农业和粮食系统的演变将是未来几年最重要的挑战之一。正如本白皮书中所解释的，农业已经面临并将继续面临重大挑战，其中一些挑战是：粮食安全以及如何在困难的生态和气候条件下养活世界（气候变化、生物多样性的侵蚀、土壤肥力等）；通过生态农业转型改变农业模式，以限制环境影响；生产系统多样化；朝着更大的区域一体化迈进；粮食主权等

研究挑战

数字革命正在多个领域进行，数字农业既是其中的组成部分，也是其结果。本白皮书概述了当前对旨在应对农业面临挑战的数字技术的研究。涵盖的主题是大数据（从采集到存储）、建模、学习和知识提取、用于决策支持目的的知识工程或自动化和机器人技术。我们还涵盖了在农业中使用数字技术来改善生产、促进农业生态和适应外部变化所带来的各种机会。这一系列机会还包括更好地整合价值链以及改善共享、学习和理解。但目前的研究只涉及一些已确定的机会。此外，尽管这项技术具有赋能潜力，但风险也很大，包括错过农业生态转型、扩大不平等和权力不平衡、丧失主权和过度复杂。关于这些机遇和风险以及当前的研究状况，我们力求展示需要克服的主要障碍，以便以可持续和负责任的方式扩大数字农业，促进农业生态学，适应气候变化和平衡和重新界定价值链。

在本文概述的众多挑战中，有一些我们认为特别重要且适合由 INRAE 和 Inria 共同解决：

• 在数据方面，在不同层次（植物、动物、地块、畜群、农场、地区等）获取最相关的数据是什么？如何在最小化能源成本并保证访问和隐私的同时获取和交换这些数据？数据异质性是不同系统数量增加所固有的。有必要利用这种异质性，它提供了冗余和互补性，都是改善测量结果的因素。

• 在支持农民方面：需要创造哪些知识？为了发现这些知识，使用和分析数据的最佳方式是什么？新知识如何与现有知识相结合？如何与农民共享信息（可视化）？如何通过使用诊断或决策支持工具帮助他们做出决策？为了扩大生态农业，需要开发哪些机器人？来自数字和农业领域的利益相关者需要共同努力，提出这些新的解决方案。

• 不确定性是生物学、气候、气象等过程固有的，特别是在采用农业生态方法的农业生产系统中。如何通过将模型链接在一起（例如数字双胞胎）来模拟复杂性，同时控制不确定性的传播？如何将复杂性纳入模型并进行传递，以便做出明智的决策？处理这种不确定性将需要来自不同观察学科（根据规模，这可能是生物学、生理学、农学、区域工程等）以及数学和计算机科学的综合专业知识。

• 参与已被证明是农业生态转型和粮食系统转型背景下的有效杠杆：数据收集、调解、治理、经验分享等。目的是利用数字技术进行参与过程：众包;支持模型；调解或边界对象；共享、管理和集成（与其他系统）数据和知识。

• 可追溯性、透明度以及更广泛意义上的产品文档，贯穿整个生产链，正在成为农业食品系统的关键考虑因素。现在必须考虑应该“追踪”、记录和共享哪些数据（特别是与易腐烂商品有关的数据），以及如何选择正确的存储和传输工具（例如区块链）。

• 网络安全对于保护农业生产以及作为农业生产的一部分或与之相关联的信息而言，对粮食主权至关重要。

最后，应该记住，有许多不同的农业模式，未来将会有更大的多样性（参见 JRC85 或 CSIRO 的预测），这将导致数字化类型的发展 适用于每种型号的技术。

建议

在本文的总结中，我们对研究提出了一些建议，我们认为这些建议对农业数字技术的未来很重要。

鉴于上述农业目前面临和未来将面临的主要挑战，数字技术可以成为通过促进农业生态转型和粮食系统转型，使农业能够应对这些挑战的主要杠杆。然而，正如我们所看到的，数字技术也带来了环境和人类方面的风险（资源成本、农业的非人性化、不平等的扩大等），在未来的研究中必须考虑到这些风险。我们建议遵循以下主要原则：i) 通过考虑整个系统以及粮食和农业系统的复杂性来采用系统性愿景，ii) 提倡节俭，以便数字技术的好处不会以能源消耗的增加为代价，破坏整体影响，iii) 优先考虑复原力，即数字辅助农业系统抵御危机和适应不同类型变化（与气候、经济、健康、工作方法等相关）的能力，iv)利用农业系统的多样性，利用数字技术支持各种形式的农业。在这方面，我们建议采取负责任的研究和创新或 RRI 的方法（见第 6 章）。最后，为了建立系统的视野并考虑到可能研究课题的复杂性，必须采取措施避免研究过于针对特定领域，以便真正掌握所提出的问题（见第 5 章） ）。因此，重要的是要真正采取跨学科和参与性的方法来研究我们在农业中使用数字技术的研究，并强调这种方法和研究在我们研究所内的重要性。

我们的目标不是要制定一个确切的路线，而是考虑到我们在本文过程中勾勒的广阔全景，我们相信已经出现了一些关键主题和原则，这些主题和原则可以为未来的决策提供参考。正如本文开头所述，我们坚信农业必须向生态农业和可持续粮食系统发展，如果我们注意到某些陷阱，数字技术有能力成为这一转变的有力工具。我们的建议就是基于这种信念。

在上述研究课题中，我们认为最重要的一点是生态农业将导致产生大量新知识的需求。这些知识很可能会使用数字技术产生：大规模收集数据，同时监测新指标（例如，以基因组数据为特征的种内和种间生物多样性），管理这些大量数据并基于全新数据提取知识在各个层面（从微生物群到卫星成像）。有多种方法可以将这项研究与非专业数据科学区分开来：

1) 采用的方法必须考虑到当地情况，重点是考虑现有知识并收集和建立农民的专业知识；

2) 数据的生成（无论是测量的还是模拟的）正在成为一项挑战，随之而来的是与生成的数据质量、预处理和共享相关的问题。表型数据（尤其是在真实环境中）与基因组数据的融合应加速创造有关农业生态学过程的知识，选择品种或建立新的文化路线以预测气候变化。另一个需要考虑的关键点是在部门或区域层面帮助农民、顾问和其他利益相关者的数字工具。首先，这涉及决策支持工具，这将是实现知识的主要接口，尤其是前面讨论过的知识。这些工具对于人类和数字模型之间的对话非常重要，需要对设计科学、可视化和人体工程学进行专门的研究，以促进它们的采用。考虑到当地的具体情况和运营商/区域层面的政治决策做出的技术选择对于避免农业内部走向同质化至关重要。所研究的方法必须能够解释/证明所提出的任何建议，以便与人类参与者进行建设性对话。同时，需要发明新的机器人辅助解决方案，以免农民不得不执行最艰巨或最危险的任务。除了与在不受控制的环境中导航、安全性以及工具和

携带它们的机器人彼此互动，我们相信采用参与式方法来设计这些机器人解决方案是减少技术与生态之间紧张关系的一种很有前途的方法。

计算研究的第三个重点是农业生态学中的过程——从广义上讲——从农场延伸到价值链和区域。在这些领域，应优先考虑与资源（水、土壤）利用和农业生产（基于分散资源的大规模供应）的规划（时间和空间）相关的问题的业务研究。

最后，与探索的所有数字系统一样，网络安全至关重要。在农业领域，这必须采取多种形式。目标将是保护数据本身，以及产生数据的材料系统、用于传输数据的网络和使用数据的工具，以确保这些都不会被黑客入侵（数据可能被截获或引入虚假数据） .一种可能的探索途径是将“传统”安全系统与特定于农业数据的新学习技术相结合，以识别和隔离任何恶意节点和/或检测信息泄漏。

研究类型

我们建议采用负责任的研究和创新或 RRI 的方法（见第 6 章）。为了充分掌握主题的复杂性，必须采取措施确保研究不会过度针对特定行业（参见第 5 章），这将涉及系统性观点。因此，重要的是要真正采取跨学科和参与性的方法来研究我们在农业中使用数字技术的研究，并强调这种方法和研究在我们研究所内的重要性。

这种系统性观点还将帮助我们解决数字解决方案对环境的影响问题。有一系列不同的方法可以解决上述研究途径，其中一些需要消耗大量能源或稀有资源。为了避免这个陷阱，我们建议采取节俭的方法：数字技术的好处不能以增加能源消耗为代价，损害整体影响。评估这种影响的最佳方式是采用系统观点，考虑整个系统以及农业和粮食系统的复杂性（而不是只优化一个指标）。

我们还认为，任何未来的研究都必须强调复原力，即数字辅助农业系统抵御危机和适应不同类型变化（与气候、经济、健康、工作方法有关）的能力等）最后，鉴于有许多不同类型的农业，有必要利用农业系统的多样性，

利用数字技术支持各种形式的农业。

社会科学

我们希望这篇论文能够证明，数字技术在农业中的应用不仅仅是一个技术问题。在所有层面上，现有或计划中的解决方案都符合人类利益相关者，甚至可以提供一种将不同利益相关者聚集在一起的方式。因此，人文学科研究是研究数字技术在农业中使用的一个组成部分。第一个问题可能不是新问题，但将变得越来越重要，即人类与日益复杂的技术解决方案之间的联系：如何在这些解决方案与使用它们的人类之间建立和谐而令人满意的关系？如何避免去技能化的风险？一种似乎特别有希望的途径是强调参与式设计方法，确定尽早让利益相关者参与该部门的最佳方式。这些方法超越了设计工具：一个关键问题是利用数字技术来发现人类合作的新方式。在改善共享资源的管理方面，这将特别有益，因为集体和个人的利益可能会相互冲突。

公共政策

最后，农业的“数字化转型”正在带来需要在公共政策层面加以应对的变化。我们认为最重要的方面是数据治理。新技术已将农民转变为数据生产者，要么通过他们使用的传感器，要么通过他们的手动输入（参与式方法）。必须紧急考虑这些数据的价值以及版权和隐私。这是一个复杂的问题：一方面，共享产生的大量数据可以使所有人受益，但另一方面，过多的开放性会使农场或地区的竞争力降低。按照目前的情况，部分数据掌握在私营公司（例如技术和服务提供商）手中，它们从全球视野中受益，而农业部门不一定存在大量互惠。为了避免这一陷阱，法国国家数字委员会建议授予农业数据公共利益的地位。87

另一个关键主题将是致力于更好地量化和分析不同区域层面的物质流动，以促进引入生物经济学或生物物理经济学范围内的替代经济模型。

Inria-INRAE - 解决这项研究的适当伙伴关系

根据他们自己的使命，将我们的两个研究所 - Inria 和 INRAE - 联合起来将有助于解决与数字农业相关的主题，这要归功于他们可以利用的方法和技能的互补性：INRAE，及其文化实验工具和数据收集；拥有专家小组和广泛模型的生物系统建模技能；经济学和社会科学方面的专业知识，特别关注农业及其利益相关者、地区和网络，通过接触专业知识和需求知识而得到丰富；Inria 凭借其在数字科学和技术（数学和计算机科学）方面的专业知识，特别是在建模、仿真、人工智能、数据科学、网络安全、网络和机器人技术方面的专业知识，以及同时植根于研究、技术开发、转让和创新的文化.

这两个研究所在相互合作和互动方面有着悠久的历史（联合项目团队、联合指导的博士、联合举办的科学日等），最近通过#DigitAg 等旗舰项目（见插图）和PEPR（Priority Equipment Program for Research）“农业生态学和数字化加速战略”SADEA，于2021年启动，由两个研究所共同牵头。事实证明，这些合作对相关研究人员来说是非常有益的。鉴于农业数字化和农业生态转型带来的前所未有的挑战，这种合作肯定只会变得更加强大。与他们在农学（CIRAD、农学大学院、IRD、CGIAR 等）和数学和计算（大学、CNRS 等）领域的历史合作伙伴一起，这两个研究所显然具有应对这些挑战和以满足社会对农业的高期望。

了解更多

#DigitAg 是由 INRAE 领导的数字农业融合实验室，是未来投资计划（990 万欧元）资助的十个法国融合实验室之一。它位于蒙彼利埃，在图卢兹、雷恩和阿维尼翁设有分支机构，汇集了来自 8 个公共和准公共机构的 550 多名个人（2020 年数据），并得到 8 家农业科技公司的支持。该计划于 2017 年启动，最初为期八年，旨在为法国和全球南方农业数字技术的和谐发展做好准备。为此，其工作涉及开展多学科和跨学科研究，共同资助了 60 名左右的博士、约 20 名左右的博士、12 名博士后研究人员和 150 名硕士实习。已经建立了一个研究生院来为该部门创建一个教育资源清单，并且出现了新的课程（数据科学）。最后，该研究所正在通过与公司的会议、知识产权课程、基于博士成果构建网络演示的 IT 开发部门以及数字技术在农业中的不同用途的观察站来提高学生的创新意识。它在国际上非常活跃，特别关注全球南方，来自 INRAE 和 Inria 的多个团队一起工作。