[AI書庫] 5.2 聽懂語言的人工智慧：生成式AI與大型語言模型
智慧畜牧：人工智慧走進畜舍
5.2 聽懂語言的人工智慧：生成式AI與大型語言模型
金京鎮 律師
| 上一節 | 5.1 數位孿生：建在電腦裡的畜舍 |
| 目錄 | 返回完整目錄 |
| 下一節 | 5.3 甲烷、福祉與資料的主人 |
以下是描繪畜舍記錄變成數位資料過程的虛構場景。清晨5點，畜舍一角的獸醫嘴裡咬著手電筒，在診療手冊上潦草地寫著什麼。墨水在紙上暈開。一頭乳牛沒有吃完飼料，站姿又有些古怪，他因此被緊急叫來。冬天的指尖凍得發僵，字跡會更歪，但今天看到的事如果今天不記下來，明天就想不起來。紙上混著牛的編號、體溫、幾個難以辨識的藥名，還有只有他本人看得懂的縮寫。一個月後，就連他自己也不太確定這些縮寫是什麼意思。這本手冊不會在當天結束後便失去用處。
畜舍抽屜裡已經堆著好幾年的類似手冊，其中還混著屠宰場寄來的衛生檢查表，以及農場主手寫的飼養日誌。三個月後，當這頭牛再次生病，必須重新讀這些塗鴉般字跡的人，可能是另一位獸醫。
要讓機器讀懂這些潦草字跡，需要兩個步驟。首先，光學字元辨識或手寫辨識裝置將紙上字跡轉成文字。接著，自然語言處理模型會在已轉成文字的記錄中，找出病名、投予藥物、症狀與疫苗接種日期。BioBERT是以生物醫學文獻訓練的語言模型，卻不是直接讀取手寫影像的裝置。文字辨識一旦出錯，後續分析也會跟著偏移。當記錄被準確整理好，要查看哪頭牛在何時接受過哪種抗生素，並在出欄前確認停藥期，都會容易許多。
它也可以寫出「咳嗽聲與氨氣感測器數值在同一時刻變動」這樣的句子。但兩個數值同時變化，不足以斷定氨氣就是引發咳嗽的原因。農場主讀完一行表格、一句文字後，還必須回頭確認原始資料與家畜本身。
精準畜牧軟體最早是從把感測器數值畫成圖表開始的。畫面上滿是點與線時，人的眼睛先感到疲憊，農場主還必須自行判斷接下來該做什麼。以下是導入語言模型的決策支援系統所追求的虛構使用場景。在一間酪農場辦公室裡，農場主要求系統一併說明105號乳牛的體溫、反芻時間、生乳的乳脂肪與乳蛋白比例。畫面指出，這頭牛最近的反芻時間減少，乳脂肪對乳蛋白的比值升高，應查明是否存在酮病等代謝性疾病風險。它不會直接開出立刻調整飼料比例的處方。
獸醫必須檢查血液與乳汁、分娩後經過與飼料攝取量，再決定診斷與給餌調整。泌乳曲線、繁殖週期與飼料配方程式互相交換資料，再由語言模型把結果組成一句話的多代理人架構，也正在研究之中。這尚不是已在酪農現場廣泛驗證的運作標準。送到農場主手上的報告，是一張能加速獸醫看診的備忘錄，而不是取代診療的處方箋。
要生成這種回答，電腦不能任意編出聽來像真的句子。一般對話式人工智慧可能出現幻覺，把與事實不符的內容說得像真事一樣。在畜舍裡，飼料添加劑比例或處方只要有一處錯誤，就可能影響多頭牛的健康與生乳品質。為了減少這類錯誤，部分研究與原型產品正在測試「檢索增強生成」，英文縮寫為RAG。它會先找出經驗證的論文與農場感測器記錄，再依據其內容生成回答。如果在回答中附上參考文獻與記錄位置，獸醫就更容易打開原文進行確認。
但如果找到的文件與問題不符，或模型誤解了句子，也可能生成帶著出處的錯誤答案。RAG是擴大查證途徑的工具，卻不是保證診斷準確的封印。
這種方式當然也不會永遠給出正確答案。只看反芻時間縮短這個症狀，原因可能是酮病，也可能是暫時消化不良，或是發情開始的訊號。語言模型有傾向學習論文中較常出現案例的習性，因此它可能把常見答案直接套在這頭牛身上。用於訓練的論文大多偏向美國或歐洲荷斯坦乳牛資料，因此面對韓牛等主要由韓國飼養的品種時，飼料配方或適宜溫度標準很可能悄悄發生偏差。
如果語言模型一開始就讀錯獸醫手寫的潦草筆記，後面無論經過多麼精密的檢索與運算，那個最初讀錯的字都會一路跟到最後。電腦寫的文字，不管對或錯，聽起來都同樣流暢且充滿信心。它沒有語調起伏，也不會猶豫，農場主難以只靠聲音判斷這個回答是否值得信賴。要從零開始訓練畜牧專用語言模型，必須整理數十萬篇論文與農場記錄，所需伺服器成本並非小型農場能獨自承擔。此外，這座農場獨有的飼養記錄，是否被外部企業併入訓練資料，也是必須查清的問題。
舉例來說，某座韓牛農場有一頭牛突然拒絕飼料，肚子鼓起來。人工智慧可能根據大多數學習論文所描述的常見原因，懷疑是瘤胃裡積聚氣體的瘤胃鼓脹症，並建議使用助消化藥物。但如果真正原因是幾天前新送到的稻稈上長了黴菌，而且只有這頭牛的反應格外敏感，人工智慧就無法指出這段鮮少出現在論文中的經過。這時必須由獸醫走進畜舍，親自嗅聞稻稈，用眼睛看見白色黴斑，才能找到真正原因。論文再多，面對只發生在這座畜舍的陌生事件，人的鼻子與眼睛現在仍比較準確。
因此，能將診斷理由直接呈現在眼前的技術也正持續開發。
以深度學習預測疾病的人工智慧，即使準確率很高，往往也難以窺見它為何作出那項判斷。這稱為黑箱問題。處理這項問題的可解釋人工智慧（Explainable AI, XAI）方法包括LIME與SHAP。這兩種方法會估算反芻時間、乳成分、體溫等輸入值，把特定預測往哪個方向推動了多少。這些數值是用來解釋模型預測的數字，不是各種疾病原因所佔的比例。對相機影像，可使用Grad-CAM，將模型判斷時高度參考的區域以紅色熱圖標示。
獸醫可直接檢查被標出的乳房或牛蹄，確認判斷是否正確。出現紅色記號並不代表疾病已被確診。解釋畫面只是指示檢查起點的輔助資料，治療與更換飼料仍必須經過臨床檢查與人的判斷。
為了減少這些問題，其中一個研究方向是不把資料送到企業伺服器，而讓小型語言模型（Small Language Model, SLM）在畜舍裡的小型電腦上運作。這能減少送往雲端的照片與聲音數量，也可能在網路中斷時繼續運作。但在裝置內處理資料，不代表資訊自動變得安全。存取控制、加密與更新管理都必須跟上。同時讀取照片、聲音與文字的多模態模型也正在研究，但將咳嗽聲、步態影像與診療記錄整合在一起的畜牧系統，尚未到達現場廣泛驗證的階段。
在縮小模型的同時維持效能，以及訓練模型聽懂韓語方言，也都是尚待解決的課題。
即使人工智慧已如此精密，面對韓國畜牧現場的說話方式時，還是常常啞口無言。當年過八十的農場主用地方腔調與老式說法描述症狀，例如「這頭牛整個無精打采」、「我們這裡遇到這種情況會餵米糠」，主要以標準語與英文論文訓練的語言模型就可能完全誤解。同一種飼料，有些地方叫「牛粥」，有些地方叫「草料」，同一樣東西在不同地區有不同名稱。人沒聽懂，再問一次就行；但人工智慧如果聽錯後直接指示飼料供應機或通風設備，就可能釀成事故。
因此，語音回應與設備控制之間，必須加入人工確認流程。韓國農村振興廳於2025年與NAVER Cloud合作，推出農業人工智慧代理。這是向農民提供農事資訊，並根據照片辨識病蟲害的初期服務。這些資料並不表示，系統已經驗證能聽懂畜牧方言，或能控制畜舍設備。AFPRO 2026介紹了人工智慧與機器人從栽培擴展至畜牧與食品加工的案例。要讓電腦完整聽懂長年累月深植在人身上的方言，以及畜牧特有的俗語，仍有很長的路要走。
清晨，那位獸醫再次離開畜舍時，剛才的診療內容已自動整理好，顯示在平板電腦畫面上。病名、處方與下次訪視日期都寫得一清二楚。過去必須回到辦公室，在文件櫃裡翻找半天才能找到的資訊，如今都集中在一個畫面上。獸醫因此節省了時間，可以更快開車前往下一座農場。不過，剛才農場主帶著方言低聲說的那句「那傢伙今天怎麼那麼沒精神」，卻沒有被準確記入任何記錄。就連獸醫也只是靠推測理解了一半。他仍笑著回答「知道了」，心想下次出診時再回來親眼確認。
聽懂語言的人工智慧，已能熟練連結診療記錄、論文與感測器數值；但語言模型究竟要到哪一天，才能完整聽懂一個在這座畜舍看牛超過五十年的人所說的話？
資料來源與參考文獻
Aqib, A. I., Fatima, M., Muneer, A., Atta, K., Arslan, M., Zaheer, C. N. F., et al. (2023). Explainable Artificial Intelligence (XAI) in the Veterinary and Animal Sciences Field. In Explainable Artificial Intelligence for Biomedical Applications (pp. 33-56). https://doi.org/10.1201/9781032629353-3
Dahiya, S., Rani, N., Dalal, A., & Sheoran, D. (2026). Wearable sensors and AI - Real-time animal health monitoring. In S. Borah & S. Soren (Eds.), AI and Robotics in Animal Science (pp. 21-28). Cornous Publications. https://doi.org/10.37446/edibook202024/21-28
Mahato, S., Bi, H., & Neethirajan, S. (2025). Dairy DigiD: A keypoint-based deep learning system for classifying dairy cattle by physiological and reproductive status. Frontiers in Artificial Intelligence, 8, 1545247. https://doi.org/10.3389/frai.2025.1545247
Menezes, G. L., Mazon, G., Ferreira, R. E. P., Cabrera, V. E., & Dorea, J. R. R. (2024). Artificial intelligence for livestock: A narrative review of the applications of computer vision systems and large language models for animal farming. Animal Frontiers, 14(6), 42-53. https://doi.org/10.1093/af/vfae048
Niu, M., Guo, G., & Cabrera, V. E. (2026). Artificial intelligence for animal science: From applications to integrated knowledge systems. Animal Frontiers, 16(2), 26-33. https://doi.org/10.1093/af/vfaf054
Nsabiyeze, A., Zhang, M., Li, J., Zhao, Q., & Zhang, X. (2025). Precision Livestock Farming for climate-resilient livestock management: A review of real-time monitoring and decision support systems. Journal of Cleaner Production, 524, 146454. https://doi.org/10.1016/j.jclepro.2025.146454
Silvestri, A., Parlato, M. C. M., Ruchay, A., Guo, H., Iussig, G., & Pezzuolo, A. (2026). Tech-driven evolution of animal housing: An in-depth analysis of the impact of digital technologies, AI, and GenAI in the Era of precision livestock farming. Computers and Electronics in Agriculture, 246, 111602. https://doi.org/10.1016/j.compag.2026.111602
Tedeschi, L. O., Guarnido-Lopez, P., Menendez III, H. M., & Seo, S. (2026). Advancing precision livestock farming: Integrating artificial intelligence and emerging technologies for sustainable livestock management. Animal Bioscience, 39(4), 250289. https://doi.org/10.5713/ab.25.0289
Trabachini, A., Moreira, M. d. R., Harada, É. d. S., Amorim, M. d. N., & Silva-Miranda, K. O. d. (2025). Precision livestock farming applied to swine farms: A systematic literature review. Animals, 15(14), 2138. https://doi.org/10.3390/ani15142138
Zhang, X., He, P., & Guo, C. (2025). Deep reinforcement learning for intelligent decision-making in smallholder beef cattle farming: Model innovation and industrial practice. Frontiers in Sustainable Food Systems, 9, 1715568. https://doi.org/10.3389/fsufs.2025.1715568
農村振興廳. (2025). 與NAVER Cloud攜手，首度推出農業領域人工智慧（AI）代理. 農村振興廳. https://www.rda.go.kr/board/board.do?mode=view&prgId=day_farmprmninfoEntry&dataNo=100000805404
VentureSquare. (2026). AI跨越農場走向餐桌，開啟農食品AX時代的AFPRO 2026. VentureSquare. https://www.venturesquare.net/1098971
Tech42. (2026). 衛星與AI協助栽培，機器人負責收穫與屠宰：從AFPRO 2026看見農業的演進. Tech42. https://www.tech42.co.kr/%ED%98%84%EC%9E%A5-%EC%9C%84%EC%84%B1%EA%B3%BC-ai%EA%B0%80-%EC%9E%AC%EB%B0%B0-%EB%8F%95%EA%B3%A0-%EB%A1%9C%EB%B4%87%EC%9D%B4-%EC%88%98%ED%99%95%C2%B7%EB%8F%84%EC%B6%95%ED%95%98%EA%B3%A0/