剑桥大学最近在Nature子刊上发表了一则关于大语言模型（LLM）和农业推广服务的评述。
基本信息
- 标题：Large language models and agricultural extension services
- 作者：A. Tzachor，M. Devare，C. Richards，P. Pypers，A. Ghosh，J. Koo，S. Johal，B. King
- 单位：剑桥大学
- 关键词：农业推广，大语言模型，ChatGPT，个性化建议，人机界面
论文摘要
传统农业推广服务的有效性受到多种因素的限制，包括机构有限的能力和覆盖范围。本研究评估了大语言模型（LLM），尤其是生成式预训练变换器（GPT）改变农业推广的潜力。本文关注LLM简化科学知识并提供个性化、特定区域和数据驱动农业的建议能力。通过利用GPT进行实际测试以生成对尼日利亚农民木薯的技术建议，说明了这项技术的不足之处。为了确保在全球农业领域安全和负责任地传播LLM功能，本文提出了一个包含了人类专家参与的理想化LLM设计流程。
方法流程
为解决农业推广的访问、使用和规模的挑战，目前正在开发和部署各种计算机硬件和软件解决方案，包括虚拟推广服务、移动设备应用程序（应用）、农业信息系统和社交媒体平台。这些技术为农民提供了有关各种主题的建议，例如作物管理、畜牧业和市场价格，比如FAO的TECA平台、印度农业虚拟推广服务、Plantix和PlantVillage Nuru等。
本文讨论了LLM在农业推广中的潜力，包括生成上下文感知的回答和在对话中保持一致的身份。这些模型可以通过对人与人之间的对话进行训练，学习自然语言对话的模式和结构。它们可以简化科学知识并生成个性化的数据驱动建议。例如，用简单的语言解释复杂的农业知识，从文献资料中提炼关键信息，并为推广服务生成与位置相关的内容。
大语言模型可以训练生成研究文章和科学报告的简明语言摘要，使推广人员和农民可获得植物或土壤科学的最新知识。通过提炼关键观点并用易懂的语言呈现，帮助推广服务保持最新并为农民提供更好的建议。在人类专家的干预下，这些模型可以为推广服务生成各种内容，如研究综述、事实文章等。
这个流程是由国际农业研究磋商组织（CGIAR）中三个研究中心（国际热带农业研究所、国际热带农业中心和国际食品政策研究所）的农业科学家、农学家、模型师、工程师和计算机科学家在一个迭代的、参与性的过程中创建和验证的，还有CGIAR的大数据农业平台、Linux基金会、剑桥大学工程系、剑桥大学生存风险研究中心和剑桥全球食品安全中心的人员参与其中。
虚线框中包含了LLM（包括ChatGPT）的一般开发流程，包括八个步骤。圆圈中的数字代表GPT模型的输出（回答）。这里流程经过修改，增加了四个人类专家循环的组成。至少，农业推广员应包括一个专业研究农田生态学的农学家、一个植物病理专家、一个水和土壤资源专家和某种类型的通信专家。还建议包括一个社会学家、一个可用性专家和一个市场专家。类似的循坏可以建立在互补领域，因为LLM可以吸收和整合跨领域的输入。
更多信息请关注：
