一份 AI 給的清單，知道裡面大部分會失敗，仍然照著做，因為就算失敗九成，剩下那一成也值得。材料學的研究生不會因為算錯一次而浪費五年，他會罵一句，然後再算一次。

這個循環的轉速，就是材料學 AI 的全部祕密。

農業沒有這個轉速。

有一份研究，把果樹育種這筆時間帳算到了小數點。

2021 年，O’Connor 等人在《BMC Genomics》上發表了一篇以澳洲堅果為對象的論文。澳洲堅果就是我們說的夏威夷果。這篇論文做了一件很樸素的事，把傳統育種從頭到尾的每個階段拆開，看哪一段吃掉多少年。

結果是這樣的。傳統育種的選擇週期是 21 到 22 年。論文自己用的說法是「幾乎四分之一個世紀」。這二十一年怎麼來的？育苗的後代試驗，至少八年；區域品種試驗，至少八年。中間還有一堆雜項。而在這段時間裡，世代長度是八年。

然後他們算，如果改用基因組選擇（genomic selection，簡稱 GS），這筆帳會變成多少。

答案是選擇週期 14 年，世代長度 4 年。世代長度減半。遺傳增益從每年 226 克，變成每年 474 克，超過兩倍。

這是目前能找到的、把「GS 縮短週期」這件事算得最清楚的一份資料。它正面回答了那個問題：AI 到底能從四分之一個世紀裡拿走多少年。

論文算出了一個數。但這個數是什麼性質，得先說清楚，因為它跟大多數人讀到這個數字時的理解，差得很遠。

那個數是七年。

但它不是「某個澳洲堅果新品種，因為用了 GS，比原定計畫提前七年上市」。沒有人這樣報告過。它是「如果採用 GS，依照模型推算，選擇週期可以從 21 年降到 14 年」。

前者是已經發生的事實，後者是設計上的計算。這兩個東西在傳播的過程中經常被揉成一團，然後變成一條很好用的標題。

論文裡還有兩處性質相同的表述，我一起擺出來。Muranty 等人在 2015 年建議 GS 可以把蘋果的育種週期從 7 年縮短到 4 年。注意動詞是 suggested。van Nocker 與 Gardiner 在 2014 年提出，用分子標記輔助選擇加上促進早花的處理，候選品種可以比傳統育種提早 7 年進入無性繁殖。動詞是 proposed。兩者都是方案推演，不是田間實測。

為什麼要這麼挑剔？因為這兩種東西的差別，恰好就是這篇文章要講的東西。

材料的預測可以馬上驗證。算出來一個結構，三天後實驗室就能合成，錯了當場知道，改參數重算。農業的預測不能馬上驗證。你算出這個家系有潛力，也得等它長大、結果、連著觀察好幾年，才曉得算得準不準。而等這幾年過去，你用來驗證的那批樹已經不能重來了。

所以「預測」這兩個字在兩個領域裡的重量完全不同。在材料學裡，預測是一個即將被檢驗的假設。在果樹育種裡，預測是一個要押上五年的賭注。

而這，才剛好把我們帶到第二道牆。

第二道牆是資料。

材料學的資料是算出來的。你有一組晶體結構，可以拿現成的資料庫，可以自己跑 DFT 生成更多，可以放模型在虛擬空間裡自己跟自己玩。資料乾淨、便宜、無限，而且犯了錯可以丟掉重來。

農業的資料是長出來的。一年一季，一棵樹一組。你想知道某個品種在乾旱年份的表現，就得等一個乾旱年份。你想知道它十年後的產量，就得等十年。而且最關鍵的那種資料，是壞樣本。爛掉的蘋果、發病的果園、歉收的年份。這些東西在真實世界裡本來就少，育種家也不會主動把自家最難看的資料公開。

這不是一個靠加錢、加人、加算力就能解決的問題。這是一個物理上被限速的問題。

有一個數字讓這件事變得很具體。在澳洲堅果的研究裡，四歲樹的產量與十歲樹的產量，相關係數只有 0.1。

這句話反過來讀更有意思。你想要訓練一個模型，讓它在苗期就能判斷這棵樹十年後好不好，那你的訓練資料就必須是「早期一組數字 + 十年後的真實結果」成對出現的樣本。每一對，都要等十年。你想要一萬對，就得有一萬棵樹，站在那裡等你十年。

材料學那邊的訓練集，是按下計算鍵就有的。

所以 GS 這套方法的邏輯，本身就帶著一個條件。它建立在「用一群已經知道的材料當訓練集，去預測新的材料」這個前提上。這在資料充足的地方能跑得很好，換到資料稀薄的地方就開始搖晃。

同一篇論文裡，藏著一個比那七年更有價值的數字。

他們把預測準確度分成兩種演算法。一種是同一家系內部隨機拆分，準確度 0.57。另一種是按家系整組拆分，也就是拿沒見過的家系來測，準確度只有 0.14。

而 0.14 在論文自己的表述裡是「與零無顯著差異」。

翻譯一下。AI 在你熟的那一小塊地裡，預測得還算可以。換到沒見過的材料，它基本上等於丟硬幣。

我特別想強調這一點，因為它不是 AI 的缺陷，它是這個領域的性質。任何統計方法，資料稀疏都會撞到這堵牆。論文作者對此的處理也很克制，他們說現實中育種群體之間會有親本重疊，所以真實準確度「預計更接近 0.57 那一組」。但這是推測，不是實測。論文同時寫了一句很硬的話，在 GS 能真正應用於澳洲堅果育種之前，還需要用更大的訓練群體和整家系驗證集做更多研究。

這就是農業 AI 面對的真實處境。它不缺演算法，不缺算力，不缺論文。它缺的是那十年。

第三道牆，我認為是三道裡最難翻的一道。因為前兩道牆，科技的進步多少能鬆動一點。這一道不行。

那道牆叫性成熟。

澳洲堅果那篇論文裡有一句話，寫得很平，但我看到的時候停了很久。它說，被選中的優良個體，必須等到大約四歲性成熟，才能夠作為親本繁殖下一代。

把這句話拆開看。AI 可以在苗期就告訴你，這棵苗的基因組看起來像個好苗子。這件事它做得到，而且做得比人快得多。但這棵苗要當爸爸媽媽，得等到它自己身體裡那套生殖系統長好。四歲之前，它連花都不開，你拿它的花粉去配種，沒有花粉可拿。

這中間隔著的是生物學。你可以把算力加十倍、把模型換三代、把訓練集擴到一百萬個樣本，這棵樹還是要等到四歲。

我想把這一點說得更具體，因為這裡有一個很容易被跳過的細節。

有一份針對蘋果的研究，把 23 個家系、756 個基因型，全部嫁接在同一種 M.9 矮化砧木上，然後連續觀察了 11 年。同樣的土壤，同樣的氣候，同樣的砧木，同樣的管理方式。唯一的差別，是每個家系的遺傳背景不一樣。

結果是，最早開花的家系，在定植後第 1 到第 2 年之間就進入結果期。最晚的那個家系，要到第 5 到第 6 年。

同樣的砧木，同樣的一塊地，只因為親本配得不一樣，童期就差了三四歲。

這件事讓我停了很久。因為它意味著，在你把種子種下去之前，那棵樹什麼時候會開花，就已經大致決定了。而決定它的那一組遺傳背景，在 756 個基因型裡，人類事先並不知道哪一種對應著早花。

所以真實的育種現場是這樣的。你配了一百個組合，種下去，然後等。你不知道哪幾棵會早花，你只知道遺傳背景會影響，但影響成什麼樣，得等它開花才知道。它的遺傳背景已經決定了它哪一年開花，只是還沒有人知道答案。

同樣的道理，柑橘的童期是 3 到 15 年或更長，主要商業甜橙和寬皮柑多數都超過 5 年。林木那邊更誇張，一個育種週期動輒二三十年。

所以整個果樹育種的流程，長成這樣。配一對親本，等子代長大，等它開花，等它結果，評估，選出幾棵，再等這幾棵長到能當親本，然後重來一次。每一次重來，都要重新走一遍那段沒法壓縮的路。

GS 在這裡做的事，是把「評估」這一段大幅提前。以前要等果實出來才敢判斷，現在苗期就能有個大概。這確實省下不少時間，論文算出七年，也確實值這七年。

但它省不掉最後那一段。你選中了，還是得等它長到四歲。

講到這裡，我要往回跳六十年。

1964 年，一位叫 Visser 的研究者，在《Euphytica》上發表了一篇講蘋果和梨實生苗童期的論文。這篇論文沒有 AI，沒有基因組，連分子標記都還沒出現。它用的方法是量樹幹的直徑，然後記錄這些樹哪一年開花。

他在摘要裡給了三個結論，我認為比很多現代論文更有穿透力。

這三條連起來，說清楚了一件事。童期不是「時間到了就開花」，是「長到足夠大才開花」。

所以那棵砧木做的事，不是給樹施了什麼魔法。它讓樹長得慢，於是更早達到了那個會觸發開花的體型門檻。這裡頭的機制，人類在沒有分子生物學的年代就摸到了，還真的從裡頭摳出了一年半。

我特別想留著這段，因為它把一個東西放回原位。

我們討論 AI 的時候，很容易有一種默認，好像「加速」這件事是這幾年才發明的，好像在那之前人類只能在田裡等。不是的。人類一直在跟童期搶時間。矮化砧木是一個辦法，環剝是一個辦法，控水控肥是一個辦法，選早花的親本是一個辦法。1964 年那篇論文，只是把其中一個辦法量化了。

而這個對照，恰好解釋了 AI 為什麼無從下手。

矮化砧木能做的事，是改變樹的生長曲線，讓它更快達到那個門檻。它動的是樹本身。AI 能做的事，是從一群苗裡挑出最值得留的那幾棵。它動的是判斷。

一棵砧木摳得出一年半，因為它改的是樹怎麼長。AI 算得再準，也改變不了一棵樹長到四歲的速度。

那 AI 在農業裡，到底有沒有站穩的地方？

有的，而且是那種很樸素、沒什麼新聞性的站穩。

回到開頭那顆蘋果。撞傷之後的三十分鐘內，受傷組織和健康組織的外觀幾乎一樣，肉眼分不出來，常規的機器視覺也分不出來。等人看得出來，貨已經出廠了。於是近紅外相機加上深度學習，做的事情非常具體，就是把那個還看不見的瘀傷找出來。靈武長棗的研究用高光譜配 LSTM 去抓這種早期瘀傷，效果明顯優於傳統機器學習模型，做的也是同一件事。

這類研究，我刻意沒去引那個常被引用的「準確率超 95%、損耗降低 20 到 40%」，因為找不到原始出處。但我不覺得這是壞事，因為機制比數字有力。它的價值不在於比人眼準多少，而在於它看得見人眼根本看不見的東西。

而這件事有一個共同點。它發生在果實離開樹之後。

溫室控溫也是。溫室裡的番茄、黃瓜、草莓，一季三到四個月，參數調錯了，下一季就能改。病蟲害預警也是，今年的模型沒抓好，明年的資料補進去。農機調度更是，一台機器今天路線排得不好，明天重排。

這幾件事，全都有一個共同的物理特徵：它們的循環很短。短到你可以試錯，短到你錯了之後有機會修正，短到你算錯的代價不是五年。

這句話反過來說，就是這篇文章的整個結論。它最需要去的地方，也就是果樹育種，恰好是它最進不去的地方。

還有一個地方我必須誠實交代。這幾年 AI 在生命科學裡最廣為人知的一件事，是 AlphaFold 解蛋白質結構。很多人會直覺地想，那把它拿來做作物育種不就好了。我把中英文的關鍵字都翻過一遍，結論是，目前找不到 AlphaFold 直接用在作物育種上、並因此產生一個品種的案例。

能找到的是鄰近的東西。用 AlphaFold 這類工具做酶的理性改造、做蛋白設計；作物分子設計育種裡有生成式 AI 的框架，但那是在基因組層面做設計，不是蛋白結構預測；AlphaFold3 能預測蛋白和 DNA、RNA、配體怎麼互動，這對理解植物與病原的關係有潛在價值，但目前只是潛在。

我的判斷是，蛋白結構預測在植物這一側，目前還停在基礎研究，沒有走到品種。這個邊界說出來有點掃興，但它恰好是這篇文章論點的一部分。一個工具在某個領域裡還沒落地，不是它不行，是那個領域的瓶頸不在它負責的那一段。

把這篇文章裡出現過的週期數字並排放在一起，那個落差會更清楚。

材料學那邊的對照組是另一種形狀。GNoME 一次生成 220 萬個候選結構，其中 736 種已被獨立實驗室合成。從算出一個結構，到實驗室動手去合成它，中間隔的是幾天到幾個月，不是幾年。

這張表不需要多解釋。它的形狀本身就是論點。

最後，我想說一點比技術更根本的東西。

我們很容易把 AI 想像成一種通用的加速器。好像只要某個領域插上 AI，它就會變快，差別只在快多少。這篇文章想說的是，不是這樣。AI 加速的對象非常具體，它加速的是判斷、是篩選、是排除。

這不是農業獨有的困境。教育是這樣，一個孩子長大要十八年，你可以用 AI 幫他找到最適合的學習路徑，但你不能讓他提早三年長大。醫學是這樣，一種新藥的臨床試驗要追蹤受試者好幾年，你可以用 AI 篩分子、設計試驗，但你還是得等那些人把時間過完。人才培養、城市建設、森林復育，全都是這個形狀。

所以真正值得問的問題是，這個領域的瓶頸，卡在判斷，還是卡在等待。

卡在判斷的，AI 會把它掀翻。卡在等待的，AI 只能在旁邊幫忙看著，讓你在等待的這些年裡，少走一些冤枉路。

回到開頭那兩個畫面。選果線上那顆蘋果，毫秒之間被看穿，因為它已經長成了，剩下的只是辨認。育種園裡那棵四歲的樹，安靜地站著，什麼都算不出來，因為它還沒長成。

AI 能算的，是已經存在的東西。它算不出還沒長出來的時間。

而認清這一點，其實不是悲觀。它反而讓事情變得清楚。在農業裡，該做的事情是把那七年、那十四年、那二十一年，一段一段地看清楚，看哪一段是判斷，哪一段是等待。判斷的部分儘管交給機器，等待的部分，老老實實地等。

六十二年前，Visser 量樹幹的直徑，量出了一年半。今天我們有整個基因組的資料，一年半這個等級的收穫，仍然要靠改樹本身，不是靠算得更快。

這件事沒有變。變的只是我們量得比以前準。