数十年来，Makoto Koike的母亲一直都使用手工方式分拣黄瓜。如今，Makoto Koike正试图“训练”出一台机器来替代。

　　Makoto Koike是一名工程师，长期以来，他一直爱好修补电子配件和机器;可以说，他不是天生就喜欢自然户外生活的人。2014年，在Makoto Koike 33岁的时候，他离开了他长期工作和生活的城市，搬到了环境优美的静冈县，帮助其父母经营黄瓜农场。“我认为我已经到了一定的年纪了，” Makoto Koike说道。“我想要离我的家和家人更近一些。”

　　Makoto Koike一家在湖西市种植黄瓜已将近五十年，他们种植了三个小型温室的黄瓜。Makoto Koike的父亲负责播种种子;Makoto Koike负责指导监督他们的种植;Makoto Koike的母亲则是负责对收成的果实进行分类。在日本，最后一项工作尤其重要，因为农作物有不同的分类标准，同一个品种的黄瓜的分类就达了9种之多，这需要收割者对其农产品有着非常好的识别能力，手里刚摘了一根黄瓜，你得仔细观察它的长短、粗细、颜色、纹理、是否有小刮痕、弯的还是直的、刺多不多......要跟9类标准对应，看它属于哪一等级，这并不是一个容易学的工作。Makoto Koike一家往往会把那些比较好的、笔直且厚度均匀的黄瓜给批发商，而剩余那些不太完美的黄瓜则以半价出售。一直以来，Makoto Koike的母亲都是一个接一个地分拣这些蔬菜，分门别类地将它们放进不同的箱子里。虽然她每个黄瓜只花了她半秒钟，但这项工作占据了她大部分的工作时间;某些时候，她甚至在某几天内一天就处理了四千多根黄瓜。

　　Makoto Koike认为，给黄瓜分类不应该是瓜农的主要的工作，瓜农最重要的任务应该是专注于种植出美味的黄瓜。所以他决定，要把分类的工作交给机器，但是市面上的黄瓜分类器要么性能差、要么太贵，不适合小农场。在去年春天，Makoto Koike开始开发一种新的分捡黄瓜的方法，他建了一个黄瓜分拣机，使用了谷歌在2015年向公众发布的TensorFlow深度学习软件框架。而Makoto Koike的灵感来源，部分是由他阅读的一篇关于AlphaGo的文章，AlphaGo是有史以来第一个击败人类围棋大师的计算机程序。在AlphaGo案例中，其从现实围棋比赛中提取了三千万张图片，用于帮助确定哪种行动步骤最有效。Makoto Koike也希望能创造一个类似的策略，帮助其对黄瓜进行整理分类。

　　而包括深入学习的高级人工智能技术是属于专业研究人员和软件公司的领域。尽管如此，最近也有一些科技界巨头，包括谷歌、Facebook、微软、亚马逊、百度以及各大学都已经发布了免费的开源版本的工具，使像得Makoto Koike这样的非专业编程人员也可以对其进行访问。

　　在他的项目中使用了树莓派3作为主控制器，又建立了一个自定义的照片拍摄站，这使得他能够从三个不同角度拍摄每一根黄瓜。接着，为了分析这些图像，把它们都传到了TensorFlow平台上，起初在一个小型的神经网络上运行，以判断是否是黄瓜，之后，已经被判定为黄瓜的照片接着传输到一个更大的基于Linux服务器的神经网络，来对黄瓜按照不同的特质进行分类。不过，在他能够真正使用人工智能技术分捡黄瓜之前，Makoto Koike必须先对这套系统进行“训练”，为了训练这个模型，Makoto Koike花了3个月的时间给它“喂”了7000张黄瓜照片，这些照片都是由Makoto Koike的妈妈分类贴上的标签。最后，他还建立了一个自动传送带系统，将每根黄瓜从照片拍摄站传送至程序指定的箱子。

　　Makoto Koike在去年完成了对这套人工智能系统的开发，而且从某种程度上来说，它确实奏效了。不过，它对黄瓜的分类准确率还只能达到百分之七十，这样的准确率太低，他们还必须进行人工检查。而且，目前这些蔬菜还需要一个接一个的放在照片拍摄站上，也就是说，Makoto Koike的母亲还没有被“完全替代”。

　　Makoto Koike认为，他所创造的系统就正是一个令人鼓舞的证明，而他目前正在研究新版本的机器，他希望新机器能够一次分析多个黄瓜。他还计划建立一个温和的输送系统，以保护蔬菜皮肤上脆弱的皮刺，因为黄瓜的皮刺往往被认为是新鲜的迹象。他期望在几年内使其人工智能分拣机的工作效率能达到与母亲一样准确，让她能有时间做别的事情。不管怎样，Makoto Koike说他已经回到了湖西市。他说，“我的计划是，今生就做个农民。”到那个时候，农民这份工作可能就看起来很不一样了。

　　人工智能在农业领域的研发及应用早在本世纪出就已经开始，这其中既有耕作、播种和采摘等智能机器人，也有智能探测土壤、探测病虫害、气候灾难预警等智能识别系统，还有在家畜养殖业中使用的禽畜智能穿戴产品。

　　不过，人工智能在农业领域的应用才刚刚开始，面临的挑战比其他任何行业都要大，因为农业涉及的不可知因素太多了。地理位置、周围环境、气候水土、病虫害、生物多样性、复杂的微生物环境等等，这些因素都在影响着农作生产。你在一个特定环境中测试成功的算法，换一个环境未必就有用了。

　　我们现阶段看到的一些人工智能成功应用的例子大都是在特定的地理环境或者特定的种植养殖模式。当外界环境变换后，如何挑战算法和模型是这些人工智能公司面临的挑战，这需要来自行业间以及农学家之间更多的协作。