「農業のAI化」という問いが間違っている
精度96%の収量予測モデルを作った。でも農家は使わなかった。
なぜか。収量だけ当たっても、裂果が増えたら意味がないからだ。糖度が落ちたら意味がない。労働力が足りなければ、そもそも収穫できない。
農業の問題を「収量の最大化」と定義した時点で、すでに失敗している。
よく言われる「農業の自動化」という話は、問いの立て方がおかしい。ロボットやドローンが象徴するのは農業の未来ではなく、問題をシンプルに見せたいという欲望だ。本当に厄介なのは自動化できるかどうかではない。情報は常に不完全で、環境は非定常で、制約だけが積み重なる——そういう状況で作物生産をどう運用するか、という設計の問題だ。
圃場に立ってみれば分かる。土壌、作物、気象、肥料、水、農薬、人手、資金、経験則が、荒く、しかし切実に絡み合っている。物理系と生物系と経営系が同居している。ここで「AIで高度化」と唱えても宣伝と区別がつかない。何を入力とし、何を状態と見なし、何を操作し、何を目的とするか——それを定義することが先だ。収量か、利益か、品質か、地力維持か。優先順位が変われば問題の形が変わる。
露地トマトで考えると分かりやすい。収量予測の精度を競っても、現場の意思決定には直結しにくい。裂果率、糖度、施肥量、労働時間、病害リスクが同時に問題になるからだ。農業の目的関数は最初から多目的で、土地生産性、労働生産性、品質、環境負荷、リスク耐性はたいてい同じ方向を向かない。問われているのは単一報酬の最大化ではなく、どのパレート面を選ぶかだ。予測精度そのものより、その予測が意思決定に接続されたとき何を改善し何を損なうかが重要になる。
土壌も同じ罠がある。表層水分やECのリアルタイム推定は有用だ。しかしそれだけで圃場を理解したとは言えない。pH、有機物、作土深、締固め、地力窒素のように、観測頻度は低くても長期的帰結を左右する変数がある。これを無視すれば、短期最適化が長期劣化を招く。数年後に土を痩せさせる施肥アルゴリズムは、どれだけ精度が高くても成功とは呼べない。土壌診断、過年度履歴、リアルタイムセンシングを統合し、見えていない状態まで含めて圃場を推定する枠組みが必要だ。
作目が変われば、問題設定そのものが変わる。水稲、施設トマト、果樹では、観測できるものも操作できるものも失敗の仕方も異なる。これはデータのドメイン差ではなく、別の問題だ。だから汎用モデルの万能感より、作目・地域・作型ごとに目的と制約を書き下すことが先に来る。たとえば中山間地域の水稲で、水管理と追肥のタイミングを逐次最適化しながら、収量安定性とメタン排出削減を両立できるか——そこまで具体化されて初めて、計算論と農学は正面から接続する。
栽培管理は逐次意思決定だ。播種、施肥、灌漑、防除、収穫は互いに影響し合い、そこに気象変動と人手不足が加わる。単発の予測器ではなく、栽培暦全体を見渡す枠組みがいる。強化学習でも数理最適化でもベイズでもいい。道具より重要なのは、報酬関数に何を入れるかだ。収量だけを最適化すれば現場の価値構造を踏みつぶす。品質、労働負荷、環境負荷、失敗時の損失まで織り込んで、ようやく現実に近づく。
持続可能性も同じ構造だ。温室効果ガス、養分収支、水収支、農薬使用量、土壌炭素、採算性——これらを測って結びつけて可視化しなければ「持続可能」は修辞に終わる。最適化の単位は圃場だけでもない。経営体、地域、流通、需給へと問題はあふれ出す。収量予測でさえ、圃場内の改善より集荷計画や需給変動の緩和に結びつくほうが社会的価値は大きいかもしれない。
そして見落とされがちな話がある。説明できないモデルは現場で敬遠される。曖昧なデータ所有権や高価なクラウド依存は、効率化より先に格差とロックインを生む。学習モデルは気候変動や稀な災害への外挿に弱い。よく当たる予測が、そのまま介入の根拠になるわけではない。
コンピュータサイエンスが農学に持ち込めるのは魔法ではない。条件を明示し、検証可能で、因果理解と実装可能性を備えた意思決定支援だ。農業を計算可能な動的システムとして記述しながら、土壌・作物・地域の固有性をノイズとして切り捨てない。その両立が難しい。難しいからこそ、そこに今なお面白い研究課題が残っている。