四兆顆種子的精準照護：John Deere 技術長拆解 AI 怎麼讓每一株玉米活出最好的自己

TL;DR

• John Deere 技術長 Jahmy Hindman 拆解這家一百八十九年老公司怎麼把 AI 塞進農業全鏈路，從 GPS 定位到自動駕駛拖拉機到會「發光求救」的基改大豆
• 美國每年種下四兆顆玉米種子，John Deere 的目標是讓每一顆都得到「園藝大師等級」的個別照護
• See and Spray 技術用三十六顆攝影機跟九顆嵌入式 GPU，在時速二十四公里下辨識雜草，只對有雜草的地方噴藥，最多省下七成五的除草劑
• 完全自動駕駛拖拉機已經跟客戶實測四年，十六顆攝影機加 NVIDIA Orin 平台 GPU 做即時感知
• InnerPlant 合作案讓大豆受到真菌攻擊時發出特定波長螢光，比人眼早兩週偵測到壓力訊號
• 邊緣運算落後資料中心約六年，但五六年後田間就能擁有今天資料中心等級的算力
• 人形機器人在農業的殺手應用不是取代人，而是接手「沒人想做」的工作，例如清穀倉

---

這集在 2026 年七月十一日播出的 Pioneers of AI，是 Masters of Scale 旗下由 Rana el Kaliouby 主持的 AI 專題節目。Rana 是情感 AI 公司 Affectiva 共同創辦人，後來 Affectiva 被 Smart Eye 收購，她也出過一本叫 Girl Decoded 的書，基本上是情感辨識這個領域的開山人物之一。這集她找來 John Deere 技術長 Jahmy Hindman 聊農業 AI。Hindman 是機械工程博士，研究方向是人工神經網路，在 John Deere 待了三十年，從測試工程師一路做到 CTO，掌管整個技術棧。John Deere 是一家一百八十九歲的農業設備巨頭，全球最具指標性的農機品牌，但更精確的定位其實是「一家偽裝成農機公司的科技公司」。

---

從鐵犁到自駕拖拉機：一百八十九年的自我顛覆

Hindman 講了一個很有畫面的起源故事。1837 年，創辦人 John Deere 本人是個鐵匠，他發現當時的木犁和鑄鐵犁一直黏土，農夫每走十公尺就得停下來清一次。他做出了第一把不沾土的鋼犁，公司就這樣開始了。

真正的轉折點在二十世紀初。內燃機出現，拖拉機誕生，但 John Deere 當時是做「被動物拉的農具」的公司。要不要跳進拖拉機這門生意？這就是經典的創新者兩難。最後他們買下了 Waterloo Gas Engine Company，從此走上機械化的路。

Hindman 的觀點是：AI 對農業的意義，跟當年內燃機對農業的意義一模一樣。五十年前美國有三到四成人口直接從事農業，今天只剩百分之一點五。這個效率提升讓你我不用擔心食物從哪裡來，可以去做別的事。AI 是下一波同等級的效率躍遷。

四兆顆種子的「園藝大師」待遇

這集最讓我印象深刻的概念是 Hindman 說的「plant-level management」。

美國每年種下四兆顆玉米種子。John Deere 的終極目標是讓每一顆種子都得到「園藝大師等級」的照護，知道它在哪、它需要什麼、什麼時候需要。

要做到這件事，技術棧的第一層是定位。John Deere 自己搞了一套 GNSS（全球導航衛星系統）接收器，精度要求到三十英吋的行距完全一致，不重疊也不遺漏。在一千英畝的田裡，你的十六行播種機到底走過哪些地方、哪些沒走，沒有精準定位根本不可能知道。

第二層是感知。以 9RX830 這台要價兩百萬美金的拖拉機為例，車頂裝了十六顆攝影機，視野重疊，逐幀校準以取得深度資訊，跑在 NVIDIA Orin 平台的嵌入式 GPU 上。這些 GPU 必須能承受農田的震動、灰塵和極端溫度，不是在恆溫機房裡跑的那種嬌貴東西。

第三層是自動決策。所有資料上傳到雲端（在沒有手機訊號的偏遠地區，John Deere 跟 Starlink 合作用低軌衛星傳資料），處理完後回到農夫的手機上。農夫可以看到像「披薩盒大小」解析度的產量地圖，Hindman 叫它「農夫成績單」：這塊地產了一百五十蒲式耳還是三百蒲式耳的玉米，一目了然。

See and Spray：只噴有雜草的地方

這個應用我覺得最直觀好懂。

自走式噴灑機的噴桿展開有一百二十英尺寬（大約三十六公尺），以時速二十四公里行進。傳統做法是不管有沒有雜草，整片田均勻噴藥。John Deere 在噴桿上裝了三十六顆攝影機和九顆嵌入式 GPU，即時辨識哪些像素是雜草、哪些不是，只對有雜草的區域噴除草劑。

根據 John Deere 跟 InnerPlant 的研究，這種精準噴灑最多能減少七成五的農藥使用量。省錢、省藥、對環境好，是一個三贏的局面。

會「發光求救」的植物

這是整集我覺得最科幻的段落。

John Deere 投資了一家叫 InnerPlant 的公司（領投了一千六百萬美金的 A 輪），他們在做的事情是：基因改造大豆，讓植物在受到壓力時發出特定波長的螢光。真菌感染發一種光，缺氮發另一種光，缺水又是另一種光。而且這些訊號比人眼能看到症狀的時間早了兩週。

Rana 說她一輩子在做人類的情感辨識，這基本上就是植物版的「非語言溝通」。我覺得這個類比很精準。

搭配 John Deere 既有的 See and Spray 攝影機陣列，未來的場景是：植物自己說「我生病了」，機器在時速二十四公里下看到這個訊號，即時精準施藥。從偵測到行動，全部自動化。

邊緣運算的六年時差

Hindman 提了一個我覺得很有參考價值的觀察：嵌入式 GPU 的運算能力，大約落後資料中心六年。也就是說，今天資料中心能跑的模型，五六年後就能塞進田間的拖拉機裡。

這意味著什麼？端到端的自動駕駛。不是寫一堆規則告訴機器「看到 X 就做 Y」，而是直接學習「農夫看到這些東西、聽到這些聲音的時候，他怎麼操作控制桿」。用 Hindman 的話說：「完全模擬農夫在操作中做的事。」

他也提到 Google 把推理跟訓練拆成不同的運算裝置，這對邊緣端很有意義。之前在一天造二十種合金的 Radical AI那篇聊過類似的概念：真正的瓶頸不是模型能力，是把模型部署到實際場景的工程問題。農業跟材料科學在這點上是一模一樣的。

Right to Repair：數位時代的追趕戰

Hindman 對 Right to Repair（維修權）爭議的回應算坦率。他承認 John Deere 不是故意走到這步的。二十五三十年前開始在設備上裝微控制器的時候，根本沒人想到農夫會想自己更新軟體。結果技術演進了、客戶期待也演進了，公司的政策沒跟上。

2025 年七月他們推出了 Operations Center Pro Service，讓設備擁有者可以直接用手機下載控制器的軟體更新檔，走到田裡推送到設備上。獨立維修廠也能用這個工具。

老實說，這是被告了才加速推動的。但至少他沒有閃躲這個問題，而且解法也確實解決了核心痛點。

人形機器人在農場的殺手應用

Rana 問了一個很有畫面的問題：未來農場上會不會有一隊戴草帽穿吊帶褲的人形機器人？

Hindman 的回答很實際：人形機器人在農業最大的價值，不是取代農夫開拖拉機（那個自動駕駛已經在解決了），而是去做「沒人想做的工作」。例如美國中西部的清穀倉作業：又髒又暗又悶，得戴呼吸面罩，「沒有任何誠實的農夫會說他喜歡做這件事。」

另一個場景是採收水果。芒果、莓果、柑橘這類高價值作物很難用機械採收，因為需要人手的靈巧度。各種客製化的採果機器人都試過了，但都卡在「手」的問題上。人形機器人如果能把手做對，在這個場景有巨大的機會。

這跟之前在Caitlin Kalinowski 的硬體時代備忘錄裡聊到的觀點互相呼應：AI 在鍵盤前能做的事快見頂了，下一場戰爭在實體世界。農業就是最典型的實體世界應用。

我的觀察

聽完這集我最大的 takeaway 是：農業 AI 跟我們平常討論的 SaaS AI、coding agent 是完全不同的遊戲。它的限制條件更硬（沒有網路、極端環境、六年的運算落差），但解決的問題更根本（餵飽全人類）。

Hindman 說得對：從農場到你我嘴裡的食物，中間有一整條價值鏈的效率問題沒人完整看過。AI 第一次讓「端到端地審視這個系統哪裡浪費」變成可能。

如果你只看 AI 產業的軟體端，會以為全世界都在搶 GPU 寫 code。但 John Deere 這種公司提醒你：硬體 AI、實體世界 AI、在泥巴地裡跑的 AI，那才是真正改變人類生存條件的東西。

更多這類從產業第一線拆解出來的觀察，都會持續更新在 wilsonhuang.xyz，有興趣可以訂閱追蹤。