作为利用人工智能 （AI） 进行农业创新的承诺的一部分，CIMMYT 正在通过人工智能表型分析开创植物育种的变革。通过结合计算机视觉、机器学习和手机技术，这种方法正在重新定义特征的测量方式，使该过程更具可持续性、可扩展性和客观性。
CIMMYT 与定量工程设计 （QED.ai）、国际生物学院联盟和 CIAT （ABC）、盖茨基金会和非洲旱地作物改良网络 （ADCIN） 密切合作，正在将人工智能工具集成到跨地区的育种管道中。目标：确保系统、准确的性状数据收集成为全球现代作物改良计划的核心要素。
基于人工智能的表型分析
人工智能的最新进展正在为农业解锁强大的新工具，尤其是在表型分析方面。基于计算机视觉的模型现在使我们能够以更高的准确性、一致性和速度观察和量化植物性状。
其中一项创新是 ImageSafari，这是盖茨基金会的一项计划，旨在探索基于视觉和语言的人工智能模型如何改变植物性状分析。在国际生物学院联盟和 CIAT （ABC） 的 Artemis 项目的支持下，这种方法旨在超越传统的人类表型分析方法——减少错误、节省时间并降低成本。
它的与众不同之处在于它的可访问性。只需一部智能手机，用户很快就能生成自动化、标准化和可扩展的形态特征和疾病严重程度测量结果。这使得数据收集民主化，使育种能够更广泛地参与，甚至超越研究站。
五步人工智能表型管道
CIMMYT 的人工智能表型分析管道改变了在现场测量植物性状的方式。它首先使用配备 QED.ai 工具的智能手机或平板电脑拍摄的地理参考图像。这些图像经过策划和注释，以构建高质量的数据集。
然后训练先进的人工智能模型，以快速、精确地识别关键特征，例如林分数量、豆荚数量或疾病症状。这些模型在不同的环境、季节和遗传背景中经过严格验证，以确保准确性、一致性和公平性。
性能最佳的模型通过用户友好的移动应用程序或基于云的 API 进行部署，使育种者能够接收即时的田间性状预测。该管道使表型分析更快、可扩展且更客观，使育种者能够获得实时数据来为他们的决策提供信息。
“通过利用无处不在的手机向人工智能提供地理参考的野外图像，我们正在努力将表型分析从缓慢、主观的练习转变为快速、数据驱动的过程，使育种者能够直接在野外获得即时、客观的见解，”ImageSafari 项目 CIMMYT 组件负责人 Abhishek Rathore 说。
ImageSafari 表型项目
CIMMYT 是 ImageSafari 的核心合作伙伴，ImageSafari 是盖茨基金会支持的一项旗舰计划，旨在利用人工智能为下一代数字表型分析提供动力。该项目由 QED.ai 牵头，与 ABC 以及 CGIAR 和 NARS 中心网络合作，旨在构建高质量的图像数据集，用于开发强大的计算机视觉模型。
使用与 QED 高性能数据基础设施集成的移动工具，多个国家的育种者和技术人员系统地捕捉作物的田间图像。这些图像与来自 CIMMYT 企业育种系统 （EBS） 的丰富元数据相关联，正在为人工智能驱动的表型工具创建可扩展的基础，这些工具可以支持跨不同环境的实时性状预测和育种决策。
“我们已经在肯尼亚的地点拍摄了超过 1,000,000（100 万）张小米、花生、珍珠小米、木豆、玉米和高粱的照片。我们现在正在添加小麦，很快就会点击我们的第 200 万张图片“，CIMMYT 的 Victor Musau 说
CIMMYT 和 QED.ai 工作人员在育种中心现场工作，校准智能手机相机和软件，以大规模捕获数 TB 的图像（照片：CIMMYT）
利用ADCIN在非洲扩展
作为将人工智能表型分析纳入旱地作物主流的努力的一部分，ImageSafari 计划是在非洲旱地作物改良网络 （ADCIN） 下为来自西非、中部、东部和南部非洲的联络点科学家举办的泛非研讨会上推出的。
参与者接受了有关如何安装移动图像捕获应用程序和实施基于条形码的工作流程的动手演示。研讨会重点关注三个关键领域：
标准化成像协议：使用协调的 SOP 对高粱、小米和其他旱地主食等作物进行多角度、多阶段的图像采集。全国活动动员：将图像收集工作与区域试验日历结合起来，以生成强大的、时间敏感的数据集。实时反馈循环：建立实用的支持系统（仪表板和 WhatsApp 群组）来监控数据质量并提供快速故障排除和培训。
这种合作努力正在为整个非洲大陆可扩展的人工智能育种解决方案铺平道路。
“人工智能不是魔法。它需要数据！我们很高兴与您合作开展这个开创性项目，以构建基础数据集，推动人工智能的未来创新，“来自多个 NARS 中心的 William Wu QED.ai 向研讨会参与者说。
结论和下一步
CIMMYT 对基于人工智能的表型分析的投资——以 ImageSafari 项目为基础，并通过与 ADCIN 的战略合作推动——正在为整个非洲植物育种的数据驱动创新树立新的标杆。从 2025 年 8 月开始，ADCIN 合作伙伴将开始跨多个地区的协调图像收集工作，并通过后续研讨会、远程诊所和开放获取培训材料进行持续的能力建设。接下来的这些步骤将确保人工智能驱动的育种管道的广泛采用、本地所有权和长期可持续性。
