[AI書庫] 3.2 數位孿生與 AI 智慧環境、生長最佳化
園藝農業人工智慧
3.2 數位孿生與 AI 智慧環境、生長最佳化
金京鎮律師
數位孿生（Digital Twin）是一項把感測器即時傳送的氣溫、濕度、二氧化碳濃度、土壤水分等資料，結合到在電腦中完整重現實際溫室結構與設備的虛擬模型，預先計算溫室內環境未來將如何變化的技術。開啟屋頂通風窗或調整灌溉閥門等措施，會先套用在螢幕中的模型上，以運算確認結果，之後才把同樣命令送往實際溫室設備。它之所以稱為孿生，是因為會隨著時間與溫室狀態一起變動。
數位孿生並不只是一張照著溫室製作的三維影像。如果模型只有外觀相似，一張照片就足夠，根本不必計算。真正的核心，是一具持續運轉的引擎，計算溫室內的空氣、土壤，以及其中生長的植物如何隨時間改變。這具引擎的中心，是國際廣泛使用的作物生長模型DSSAT，也就是農業技術移轉決策支援系統4.8版。它每天計算葉片透過光合作用製造的養分如何分配到根、果實等各部位，根從土壤吸收水分與養分的速度，以及植物對高溫、乾旱等壓力的反應程度。栽培者在螢幕上開關窗戶時，引擎會反映變化重新運算，預先顯示明天這座溫室的番茄莖會再變粗多少、葉片會再下垂多少。
在溫室內，氣溫與濕度、二氧化碳濃度與日照強度、土壤或介質中的水分與肥料，不會各自獨立移動，而是一起交互牽動。打開窗戶時，氣溫和濕度一同下降，二氧化碳逸散到外部的速度也會改變。這種關係與轉動一個把手，水壓和水溫便同時改變的淋浴設備沒有兩樣。溫度達到設定值便開啟風扇、下降後再關閉的傳統開關式控制，追不上這種交互作用。反應總慢一步，供暖費用與用水就因這一步延遲而浪費，植物還得一連數日忍受不必要的高溫、低溫或乾燥。數位孿生與人工智慧控制之所以走入溫室技術核心，原因就在這裡。只有在移動實際窗戶與閥門前先於螢幕中運算，才能及時掌握這些相互糾纏的反應。
數位孿生最能展現價值的時刻，是栽培者測試從未嘗試過的措施時。如果在真實溫室測試比平常大幅增強補光會發生什麼事，或把灌溉時間提前兩小時會如何改變果實大小，至少要一季，最久甚至要一年才能知道結果。期間若判斷錯誤，當年收成就會直接損失。但在螢幕裡的孿生溫室，同一項措施幾分鐘內就能先以運算跑過一遍，結果不好便復原即可。道理就像新手飛行員在登上真正飛機前，先在飛行模擬器裡反覆犯錯。光是擁有一個可以失敗的練習場，栽培者便能更大膽測試過去猶豫不決的措施。
人不可能晝夜不停照看所有計算與判斷。因此，研究人員製作了代替人監看溫室並作出判斷的人工智慧代理。中國研究團隊提出的AgriAgent就是一例。這套系統不只是回答問題的聊天機器人，更像常駐溫室的新手栽培者。它模仿先讀儀表板、記住上週採取過哪些措施，必要時翻開厚重栽培手冊，最後才轉動閥門的態度。AgriAgent的核心判斷功能由名為Qwen2.5的大型語言模型（LLM, Large Language Model）負責，並排測試15億、30億與70億參數三種不同規模的模型。參數就是模型內經由學習決定數值的數字，數量越多，模型能區分並記住的情境就越多，判斷也越細緻。
AgriAgent每7天依序經歷一次感知、記憶、檢索、推理、行動五個階段。感測器資料首先形成由12個數字整理而成的狀態值。內容包括土壤水量、土壤氮與有機質含量、當日平均與最高溫度、每日降雨量與風速、空氣中的二氧化碳濃度、光合作用真正使用的光強度、播種後經過天數，以及把缺水與生長延遲各自表示為單一分數的兩項壓力指數。一套稱為格式轉換器的裝置，把這些數字改寫成人能閱讀的句子，再附上過去紀錄與後文說明的檢索結果，交給人工智慧模型。逐句展開12個數字，說穿了就是把作物現在多渴、生長得多好翻成人話。這個程序把一張滿是數字的表格，轉為人能立刻看懂的短篇報告。
農業有許多只出現在教科書裡的細節知識，再大的語言模型也不可能全數記住。AgriAgent不會把這些知識整本背下來，而是在需要時翻開厚書，找到恰好合用的一頁。為了使用這種稱為檢索增強生成、英文縮寫RAG（Retrieval-Augmented Generation）的方法，研究團隊以光學字元辨識（OCR）把農學教材與技術手冊的510萬字轉成數位文件，再從中挑出可用的440萬字，切分成小段整理。每一段都附上標籤，標明取自哪一章哪一節。一個名為bge-large-zh的768維嵌入模型，也就是把句子轉為數值向量、讓意思相近的句子靠在一起的模型，會找出語意相通的段落，再加上檢查字詞是否完全一致的搜尋，選出最符合當前情況的5份文件交給人工智慧。
人工智慧拿到文件後不會立刻回答，而是逐步進行。它先判斷現在是發芽期，還是開花結果期，再檢查是否缺水或生長遲緩，最後根據這些判斷決定命令。這就是思維鏈（Chain-of-Thought）方式，像人不會只用心算丟出答案，而是逐行寫下解題過程。結論會整理成JSON標準格式資料，由6個數值組成：灌溉量、補光強度、通風狀態、加熱狀態、施肥量與二氧化碳釋放量。灌溉量設定在每小時0至30毫米，補光設定為平常的0%至200%，施肥量則設定在每公頃0至50公斤。稱為工具執行器的最後確認程序，會再次檢查這些數字是否超出安全範圍，把越界值削回範圍內，之後才把命令送往DSSAT引擎或實際溫室設備。
假設某個星期一早晨，感測器顯示土壤水量少於平常，白天最高溫比往年高3度。缺水壓力指數也升到接近危險訊號。AgriAgent會把這組數值，與目前正值果實膨大期的事實，以及知識庫中「這個時期土壤乾燥容易造成生理障礙」的文字一起閱讀。結論會集中到提高灌溉量，並略微降低正午補光，減輕葉片負擔。人類栽培者可能靠經驗與直覺作出這項判斷，AgriAgent則以數字與文件為依據，在幾秒內整理完成。
設備隨時可能故障。假設灌溉裝置停止，無法再向土壤供水。人可能因此慌張，但AgriAgent會用追究因果的推理能力尋找其他路徑。它能調整通風與加熱，減緩葉片蒸散失水速度，再增加二氧化碳釋放量以協助光合作用，部分抵銷缺水造成的損害。這種應對方式，就像廚師發現冰箱少了一樣食材，便調整其他材料比例，仍完成同一道料理。在人員趕來修理閥門前，作物可藉由這項臨時調整避開最壞情況。
要確認這種判斷是否可信，必須事先用極端天氣測試。研究團隊依據1994年至2023年的30年氣象資料，製作正常、波動、極端三種強度的虛擬天氣，共準備90種年度情境。極端情境包含多重災害：連續20天高溫乾燥、超過80毫米暴雨集中在5天內降下，以及乾燥20天後立刻接上10天暴雨的急遽反轉。讓AgriAgent經歷這些情況後，再觀察作物是否存活、能撐到什麼程度。在真實溫室很難遇到的最壞組合，可以在螢幕裡毫無風險地反覆經歷。
所謂恢復力高，指的是一幅具體畫面。在連續20天炎熱乾燥的情境中，訓練不足的控制方法一旦讓壓力指數進入危險區，之後就很難恢復，作物會直接萎凋。AgriAgent則在缺水初期逐步增加灌溉與補光，把壓力指數鎖在低檔；後續暴雨突然來襲的急遽反轉區段，也迅速增加通風，減輕過濕損害。面對最惡劣天氣，它仍沒有放棄，而是每一刻都依情況持續作出稍微更好的選擇。
進入溫室的並不只有像AgriAgent這樣處理語言的人工智慧。使用已久的人工神經網路（ANN, Artificial Neural Network）與支援向量機（SVM, Support Vector Machine），也負責讀取微氣候。兩者都是從數值資料中尋找模式的統計型程式，透過名為Orange的資料分析工具，同時查看溫室內溫度、濕度與紫外線強度，再把目前狀態分為適當、過量、缺乏三類之一。分類準確率達99.99%。判斷一萬次可能才錯一次，比人每次用眼睛查看儀表板密集得多。
溫度與濕度在一天之內起伏劇烈，也會彼此影響，因此很難預測。陽光短暫被雲遮住後又重新露出，溫室內數值也會細微晃動。研究團隊先對不同位置的感測器數值套用自適應卡爾曼濾波器，壓低這些擺動雜訊。程序就像拍照時補償手震、減少模糊。只有去除雜訊後的數值，才不會讓下一個預測模型朝錯誤方向學習。
去除雜訊後，再用灰狼最佳化（GWO, Grey Wolf Optimizer）調整預測神經網路的細部設定。就像灰狼群從多個方向逐漸包圍獵物，這套方法會反覆縮小多組候選設定值，找出合適組合。在如此調整完成的LSTM長短期記憶（Long Short-Term Memory）神經網路中加入注意力（Attention）機制，就能從過去幾小時紀錄裡挑出對目前預測真正重要的時刻並提高權重。這套組合可一次預測未來幾小時內溫室溫濕度將如何變化。
無論預測多準，如果不能轉成實際開關供暖設備的判斷，就沒有用。資料驅動預測控制，簡稱DDPC（Data-Driven Predictive Control），是一種預先知道即將變冷，在寒流抵達前先加熱水的做法。韓國江原道春川一座300平方公尺溫室進行了現場測試，裡面裝有顆粒燃料鍋爐、蓄熱槽與管軌加熱設備，每隔1分鐘收集一次資料。一種比LSTM輕量的神經網路GRU（Gated Recurrent Unit），反覆學習最近7天共10,080筆量測值，再用下一天資料確認性能。模型會在寒流來臨前1至3小時預報溫室內氣溫將下降，並依預報提前啟動鍋爐與熱水閥門。結果既防止溫度降到作物可承受的最低溫以下，也減少不必要的加熱，節省燃料費。
加熱與產量經常是往相反方向拉扯的力量。溫度調高一些，作物長得更快、結果更多，但鍋爐會不停運轉並消耗燃料。反過來節省加熱，燃料費雖降低，受低溫折磨的作物卻會生長遲緩或掉花芽，最後在產量上蒙受損失。數位孿生不會把這兩項目標分開計算，而是疊在同一畫面上。用相同冬季情境分幾個等級改變加熱強度，就能找出燃料費損失與產量損失總和最小的溫度。春川溫室的GRU型DDPC只在寒流前短暫啟動鍋爐，勉強守住最低溫，正是即時重新尋找這個交會點的運算結果。
這些預測模型的能力可用幾個數字確認。決定係數以R平方表示，在0到1之間顯示預測值與實際值有多接近，越接近1代表越吻合。這次的微氣候預測模型得到0.77至0.93的數值。春川溫室的GRU型加熱控制模型，以均方根誤差RMSE計算，誤差約為攝氏1.43度。只差溫度計約一格半，用於加熱控制已有足夠精度。把溫室狀態分為適當、過量、缺乏的分類模型，在AUC-ROC指標中得到0.988至0.991，代表幾乎不會混淆三種狀態。
AgriAgent的能力已在多種作物上接受測試。研究團隊在DSSAT型數位孿生上選了玉米、粟、甜菜、番茄、大白菜五種不同作物。玉米代表使用陽光效率格外高的光合作用途徑作物，粟代表耐旱作物，甜菜食用根部，番茄食用果實，大白菜食用葉片，因此均衡代表不同生長方式的作物。90種天氣情境乘以3個強度，一共進行450次完整生長期模擬。相較於沒有人為介入的自然生長，70億參數模型明顯提高玉米、粟與甜菜的收穫乾重。發芽期出現低溫警報時，它還自行把補光介入強度拉高到120%，減少寒害。隨著參數從15億、30億增加到70億，控制性能也依序提升。
以一段玉米模擬為例，代理會先計算播種後經過幾天，判斷目前是剛萌芽的出苗期，還是抽穗期。同樣的低溫，播種後第10天遇到，與穗部正在成熟時遇到，對作物造成的打擊不同，因此若誤判生長階段，再準確的溫度預測也會導向錯誤處方。實際測試中，代理能在低溫警報前提高補光，也正因先完成了生長階段判斷。它不只計算日期，還會讀出那個日期對作物體內有何意義。
數位孿生沒有停留在實驗室，也已用於真實商業農場。印尼Sandi Buana Farm栽培水耕萵苣時，從量測溫度、濕度、EC與酸鹼值的高解析度感測器收集15,492筆樣本。EC是透過水的導電程度，量測肥料成分溶解了多少的數值；酸鹼值則表示水有多酸或多鹼。這些資料送入機器學習預測演算法後，系統會自動協調萵苣產量與栽培環境變數，無須人員逐項調整，也能維持適當水分與肥料濃度。這座農場證明，即使沒有任何實驗室模擬，只靠現場累積的數字也能建立判斷系統。
在數位孿生上運作的語言模型代理，與更早就用於溫室的統計型預測模型，並非競爭關係，更像職責不同的同事。代理同時讀取生長階段與多項變數，從大局平衡灌溉、施肥與補光；ANN、SVM及LSTM系列模型則負責抓住每分每秒變化的溫濕度。實際現場常由兩個層次重疊運作，自然形成分工：重大判斷由代理作出，再由統計模型逐秒微調。一方決定是否開啟屋頂通風窗，另一方則在窗戶打開後逐秒監看溫度是否與預期不同。若只有其中一個層次，就會淪為只有半套的判斷，不是看對大局卻錯過瞬間波動，就是抓住瞬間卻看不懂整季走勢。
把在一座溫室驗證的代理擴展到10座、100座，並不像算術那麼簡單。每座溫室的朝向、材料與周邊建築陰影不同，相同命令會產生不同結果。因此，把代理導入新溫室時，常會在最初幾週設置適應期，另外學習這座溫室獨有的習性。既有溫室累積的知識庫與判斷習慣作為底稿，再隨新現場數字累積，一點一點重新調整。
這股趨勢不只出現在幾項局部實驗。最近研究提出把數位孿生放成線上模擬器，與大型語言模型代理連為一個閉迴路，在命令送往實際設備前，即時驗證是否安全。結果證明，語言模型即使在必須完全配合時間流動作出判斷的迴路裡，也能發揮作用。另有智慧溫室實作把無線感測器與致動器通訊網路連上孿生軟體，遠端監測並自動控制微氣候與灌溉，還預先找出病害發生可能性。栽培者不必跨過溫室門檻，就能確認當前狀態，先在螢幕裡測試一項措施，再實際套用。2026年還出現把作物生長模型與自主氣候控制連為一體的資料驅動溫室管理方式，顯示數位孿生正從展示用模型，轉為兼具判斷與執行功能的工具。
栽培者實際面對的是一面彩色儀表板。12個狀態值與6個控制命令，以圖表和長條圖並列顯示，旁邊附上一、兩句話，摘要人工智慧為何下達這項命令。栽培者閱讀文字後可保持原樣，不滿意時也能手動修改數字再送回。代理的判斷在人工最後簽核前都只是草案，這項原則直接融入畫面設計。
這套系統建立前，栽培者每天清晨都得拿著手電筒巡視溫室，逐一查看溫度計。寒流警報發布的夜晚，每兩、三小時醒來檢查鍋爐也不罕見。數位孿生與代理接手這些重複勞動後，栽培者的一天改變了，只有發生問題時才被叫到螢幕前。整夜平安，早晨便在沒有一則警報的情況下到來；若有任何異常，手機會在那一刻響起。人工巡查消失了，但計算接手了這份工作。
這並不表示技術已經完成。把在DSSAT型數位孿生裡驗證的控制方法原封不動搬到真實溫室，運算與現實便開始偏離。致動器收到命令到真正動作所需的時間、老舊感測器數值逐漸產生的偏差、溫室角落與中央的溫差，以及未預期的外部衝擊，都會在螢幕計算與實際結果之間製造缺口。研究人員稱之為模擬到現實落差（Sim-to-Real Gap），並試圖透過事先讓孿生經歷更嚴苛情境的訓練，以及部署現場後持續學習來填補。稱為LoRA的微調方法，不必重新訓練整個大型模型，只需略微轉動幾個旋鈕便能配合新現場，因此被視為適合這種持續學習的工具。
技術再精密，如果沒有人能操作，最後仍只是放在溫室角落的裝飾品。是否照單全收AgriAgent的判斷，還是依多年經驗手動改數字，最終由栽培者決定。這種信任無法一夕建立，只有代理連續幾個栽培季都未犯大錯，才會逐漸變厚。親眼看過螢幕中的孿生與真實溫室出現幾次不同動作的栽培者，之後即使預測再準，也不會完全照信。
要運行70億參數模型，需要昂貴的GPU伺服器與不中斷的通訊網路。這些條件對資本不充裕的農場構成門檻，每次通訊往返也會造成判斷延遲。為了解決問題，研究人員同時使用把模型中每個數字以更少位元表示及儲存的量化（INT8），以及把大型模型學到的判斷方式教給小型模型的知識蒸餾（Knowledge Distillation）。就像能力出色的前輩整理訣竅傳給後輩，70億模型的判斷習慣會移植到15億或30億規模的小型模型，讓它們也能在溫室現場的便宜設備上運作。縮小後的模型不用把資料送到雲端，就能在溫室旁的小型電腦完成判斷。只有讓個別小農的一座溫室也能運行代理，這項技術才不會成為少數大型農場專用的工具。
提高產量、節省能源、減少用水與碳排放的目標經常彼此衝突。加強補光會提高產量，電費卻也同時上升。為了不讓代理在多重目標中只偏向一方，研究人員持續設計多層獎勵計算方式。栽培者也必須能直接在螢幕上確認人工智慧為何決定此時開窗，以及判斷依據為何。判斷過程若像黑箱般隱藏，模型再準也難以放心交付現場工作。數位孿生與智慧控制若要離開實驗室，成為一般溫室的日常工具，仍需要更多提升可解釋性的研究。
資料來源與參考文獻
學術論文
1. Qiu, J., Liu, Y., Gao, X., Huang, Y., Zhang, H., Tian, F., Li, W., & Feng, Z. (2026). AgriAgent: End-to-End Large Model Agent System Architecture for Agricultural Environment Control. Smart Agriculture, 8(2), 220-236. DOI: 10.12133/j.smartag.SA202507042.
2. Park, S., Kim, D. H., & Oh, K. C. (2026). Field-based implementation of machine learning forecasting for energy-efficient temperature control in a greenhouse system. Journal of Agricultural Engineering, LVII:11eb730c.
3. Cai, Y., Liu, D., Xu, Q., Li, B., & Liu, B. (2026). Greenhouse Temperature and Humidity Prediction Method Based on Adaptive Kalman Filter and GWO-LSTM-Attention. Smart Agriculture, 8(1), 148-155. DOI: 10.12133/j.smartag.SA202506033.
4. Arfiyani, S. A., Wardihani, E. D., & Helmy. (2026). Smart Greenhouse Data Integration Using Machine Learning Approaches. Jurnal Nasional Teknik Elektro dan Teknologi Informasi, 15(2), 291-305. DOI: 10.22146/jnteti.v15i2.21951.
5. Xu, Q., Zheng, B., & Zhong, S. (2026). Artificial Intelligence Empowering Modern Agricultural Biological Breeding. Smart Agriculture, 8(3), 69-85.
6. Wang, J., et al. (2026). Research Progress and Prospects of Intelligent Management and Control Technologies for Facility Vegetables. Smart Agriculture, 8(1), 105-120.
7. Jamjachi Yauri, R. I., Herbozo Ramirez, J. R., & Ovalle, C. (2026). Sustainable greenhouse using IoT and machine learning to optimize the microclimate for lettuce cultivation. Bulletin of Electrical Engineering and Informatics, 15(3), 2138-2149. DOI: 10.11591/eei.v15i3.9877.
報告與網路資料
1. arXiv. (2025). 基於線上模擬器的數位孿生與大型語言模型代理之閉迴路溫室控制驗證研究. https://arxiv.org/pdf/2507.07115
2. Springer. (n.d.). 智慧溫室數位孿生實作：基於無線感測器與致動器通訊網路的微氣候遠端監測與病害預測研究. https://link.springer.com/chapter/10.1007/978-981-99-0252-1_5
3. PLOS ONE. (n.d.). 數位孿生溫室的遠端狀態監測與虛擬措施驗證研究. https://journals.plos.org/plosone/article?id=10.1371%2Fjournal.pone.0344946
4. ScienceDirect. (2026). 結合作物生長模型與自主氣候控制的資料驅動適應型溫室管理研究. https://www.sciencedirect.com/science/article/pii/S2590005626000445
演講與影音資料
1. 高雄農來訊. (2025). 114年高雄智慧農業年度成果發表暨研討會. YouTube. " target="_blank" rel="noopener" style="color:#046BD2;">
2. Kanal Pengetahuan Fakultas Teknologi Pertanian UGM. (2025). Artificial Intelligence in Smart Greenhouses: Enhancing Crop Monitoring and Environmental Control. YouTube. " target="_blank" rel="noopener" style="color:#046BD2;">
3. WiseFood Project. (2025). WiseFood and STELAR Webinar: Empowering Agrifood Apps With LLM-Based Dataset Search and Integration. YouTube. " target="_blank" rel="noopener" style="color:#046BD2;">
4. Regace Project. (2026). Agrivoltaics in Greenhouses - Turning Sunlight into Energy & Crops. YouTube. " target="_blank" rel="noopener" style="color:#046BD2;">
5. KYOTO SMART CITY EXPO. (2025). スマート農業の最前線~植物との対話からつくる未来の農業. YouTube. " target="_blank" rel="noopener" style="color:#046BD2;">