MIT “AI 种菜”项目失败，还因环保问题被罚25125美元

（MIT Media Lab 官网 OpenAg 专题页中，Harper 被标注为“过去的成员”）

OpenAg 项目始于2015年，其核心产品形态类似迷你培育室，是一个四方的便携密闭箱，被称作个人食品计算机（PFC）。PFC 的硬件和软件全部开源，以便更多人做室内农业试验。PFC 内配备了农作物生长所需条件的生产装置，包括植物水培托盘、LED、传感器、泵、风扇、控制电子设备。通过开源的计算机软件，PFC 声称可培育多种植物，只要下载不同植物生长所需要的代码“食谱”，人们就可以控制密闭箱内的光照、湿度、营养成分、PH 值等参数，以帮助植物生长。

这个“开源食物计算机”PFC 一大的技术特色，就是利用深度学习来种菜。项目会搜集来自世界各地的食物计算机数据，然后利用机器学习算法，给植物生长提供更适合其习性的环境“食谱”。

起初，项目的发展设想非常美好——培育罗勒等作物，或在约旦沙漠环境中种植原属于叙利亚阿勒颇的辣椒。项目组成员称自己为“书呆子农民（nerd farmer）”，可以靠编程解决农民“靠天吃饭”的问题。Harper 还给这个产品规划了一个充满人情味的发展路线：从帮助叙利亚难民种菜开始，逐步延伸到对未来农业发展的探索，最后建造一个全球化的数字农场，让人们都能自由种植自己喜欢的植物。

Harper 曾在公开场合多次强调项目充满“人文关怀”：

“PFC 的价值是文化意义上的，而不仅仅是生产意义上的”；

“我不会告诉他们种什么，他们可以种植自己想要的东西，那些他们再也无法得到的东西”；

“除了种出（让人们可以）活命的食物，更重要的是让难民找到了精神家园”。

但 IEEE Spectrum 的一份调查结果显示，2017至2019年期间，Harper 关于 PFC 在难民营的部署的言论被证明是在说谎。PFC 的产品功能也没得到实现。

Harper 从 OpenAg 项目中延伸，创办了 Fenome 公司。2017年1月，Fenome 派出团队前往约旦组装和安装食物计算机，计划安装完成后通过几名专门员工在犹他州远程监控项目进展，Fenome 的团队会定期与他们电话沟通，这批测试的植物包括黄瓜、罗勒和莴苣。然而计划实施非常不顺。

• 电源经常故障，约旦的自然条件恶劣，沙漠气候干旱，实验室室内温度有时可高达45℃。
• Wi-Fi 经常失效，导致项目组无法很好完成远程的温度、湿度、PH 值等参数的监测。PFC 出现故障时，必须连上 Wi-Fi 之后重启生效。
• 成本上升。因机器时常故障，最初到约旦进行组装的人员，在首次部署完一个月后不得不返回约旦重启机器，之后的四个月又返回了三次……

由于这些原因，2017年9月，约旦的项目便宣告结束。这期间，Harper 一直没有立刻停下他宣传 PFC 的脚步，而是继续在全国演讲，当然，演讲中的话也受到了质疑。

2017年3月，Harper 在佐治亚州技术峰会上说：“我们上周将 PFC 部署在了纽旦首都安曼的叙利亚难民营中。”2017年5月，Harper 在 Red Hat 的会议上还在描述约旦难民如何使用 PFC。Harper 之后又在 EAT 斯德哥尔摩食品论坛重申了自己的主张，称赞 PFC 为难民做的贡献。

当年9月，该项目的一个负责人在宣告项目结束时就表示，没有一台机器成功完成一个单一的生长周期。PFC也没按照原计划，完成在叙利亚难民居住地阿兹拉克营地的部署。但这时 MIT 还没有终止 OpenAg 计划。

直到2019年9月，MIT Media Lab 负责人伊藤襄一（Joichi Ito）卷入爱泼斯坦丑闻离职，OpenAg 计划才开始受到严格审查。

MIT 终于叫停 OpenAg的直接原因也是审查出现问题，这次甚至涉及到环境保护。马萨诸塞州环境保护部4月22日结束了对 OpenAg 项目的审查，并对 MIT 处以25125美元的罚金，原因是 OpenAg 项目将使用过的植物生长液和稀释的清洗液排入了地下排放控制井，这违反了地下井登记条款的相关规定。不过，OpenAg 永久关停之后，MIT只需支付15,000美元。

MIT 日前表示，所有托管在 MIT 媒体实验室服务器上的项目资料都将被关闭或转移。

至此，这场用 AI 帮助难民种菜的实验收场，项目牵头人 Harper 被冠上了“割韭菜”的帽子：根据 Spectrum 掌握的公司备案文件和 Fenome 内部文件，项目进行期间，Harper 为他的公司 Fenome 筹集了400万美元资金。

虽然 OpenAg 被认为是在割投资人韭菜，PFC 的产品设计不切实际，但不可否认，AI+农业的项目和实践已经越来越多。实际上，单就 AI “种菜”的场景来说，已经成为一道通用的科技考题：去年，世界顶级农业大学荷兰瓦赫宁根大学举办了一场人工智能温室种植大赛，微软、英特尔、腾讯等企业参加比赛，专门研究如何用农业AI培育出高产、高性价比的黄瓜？

更为广泛的是，基于深度学习的图像识别、大数据研究、遥感等技术也被应用在农业生产中，如：

• 利用机器学习改进农业图像与光谱识别。图像与光谱被认为是智能农机装备的重要感知信息，机器学习可以帮助构建农工业图像与光谱数据分析模型，进而进行智能分析决策。
• 对农业大数据的深度学习与分析。农业大数据包括自然环境、生态环境、生物数据等等，海量的数据以及逐渐普及的智能终端为数据收集创造条件，也便于深度学习。
• 甚至，基于深度学习的无人机摄影也在农业生产中发挥作用。遥感影像处理领域已经实现传统的地物分类方法向深度学习完成高分遥感影像下地物分类的转变，这被认为可以实现农业地物信息的提取和分类。
• ……

参考文献：

【基于深度学习的无人机影像设施农业典型地物识别方法研究】；2018.5；江西理工大学；张超

【基于机器学习的农业图像识别与光谱监测方法研究】；2018.6；山西农业大学；王璨

【面向农业领域的大数据关键技术研究】；2016.3；中国农业科学院；郭雷风