节选自OA论文 https://doi.org/10.1002/moda.70044

S. Wang, L. Kang, Q. Zhu, et al., “Chuiyuan: A Large Language Model-Driven AI Agent for Plant Factories-Applications and Perspectives,” Modern Agriculture (2026): e70044, https://doi.org/10.1002/moda.70044.
多模态耦合分析的性能提升
目前，多模态耦合分析模型的性能挑战十分突出，主要体现在多个方面。首先，缺乏专门用于处理人工光植物工厂（PFALs）的AI模型。尽管关于PFALs的研究已经进行了数十年，但如何系统地收集来自不同地区的各类数据，并构建专门的数据库以支持多模态建模，仍然是一项极为艰巨的任务。在面对复杂的种植环境以及作物之间的相互遮挡等问题时，视觉模型的识别精度不足。而语言模型则容易出现推理链条不稳定的情况，还会频繁出现错误预测[22]。此外，这两种模型与其他类型的模型相结合时，也缺乏有效的协作机制。这些问题会导致PFAL特征无法被完整提取，跨模态推理也会出现偏差，进而降低整体分析的准确性。另外，这些模型的训练和泛化能力也较差。构建多模态融合模型需要大量的计算资源，而且它们在应对不同植物生长阶段以及动态光照条件等特定场景时的泛化能力较弱。这就使得在保证分析精度的同时实现实时处理变得十分困难，无法满足PFALs中动态调控的实际需求。另一个重要问题是缺乏长周期的决策反馈机制，以及不完善的评估体系。由于植物的生长周期较长，基于AI模型所做出的决策策略所带来的效果反馈存在明显延迟。这种延迟增加了模型学习和训练的难度，阻碍了分析模型及决策逻辑的快速优化。此外，模型参数的数量庞大，使得人们难以理解分析性能与作物产量及品质提升之间的关系，从而导致模型表现出“黑箱”特性[23]。最终，这就使得性能优化缺乏明确的方向和依据。