ARTICLE · 1249744
AI进入杂草管理:从“看见草”到“只喷草”,再到“设计新除草剂”
一篇综述盘点的四条技术路线，以及它们对农药行业意味着什么
未来的喷药机，可能不是把药喷得更均匀，而是尽可能不喷药。
这听起来有些反直觉。农药行业长期围绕有效成分、制剂、防效和施用技术展开，喷得匀、喷得准、喷得及时，一直是产品竞争的基本功。但精准施药正在改变问题的提法：不是“怎么把药喷得更好”，而是“哪些地方根本不需要喷”。
与此同时，AI又进入了除草剂研发领域，帮助研究人员寻找潜在靶标、筛选候选分子，甚至探索新的分子设计路线。
于是，一个值得农药行业思考的问题出现了：AI一边帮助农民减少不必要的除草剂使用，一边又帮助企业寻找新的除草剂。它究竟会压缩药剂的使用空间，还是为行业创造新的产品机会？
两条路线并不矛盾：前者试图减少不必要的施药，后者则试图改善未来可用的化学防控工具。它们最终能否创造价值，取决于实际防效、抗性管理和生产成本。
2026年发表于《Advances in Weed Science》的一篇综述，梳理了AI在杂草科学中的主要应用进展，并讨论了相关技术的潜力、挑战和未来方向。作者来自巴西Federal University of Pelotas、厄瓜多尔Bolivar State University，以及美国Texas A&M University和Mississippi State University，通讯作者Luis Antonio de Avila现于Mississippi State University任职。从杂草识别、精准施药，到机械与激光除草，再到AI辅助除草剂研发，这四条技术路线呈现出一个共同趋势：AI正在从田间作业延伸到新药研发，改变杂草管理中从识别、决策到执行，以及从筛选到验证的多个环节。
但技术能够做到什么，与它在农业生产中是否经济、可靠，是两个不同的问题。识别率高，不等于田间除草效果好；减少喷施，不等于抗性风险自动下降；发现候选分子，也不等于新除草剂已经诞生。
这篇综述值得关注的，不只是AI已经走到了哪一步，更是它正在改变杂草管理的哪些环节，以及这些变化可能如何影响农药行业。
四条技术路线，可以先这样理解
01｜看见草：杂草识别
让机器判断田里有什么草、杂草在哪里。相关技术已经进入商业系统，但复杂田间环境下的识别稳定性仍是挑战。
02｜只喷草：精准施药
让喷头根据杂草位置决定是否开启。商业应用已经出现，减量空间取决于杂草分布、识别性能和施药策略，也不能自动解决抗性问题。
03｜直接除草：机械与激光
让机器通过机械装置或激光直接清除杂草。部分高价值作物已有商业应用，但投资、效率、能耗和作物损伤仍影响其经济性。
04｜寻找新药：AI辅助研发
帮助研究人员筛选候选分子、探索潜在靶标和设计路线。不同技术成熟度差异较大，早期筛选不等于研发成功。
杂草管理有几个长期问题。
人工识别和拔除杂草的成本越来越高，劳动力短缺推动自动化需求。杂草在田间的分布并不均匀，传统整田广播喷施通常不会根据每一处杂草的实际分布动态调整施药位置，因此在杂草分布不均匀的田块中，可能存在不必要的喷施。与此同时，除草剂抗性持续演化，单一作用机制的长期依赖正在压缩部分化学防控的空间。
这三个问题看似不同，却可以通过一套共同的技术体系来应对：计算机视觉从图像中识别作物和杂草，算法判断哪些位置需要处理、用什么方式处理，喷施设备或机械装置再把决策变成动作。
AI的价值，就是把这些环节连接起来。但它不能替代杂草生物学、农艺学或除草剂化学。它首先改变的是管理工具和决策流程，而不是直接改变杂草的生物学规律。
过去，喷药机的主要任务是把药均匀喷到田里。现在，一些喷药机开始学习辨认作物和杂草，并据此决定哪些位置需要喷药。
这背后的重要技术是深度学习和计算机视觉，其中卷积神经网络曾是、至今仍是图像识别的重要技术路线之一。
在部分研究使用的特定数据集中，一些模型的F1-score等指标达到95%—99%。但要注意，这些结果对应不同的数据集、识别任务和评价条件，不能直接视为真实田间的杂草识别准确率。
原因在于，让AI在照片里认出一株草，与让一台高速行驶的喷药机在复杂田间找到它，是两回事。
这里至少有三个层次。第一是图像分类：给一张已经裁剪好的单株杂草图片，判断它是什么植物。第二是目标检测：面对整张田间照片，不仅要认出杂草，还要指出它在什么位置。第三是实例分割：如果杂草挤在一起，或者与作物相互遮挡，还要尽可能分清每一株植物的边界。
三者听起来差不多，实际任务逐渐复杂。后两种更接近实际作业需求，也面临更复杂的技术挑战。
另外，F1-score是精确率与召回率的调和平均数，可以综合反映模型在检出目标和控制误报方面的表现，但它并不能单独说明模型在真实田间的定位能力、实时性能或最终除草效果，也不能把所有模型表现都笼统称为“识别准确率”。
更大的挑战来自田间环境。模型可能在训练中学会了与杂草相关的背景特征，比如特定土壤颜色、光照条件或植株排列方式。换一个地区、一种土壤、一个作物品种，或者遇到强光、阴影、雨后泥土和植株遮挡，模型表现就可能下降。综述引用Coleman等人（2022）的研究指出，杂草和作物形态的可塑性，以及田间环境的广泛变异，使大规模生产体系中高速、可靠的杂草识别仍然面临未解决的难题。
而且，从确定位置，到喷头控制、药液沉积、药剂选择和施药时机判断，每个环节都影响最终效果。
机器在照片里认对草，不等于在田里就能把草除掉。
评价AI杂草识别技术，不能只看模型在某个数据集上的表现，还要看它在不同田间环境中的稳定性，以及识别结果能否真正转化为可靠的除草作业。
精准施药是目前最接近商业化的方向之一。它的核心逻辑不是“不用除草剂”，而是尽可能把除草剂用在真正需要控制杂草的地方。
过去，喷药机按设定模式处理整块田；现在，具备视觉识别能力的系统可以根据杂草位置控制喷头开启或关闭。这种变化可能带来明显减量，但不同系统公布的数据必须放在各自条件下理解。
John Deere：重点不是摄像头，而是施药决策的变化
John Deere的See & Spray Ultimate搭载36台摄像头和10个视觉处理器，算法用超过30万张图像训练，覆盖玉米、大豆和棉花等作物。这些数字可以保留，但案例真正值得关注的是：喷药机不再只是按照预设模式喷施，而是开始依据田间视觉信息，决定喷头何时开启、何时关闭。
John Deere官方资料显示，See & Spray Ultimate在定点喷施条件下，可将非残效除草剂的使用量减少超过三分之二。不过，这属于企业公布的性能指标，结果基于其在美国多州的内部条带试验，实际效果仍取决于杂草分布、作物类型和施药策略，不能直接视为所有田块都能达到的减量水平。
Bosch BASF与AGCO：算法必须和设备一起工作
Bosch BASF Smart Farming与AGCO合作，将Smart Spraying技术集成到Fendt Rogator喷施机，应用作物包括玉米、大豆、棉花、油菜、向日葵和甜菜等。
这个案例的重点，是感知、控制与施药设备之间的协同：识别模型再好，如果喷头响应不够快，或者药液没有有效沉积到目标杂草上，模型的优势也无法完整转化为实际防效。精准施药不是单纯的软件升级，而是感知、决策、控制和药剂应用共同作用的作业系统。
Greeneye：降低改造门槛，但80%—90%仍是企业公布的应用数据
Greeneye Technology提供可集成到现有喷施机上的精准喷施系统，最高作业速度可达25 km/h。其独特设计是双药箱、双管路配置：残效除草剂可以广播施用，非残效除草剂则只在检测到杂草的位置精准喷施。
Greeneye公布的数据显示，在部分作业条件下，非残效除草剂用量可减少80%—90%。但这是企业公布的应用数据，并非所有田块都能达到的平均减量水平；实际效果还受到杂草分布、作物类型和施药策略等因素影响。
真正决定减量空间的，不是喷药机有多少摄像头，而是田里本来有多少地方不需要喷药。
综述引用的变量喷施研究显示，基于杂草分布图的变量喷施，除草剂减量范围为23%—89%；在杂草呈斑块状分布时，系统可以跳过59%—80%的田面不喷。这些数字不是所有系统都能达到的统一效果，而是说明一个基本规律：杂草分布越不均匀，精准施药越有机会减少不必要的喷施；分布越均匀，减量空间越小。
但只讨论减药，会遗漏另一个问题：抗性管理。精准施药主要回答“药应该喷在哪里”；抗性管理还要回答“用什么作用机制、何时施药、如何避免长期依赖同一种防控手段”。假如一台机器能把除草剂精准喷到每一株目标杂草上，却始终依赖同一种作用机制，它提高的是施药效率，并没有自动解决抗性演化问题。
AI可以让除草剂用得更准，却不能自动让除草剂变得更难产生抗性。
精准施药仍然使用除草剂，只是改变施药位置和方式。机械除草和激光除草则试图改变执行手段本身。
需要先说明两点。第一，John Deere See & Spray、Greeneye和Bosch BASF的系统多数安装在牵引式或自走式喷施机上，核心能力是识别与精准喷施，不一定是完全自主的除草机器人，这一节不再重复列入。第二，机械除草和激光除草并非新近出现的技术；AI带来的变化，主要是让设备更准确地识别作物与杂草，并将识别结果转化为自动化作业。
机械除草：让机器代替部分人工
机械除草机器人利用摄像头和视觉算法识别作物与杂草位置，再控制锄头、除草刀或其他机械装置作业。综述列举的代表包括Naïo Technologies的Dino、Garford的Robocrop和Poulsen Engineering的Robovator。Dino是电动自主机械除草机器人，用于生菜、芹菜、欧芹、卷心菜、茴香和韭葱等蔬菜，综述给出的效率为7小时处理7英亩；Robocrop用摄像头引导锄草系统，蔬菜田除草覆盖可达98.5%的土表；Robovator用于行内自动除草，可通过手机或平板控制。
这类设备的价值在于提高机械除草的定位精度，使机器能在更接近作物的位置工作，同时减少人工需求。但机械除草不是简单把人工换成机器，它要兼顾作物行距、植株大小、土壤条件、杂草生育期和机械运动精度。对作物伤害过大，或者无法清除靠近作物的杂草，都会削弱实际价值。
激光除草：用能量代替除草剂
激光除草是另一条更具技术辨识度的路线。Carbon Robotics早期LaserWeeder采用CO₂激光，并通过视觉系统识别和定位杂草；综述介绍的早期型号配备12台高分辨率相机，公布的处理能力最高可达每小时100,000株杂草。需要注意的是，该参数对应特定早期型号，不能直接代表当前全部LaserWeeder产品的配置与性能。该公司后续推出的G2系列采用了二极管激光和不同的视觉系统设计，例如G2 600配备36台高分辨率相机，官方标注最高处理能力为每分钟10,000株。欧洲WeLASER项目则探索移动式高功率掺铥光纤激光，通过AI定位杂草分生组织，再实施激光处理。
两者的技术路径不完全相同，但共同思路是：先识别目标，再精确定位，最后把能量施加到杂草上。这类技术不依赖除草剂，在高价值作物、人工成本较高或杂草管理要求特殊的场景中有吸引力。
但不使用农药，并不自动意味着整体环境影响更低。这是一个评价原则，不是已经被现有研究证实的方向性结论。设备投资、能耗、作业速度、杂草大小、作物损伤风险和维护成本，都会影响经济性和环境表现。要判断激光除草是否真正优于其他方案，需要在具体作物和作业条件下做经济性与生命周期评价。
目前，商业化机器人除草主要集中在蔬菜、洋葱、大蒜等高价值特种作物，而不是大面积谷物。原因不难理解：同样一台设备，在高价值作物上节省人工、减少药剂或满足特殊生产要求，更容易收回投资；在大面积、低单位产值作物上，设备成本和作业效率则是更大约束。
机械除草和激光除草的作用原理、适用场景和成本结构不同，更可能在不同生产体系中形成互补，而不是谁简单取代谁。
激光可以消灭杂草，却不能替农民消灭设备折旧、能源消耗和投资回报这些问题。
AI辅助除草剂研发，触及的是农药行业另一个长期问题：能否更有效地发现新的除草剂分子和作用机制？
这一部分值得研发人员关注，但也最容易被过度解读。在展开企业案例之前，需要先区分三个概念：新靶标、新作用机制和新型除草剂分子，并不是一回事。
靶标是化合物在生物体内作用的具体对象，例如某种蛋白质或酶；作用机制涉及化合物如何通过一个或多个生物学过程产生除草效果。新分子可能作用于已知靶标，也可能具有新的化学结构，却不一定带来新的作用机制。
找到一个可能被攻击的目标，不代表已经找到攻击它的有效武器；找到一种新的化学结构，不代表它具有新的作用机制；在实验室发现活性，也不代表它能成为农民愿意购买的除草剂。
综述介绍的企业大体沿三条路线推进。
路线一：提高候选化合物筛选效率
传统农药研发需要从大量化合物中寻找有生物活性的分子，AI可以预测化合物性质、潜在活性和筛选优先级，减少低价值候选物的实验投入。
Enko采用DNA编码化合物库等技术路线，结合计算分析与实验筛选寻找潜在候选物。综述介绍了其大规模化合物筛选平台，以及Bayer和Syngenta与其相关的化合物库合作。其化学空间规模常被描述为超过1,400亿种分子，但这指的是DNA编码化合物库可访问的化学空间，并非已完成独立生物活性验证的化合物数量。这类技术的价值在于提高早期筛选效率，但平台规模本身不能证明最终研发成功率。
Agrematch的Agresense平台据综述介绍，数据集约包含12亿条记录。该公司已宣布代号AS9057的天然除草剂候选分子，用于苋属（Amaranthus spp.）和藜属（Chenopodium spp.）杂草的芽后控制，并提出其作用机制可能属于HRAC尚未分类的新类别。这里要特别注意“候选分子”和“可能属于新类别”两个限定：计算机预测某个分子可能与靶标结合，不等于它已有足够田间除草活性；在特定条件下观察到除草效果，也不等于已经确认新的作用机制。
路线二：寻找新的作用靶标或作用机制
AgPlenus用AI预测植物酶中可能存在的靶标口袋，再通过X射线晶体学等方法验证，随后筛选可能抑制相关靶标活性的分子。综述介绍，该公司已鉴定出两个APTH1靶标蛋白。需要补充的是，APTH1与Bayer的合作项目已于2026年终止，原因是该靶标未达到产品标准；与Corteva Agriscience的合作则是另一条平行进展。这条路线的关键是把计算预测与实验验证结合起来，算法可以缩小搜索范围，但靶标是否有实际研发价值仍需实验数据支持；合作本身也不能作为靶标已获充分验证的证据。
Moa Technology通过Galaxy平台筛选化学和天然化合物。企业披露显示，该平台筛选了超过750,000种化学与天然产物化合物，识别出60多个潜在的新作用机制方向，并在温室条件下开展表征工作。不过，“60多个潜在方向”不能直接等同于“60个已经验证的新作用机制”。从初步发现到充分确认，还需要生化、遗传学、分子生物学和生物测定证据。
路线三：改变分子设计思路
OerthBio探索PROTAC技术，即靶向蛋白降解嵌合体。其基本思路不是单纯抑制某个蛋白活性，而是尝试引导细胞自身的蛋白降解系统清除目标蛋白。综述介绍了OerthBio在该技术方向上的相关研发进展，并提及WC-001和WC-002两个代号；其具体研发状态及对应技术对象，应以企业原始披露为准，不宜直接称为已经验证的候选作用机制。
Projini Agchem则探索通过干预蛋白质之间的相互作用，设计具有潜在除草活性的候选分子。这两条路线有探索价值，但仍处于需要持续验证的阶段；PROTAC在人类医学中的技术基础，不能直接证明相同思路已经在植物和田间除草剂开发中取得相同效果。
用一个通俗的比喻：AI可以帮助研发人员更快找到候选选手，但不能替代后续选拔赛，更不能直接宣布谁拿到了冠军。
候选分子是否有足够除草活性、能否控制目标杂草同时保证作物安全、在不同田间环境下能否稳定发挥作用、吸收转运和环境行为是否合适、毒理学和登记要求能否满足、生产成本和市场价值是否有竞争力——这些环节都不能被算法直接替代。
大规模筛选不等于高研发成功率；发现潜在靶标，不等于验证了新的作用机制；在实验中找到活性分子，不等于得到可以商业化的除草剂。
深度学习模型的性能不仅取决于算法，也取决于训练数据的规模、质量和代表性。
公开杂草数据集中，Weed-AI包含28,897张标注图像，其中18,659张为杂草图像；Weed25覆盖25种杂草，共14,035张图像；DeepWeeds包含17,509张图像，涉及8种澳大利亚本土杂草。这些数据集为研究提供了重要基础，但图像数量不是评价数据集质量的唯一指标。
一个数据集可能有上万张图像，但如果这些图像主要来自相似的环境、相似的拍摄条件和有限的杂草种类，模型仍然可能在新地区或新作物体系中表现不佳。同样要关注：图像是否覆盖不同土壤、光照、生育阶段，是否包含植株遮挡、杂草与作物形态相似等复杂情况。数据集规模不等于独立田间样本数量，更不等于模型具备跨地区、跨作物、跨环境的泛化能力。
综述还指出，企业数据开放程度是该领域面临的结构性问题。企业倾向保护数据，这可以理解，却限制了学术研究和跨场景验证。建立开放获取的作物—杂草图像库，需要企业、学术机构和政策部门协作，也需要解决高质量图像采集、标注和维护成本问题。
数据决定模型能不能走出实验室。
这篇综述的主要任务是梳理技术进展，不是专门分析农药产业竞争。以下判断是基于综述技术路线所作的产业推演，不是论文作者的结论。
第一，未来竞争的对象，可能不再只是一瓶除草剂。
传统农药竞争围绕有效成分、配方、成本、登记、渠道和防效展开。精准施药和机器人除草的兴起，把竞争进一步扩展到杂草识别能力、设备兼容性、作业数据、控制算法和农场管理系统等环节。这不意味着所有农药企业都必须自行开发机器人或AI平台；与设备制造商、算法企业或农业服务商合作，可能更符合许多企业的资源条件。但企业需要开始思考：自己的产品能否适配精准施药系统？现有制剂在不同喷施方式下是否需要重新评价应用性能？
第二，精准施药争夺的，是每公顷的杂草管理总成本。
精准施药减少了不必要喷施，农户的评价指标也就不应只盯着每公顷用了多少药。更重要的问题是：每公顷杂草管理的总成本降低了多少？计算时至少要考虑药剂成本、设备购置或服务费用、作业时间、设备维护、除草失败后的补救成本，以及杂草结籽和种子库管理等长期影响。其中，种子库管理需要作为长期成本与管理效果的评价因素来看待，它涉及多年尺度的杂草种群变化，不一定能在一次作业或一个生长季内直接核算。
这里还要明确一层逻辑：精准施药可能降低药剂消耗，但农药企业的商业价值不能简单与药剂使用量画等号。 如果技术减少了每公顷除草剂用量，却提高了杂草控制整体效率、降低了补救作业成本，农户仍可能获得净收益；但是否有利于某一家农药企业，还取决于其产品在精准施药体系中的适配性、定价方式和商业模式。
第三，技术创造了价值，不等于所有参与者都能以同样方式获得价值。
精准施药可能减少除草剂用量，却不必然让农户总成本下降；激光除草可能减少对除草剂的依赖，却可能增加设备投资和能源支出；AI辅助研发可能缩短候选分子筛选时间，却不一定缩短从候选分子到商业化产品的全部周期。
农户可能通过减少人工或补救作业获得收益；设备企业可能通过销售设备或提供服务获得收入；农药企业则需要考虑产品如何适配新的施药方式，以及药剂用量、产品价格和服务模式如何变化。这不是说农药企业必然受损，也不是说精准施药一定带来新的增长机会，而是说价值分配方式可能发生变化。
对传统农药企业来说，关键不是每家都自行开发AI模型、喷药机器人或激光除草设备，而是判断哪些能力应自己掌握，哪些可以通过合作获得。AI越深入研发和田间应用，越需要扎实的杂草生物学、农药化学、制剂技术、抗性管理和田间试验能力来验证结果。
竞争可能从单一药剂，扩展到整套杂草管理方案。
从识别杂草、精准施药，到机械与激光除草，再到辅助发现新除草剂，AI正在推动杂草管理走向更精细、更数据化的决策体系。
但技术进步不等于商业问题已经解决。精准施药能否降低总成本，取决于田间条件和作业策略；机械与激光除草能否推广，取决于设备投资、作业效率和具体生产场景；AI辅助研发能否产生新产品，仍取决于候选分子的生物活性、作物安全性、环境行为、毒理学评价及后续开发。
这些技术也不必然相互替代。未来的杂草管理，很可能是化学除草、精准施药、机械除草和其他防控手段在不同作物与生产条件下形成组合。
更重要的是，AI不能替代杂草生物学知识，也不能绕过抗性演化和新药研发的科学规律。
精准施药解决的是“药打在哪里”，抗性治理还需要回答“用什么药、何时用药，以及如何避免长期依赖单一防控手段”。
AI能够改变杂草管理的方式，却不能替代对杂草本身的理解。对农药企业而言，真正值得关注的，不只是算法能做什么，而是技术能否在真实田间创造可验证、可持续的价值。
论文信息
Palacios-Zuñiga RM, Bagavathiannan MV, Zatt B, Camargo ER, Avila LA. Harnessing the power of artificial intelligence in weed science: A multifaceted review. Advances in Weed Science. 2026;44:e020250061. DOI: 10.51694/AdvWeedSci/2026;44:0008. 在线发表于2026年8月24日；收稿2024年7月11日，接受2026年2月19日。
作者研究单位：Federal University of Pelotas（巴西）、Bolivar State University（厄瓜多尔）、Texas A&M University（美国）、Mississippi State University（美国）。通讯作者：Luis Antonio de Avila。
期刊信息：Advances in Weed Science（巴西杂草学会官方期刊，ISSN 2675-9462）。
资料说明：文中企业减量数据、设备参数和研发代号按综述及公开资料口径整理，分别属于综述转引、企业公布或早期研发披露，不能直接视为独立田间验证结果或已登记产品性能。John Deere减量数据为企业内部条带试验结果，对应非残效除草剂使用量；Greeneye减量数据为企业公布的应用数据，对应非残效除草剂，均不能横向比较或直接外推至所有田块。Carbon Robotics参数需区分早期CO₂激光型号与当前G2系列（二极管激光），不能混用。Enko的“1,400亿”指化学空间规模，非已完成独立筛选的化合物数量。AgPlenus的APTH1靶标与Bayer的合作已于2026年终止，与Corteva的合作为平行进展。Moa Technology的“60多个”指潜在的新作用机制方向，非已验证机制数量。OerthBio的WC-001、WC-002为研发代号，具体技术对象以企业原始披露为准。
