数字农业的闭环LLM副驾驶：从数据分析走向自主实验

本研究评估了大语言模型（LLM）在复杂生物系统中的应用，从数据分析演进到自主的、AI引导的实验。该框架由49通道植物传感器网络的数据驱动，涵盖多光谱、电化学和介电模态。为提升可及性，系统为专家和非专业人士提供实时自然语言解读。然而其核心优势在于从人在回路分析到自主控制的转变。LLM处理生物物理数据，评估植物生理状态并触发硬件执行器，以优化微气候、执行表型分析方案或诱导受控胁迫场景。这一闭环架构建立了直接的AI-生物接口，支持对复杂生物系统与生态的数据驱动探索。该框架在基于垂直农场和单株装置的三个案例研究中得到验证，解析了植物生理中复杂的微观与宏观波动。生产规模部署中的智能体执行了多参数优化，权衡生物量积累、叶绿素含量与能耗。LLM处理生物传感遥测数据，以2小时间隔调制全光谱、450 nm和660 nm光照。与周期性控制相比，系统在最短时间模式下将生产周期缩短35%。在能耗优化模式下，它借助光脉冲利用生理惯性，仅以边际增加的培育时间将能耗降低18%。最后，智能体自主发展出一种未曾预料的暗诱导叶绿素积累策略，实现67.9%的节能。该框架将LLM转变为数字农业的自主副驾驶，改善了成本-价值比，降低了算力与专家人力约束。