机器人大规模改进玉米育种

核心要点

• 2019年至2023年间，三至五台TerraSentia机器人在142个试验点测量了198,249块玉米样地。来源：DeBruin等人，《通讯生物学》（2025年）。
• 这一数据量让研究人员能从统计学角度区分品种、施氮量与环境条件之间的交互作用。人工测量在这方面受到严重限制，成本也极高。
• 品种选育的瓶颈不在遗传学，而在田间观测。机器人正是针对这一环节发力。
• 研究记录了部分数据的开放共享和一套专有处理代码，但未在公共数据共享与专有集成链条之间制造非此即彼的对立。
• 值得关注的信号：每块样地的成本、可自由复用的协议占比，以及在水分胁迫或低投入条件下测试的品种数量。

卡住育种的那个瓶颈

这些数据的归属权以及由此产生的农业导向，目前仍不确定。

自1990年代以来，玉米遗传学持续稳步进步。测序工具让基因组读取变得快速且廉价。但育种不止于基因组：它还需要了解一株植物在真实田间、真实降雨、特定施氮量条件下的实际表现。这就是表型鉴定，而它始终缓慢、昂贵，依赖人力。

一个育种者若想在二十种不同环境中测试一千个品种，就必须观测两万块样地。依靠田间团队，这需要花费整个生长季，耗费只有大型种子公司才能调动的资金。公立研究机构和合作社不得不放弃许多研究假设，原因不是缺乏想法，而是缺乏观测手段。DeBruin及其合作者的研究通过大规模机器人部署，在实践中证明了缩减这一瓶颈的可行性。

TerraSentia机器人可测量或估算植株高度、叶面积指数、茎秆直径和冠层结构。这些性状可用于估算生物量，但并不构成对地上部生物量的直接测量。机器人在行间自主行进，采集多传感器数据，并生成各站点之间可相互比较的数据序列。对于4,826个测量单元，作者估计机器人采集约需20小时，而人工测量穗位高则需约150小时。机器人在某些测量项目上大幅减少了人力耗时，并被视为一种低成本方案，降低了开展更大规模试验的门槛。

198,249块样地数据服务于田间观测

数据量本身不是目的。大量样地与多样环境，使得只有大规模表型采集才能分析的交互作用成为可能。

农学家长期致力于理解植物基因型、施氮量与站点气候条件之间的交互作用。这类交互作用在文献中记为GxExM，是面向低投入农业选育工作的核心课题。某个品种在氮肥充足时可能表现出色，遇到胁迫便急剧下滑；另一个品种或许能扛住干旱，却在丰收年份令人失望。要区分这些表现特征，就需要同时在多种环境中对其进行测试。

凭借142个站点和418个试验季次，这项发表于《通讯生物学》的研究提供了这样的比较背景。多传感器数据可将测定的形态性状与最终产量相关联，并检验这种关联在不同环境中是否稳定。叶面积指数或穗位高等性状，可成为最终产量的预测指标，在收获前便可用于指导杂交组合的选择。

机器人生成数据，育种者做出决策。机器是观测工具，而非农学决策者。这种机器人化采集方式有望使表型鉴定更加密集、更少依赖人力，并具备加速育种进程的潜力。

研究的经济逻辑，先于植物本身

DeBruin及其合作者的研究成果，对研究经济学家的吸引力不亚于农学家。它记录了田间表型观测是玉米育种与研究的主要瓶颈这一事实。通过机器人手段打通这一瓶颈，可能改变不同研究主体进行田间观测的机会与成本。

美国中西部的一所公立大学、巴西的一家农业研究所或法国的一家粮食合作社，理论上可以在各自的试验网络中部署几台机器人，采集与大型种子公司可比的数据。投入仍然可观，但远比建立测序能力或基因组学平台容易。让田间观测变得可及是有可能实现的，前提是相关协议和数据格式实现标准化和开放化。

正是在这里，机构层面的选择发挥着决定性作用。DeBruin等人研究中的数据——包括科迪华（Corteva）参与的试验——已全部存入Dryad平台；但EarthSense公司的处理代码仍属专有。相比之下，拜耳或其他企业在自有试验中采集的数据受到访问和使用限制，部分试验摘要和结果则已公开发表。这些数据所支撑的模型、所辅助选育的品种、由此产生的知识产权——一切都留在企业的价值链之内。机器人加速了研究，但加速方向取决于掌握机器人和数据的人的优先目标。

这场争论并非农学领域独有。谁来掌控知识生产基础设施的问题，同样贯穿基础研究领域。法国研究在国际上发表更多，但对规范的影响力却在减弱：这一信号说明，能够产出研究成果还不够——如果标准由他人制定，应用场景由他人主导，产出本身就不足以确保话语权。

氮减量与韧性：长期资源不足的农学目标

氮危机是全球农业代价最高的问题之一，却也是公共讨论中能见度最低的问题之一。合成氮肥在20世纪使数十亿人得以温饱。如今，氮肥生产消耗全球约1%至2%的能源，而氮素过量进入土壤和水体，造成大规模生态破坏，从沿海死区到地下水污染不一而足。

选育能在较少施氮条件下实现合理产量的玉米品种，是农业和环境层面的首要目标。但对大型种子公司而言，这在商业上并不具吸引力——它们的明星品种恰恰卖给氮肥充裕的集约化生产体系。低投入条件下的试验长期在育种项目中占比偏低，原因正是缺乏足以检测细微品种差异所需规模的观测手段。

研究中的418个试验季次涵盖了多样化的投入条件。这一方法有助于研究品种对氮素及不同环境——包括降水差异——的响应。如果这套观测基础设施向所有人开放，公立育种者、合作社和专注于低投入农业的研究机构将从中获益。

该研究所依托的数据集已存入Dryad——生命科学领域权威的开放数据平台。这是一个积极信号，但只是部分举措：单次试验的数据不足以构成共享的表型鉴定平台。共同协议、可互操作的机器人，以及网络长期可持续运行的能力，仍有待建立。

谁将掌控生命观测的基础设施

2030至2040年的前景展示了两条可能的轨迹，它们通往截然不同的终点。

第一条轨迹：大学、公立研究机构和合作社之间建立共享表型鉴定网络。机器人以租赁或共用方式运营，测量协议实现标准化，数据存入可开放复用的数据库。每块样地的测量成本持续下降，从事高粱、珍珠粟、豇豆、适应非洲或亚洲家庭农业品种育种的研究人员，能够获得与大型企业相当的基础设施。这条轨迹需要稳定的公共支持，以及将投资与开放数据标准挂钩的政治意愿。

第二条轨迹：大型种子企业将机器人、传感器、机器学习模型和品种权整合进封闭的专有平台。它们创新更快，部分创新确实惠及农民。但育种方向反映的是它们的优先市场：适宜条件下的粮食玉米、最高产量、与自有植保产品的兼容性。适应胁迫的品种和次要作物依然不在视野之内，原因是缺乏相关数据。农业知识持续积累，但也持续集中。

区分这两条轨迹的信号是可以观测的。每块样地、每个性状的测量成本，将说明非商业主体的准入速度。开放获取的表型鉴定协议占比，以及在开放许可证下实际可复用的数据比例，将说明公共科学界能否借助这些成果，还是必须自行重复研究。大型试验网络中在水分胁迫或低氮条件下测试的品种数量，将说明研究是在跟随全球粮食优先目标，还是在追逐有支付能力的市场。

这些取舍不会自发地向开放方向倾斜。推动大学、公立研究机构和合作社之间建立共享表型鉴定平台，并将公共农业资助与可复用数据标准挂钩，都是政治决策。这些讨论与卫生数据或地理数据领域的争论如出一辙，数字基础设施的类比在此同样适用。《激进基础设施》读书笔记提醒我们，技术架构的选择从来不是中立的：它预先决定了谁能使用一套系统、用于何种目的。

对非洲和亚洲育种者的潜在价值

谁能获得表型鉴定基础设施，这个问题超越了美国企业与西方公立研究机构之间的争论。养活全球大多数人口的粮食作物——处于低投入农业体系、面临日益加剧的水分胁迫——恰恰是表型数据最稀缺、也最迫切需要的领域。

国际农业研究磋商组织（CGIAR）是全球农业国际中心网络，数十年来持续开展针对灌溉水稻、小麦、热带玉米和木薯等作物的品种选育项目。这些项目在人力资源上受到严格约束。以可负担成本获得表型鉴定机器人，以及按照与其兼容协议生产的数据，可能大幅加速其工作。但这种获取并非自动实现。

DIGITAfrica倡议记录了科学社群如何构建共享数据基础设施，以减少对外部平台的依赖。作物机器人表型鉴定遵循类似逻辑：只有当基础设施从一开始就被设计为共享公共品——具备开放标准和可负担的准入门槛——其收益才能得到更广泛的分配。

未来数十年农业创新的走向，部分取决于当下大学、研究机构和政府围绕正在形成的数据平台所做的治理选择。DeBruin及其合作者的研究展示了技术上何为可能。谁将从中受益，它没有回答。

来源

1. DeBruin等人，《用自主机器人打破玉米田间表型鉴定瓶颈》，《通讯生物学》，2025年。https://www.nature.com/articles/s42003-025-07890-7
2. 配套数据集，Dryad平台。https://datadryad.org/dataset/doi:10.5061/dryad.m905qfvb6