让蔬菜更好吃，这次真的是运用了高科技

机器学习可以有什么样的实际应用？最先进入脑海的答案，无外乎语音识别、人脸识别、机器翻译、自动驾驶，以及个性化推荐这些热门领域。

但你或许不知道，它还能让蔬菜变得更好吃。

近日，麻省理工学院研究团队联合 Cognizant 公司，尝试了一系列香料九层塔（罗勒）的种植实验。他们没有采用转基因技术，仅用普通的九层塔种子，通过机器学习算法控制生长环境，使其时刻处于最利于生长的状态，调节参数包括光照时间、紫外线照射时间和有效光照辐射（PAR）等。

最终发现，24 小时光照竟然是最适宜九层塔生长的环境因素之一，培育出的成品味道远超普通九层塔。未来，研究团队计划用类似的方法提高植物产量，甚至是提高它们体内特定物质的含量，帮助对抗一些疾病。

图 |  试验中所有九层塔的生长环境，包括光照，都受到了严格的控制（来源：Melanie Gonick）

评判标准

结合机器学习和植物种植，并非心血来潮。麻省理工学院早在2015年，就提出了 OpenAgriculture（开放农业）倡议，致力于将人工智能技术应用在农业领域，同时秉承开源精神，将研究成果以软硬件结合的形式共享给所有人，提高全球农业技术的整体水平。

之所以选择九层塔，是因为它是一种西方料理中常见的香料，被誉为“香料之王”。由于可以散发出浓郁的香气，它在西餐中的地位相当于我国美食里面的香菜。甚至在三杯鸡、烧茄子等中式菜肴中也会有它的身影。

研究人员正是利用这种特点，通过气相色谱-质谱联用法（GC-MS）分析它的香气浓度，进而评估它的味道，参考成分多达十余种。

总的来说，九层塔香气越浓，味道越好，而且还会含有更丰富营养素和抗氧化物质，更有营养。

控制变量

在“九层塔香气优化”实验中，研究人员使用了无土水培技术，将所有九层塔装在适合运输的容器中，再放入由电脑控制的培育室里。他们将整套设备称为“食物计算机”，可以精准控制环境变量。

在保持温度和湿度等参数恒定的前提下，研究团队选择了三种变量：光照时长，紫外线时长和光合有效辐射（PAR）时长。

光照时长很好理解，它与绿叶植物的生长效率密不可分，决定了储存香气挥发物的毛状体的形成，变量值在 0-24 小时之间。紫外线的作用则在于增加香气挥发物的含量，进而用来检验实验成果，变量值也在 0-24 小时之间。

图 | “食物计算机”

而光合有效辐射比较特殊，它代表着可以用来进行光合作用的光照，由灯的种类决定。比如两株植物各配有一台经过特殊设计的灯，即使照射时长相同，发出的有效辐射也有差异，最终进行的光合作用也有不同。这一变量最难控制和改变，因为它对硬件需求较高，而且需要特殊的优化算法才能找到最佳配置。

设计优化模型

面对三个变量衍生出的数百万种排列组合，如何找到效果最好的一种？研究人员将目光投向了机器学习。

他们选择了符号回归（Symbolic Regression）方法，其优点在于不依赖于现有知识，可以有效利用进化方法，为非线性系统建立预测和优化模型。该方法还比其他回归模型更易于解释，研究人员更容易找出变量之间的关系，为未来的实验开发新模型。

图 | “生物计算机”产出的九层塔（来源：Melanie Gonick）

优化过程中，除了上述三个变量，符号回归模型还会考虑温度、湿度和香气挥发物浓度等信息，将它们作为输入值，评估优化方法。

研究人员强调，尽管符号回归在多次迭代后无法保证收敛，但实验当中的预测只需一次迭代，无需保证收敛。

种植实验

种植实验进行了三轮，每一轮包括 9 盘同时生长的九层塔，其中每轮会有 3 盘一直使用控制参数，来作为衡量标准。

第一轮的环境参数由人工决定，主要目的是调查紫外线的效果和灯的选择。第二轮参数由无监督算法选择，加入了光照变量和提高了参数多样性。

在分析了前两轮的生长数据后，第三轮参数由符号回归模型给出。具体来说，该模型一共评估了 200 万种组合方案，研究人员从中挑选了 18 种效果最好的，应用于种植实验中。

最终结果显示，九层塔在 24 小时光照的情况下，生长状态最好，释放的香气也最浓郁。

图 | 三种变量组合而成的结果图，好吃程度由高到低分别是：红色>黄色>绿色>蓝色

这一结果十分出人意料，因为大自然中极少出现 24 小时日照的情况，只有在极地地区才会发生，但那里又不适合植物生长。

在此之前，以自然种植测试为主的农业领域，几乎没有可能发现这种看似“反直觉”的特征，即使人们知道 24 小时光照会让特定植物生长旺盛，但并不知道这还会影响到它们的味道。

除了味道以外，研究人员正在尝试更多种机器学习和农业的结合方式。比如探索环境变量对营养素和其它成分的影响，寻找是否可以利用机器学习提高某些成分的含量，让食用植物变得更加营养，产量更高，甚至是适应气候变化和抵抗害虫。

这项研究成果发表于 4 月 3 日的 《公共科学图书馆·综合》（PLoS One）期刊上。

- End -

参考：

http://news.mit.edu/2019/algorithm-growing-agriculture-0403

https://www.technologyreview.com/s/613262/machine-learning-is-making-pesto-even-more-delicious/

https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0213918