溫室裡的 AI 走到哪一步了？五款設施農業工具與台灣的現實落差

去年冬天我去彰化看一個番茄溫室，農場主人給我看他的環控面板——一台十幾年前裝的控制器，上面有溫度、濕度、還有一排按鈕。他說每天早上六點來看一次，憑經驗調。

我問他有沒有想過用 AI。他笑了一下說：「你先告訴我，我這台機器怎麼讓電腦控制？」

這個問題，比任何關於 AI 能力的討論都更接近台灣設施農業的現實。

國際上已經走到哪裡

先講結論：設施農業的 AI 已經不在「把數據畫成曲線」這個階段了。

荷蘭瓦赫寧恩大學辦過一個叫「自主溫室挑戰賽」（Autonomous Greenhouse Challenge）的比賽，規則很殘酷——各隊在條件相同的實驗溫室裡種同一種作物，由演算法全權決策，對手是人類專家栽培師。Koidra 連續兩屆拿下冠軍，官網引用的成績是產量提升約 20%、淨利提升 27.8%。

這個比賽的價值在於它是公開、可查證的第三方驗證，不是廠商自己說的效益數字。

五種不同的技術路線

目前檯面上的溫室 AI，切入點其實很不一樣。搞清楚差別，比比較誰的 AI 比較厲害有用得多。

自主控制派：Koidra

Koidra 的 KoPilot 是真的會下控制指令，不是儀表板。它會自動調整氣候與灌溉策略，而且把即時電價算進補光決策——電便宜的時段多打光，貴的時段收斂。

對電費佔成本大宗的設施農業，這個設計非常實際。它的技術路線叫「物理資訊 AI」，把植物生理與熱力學的既有模型當成約束條件，再讓機器學習在框架內最佳化，而不是純資料驅動的黑盒子。

預測與模擬派：Source.ag

荷蘭的 Source.ag 重心在採收量預測與策略模擬。它讓栽培師可以在電腦上先模擬不同的栽培策略、看預估結果，再決定要不要執行。

我覺得這個設計最有價值的地方不是 AI，是它把栽培決策從「賭一季」變成「事前可以比較方案」。對訓練接班的年輕栽培師，這個意義比省下的電費大。

電腦視覺派：iUNU

iUNU 走的是另一條路——在溫室裡架設可移動的攝影機軌道，用電腦視覺持續追蹤每一株作物。

它解決的是「規模化之後看不過來」的問題。幾公頃的溫室有幾萬株作物，人工巡田只能抽樣，而問題往往等到肉眼看得出來已經擴散。影像的價值在覆蓋率：它看得到每一株，每天都看。

植物生理派：Gardin

英國的 Gardin 選了一條比較硬的路：它不量環境，量植物本身。用葉綠素螢光感測器直接偵測作物的光合作用效率。

這個切入點的意義在時間差——作物受到逆境時，光合作用效率會先下降，肉眼可見的萎凋與黃化是後面的事。官網宣稱這個時間差可以超過兩週。順帶一提，Gardin 對「AI」這個詞用得相當克制，官網主打的是「plant powered intelligence」，這種行銷誠實度在這個領域少見。

室內農場派：vGreens

德國的 vGreens 聚焦室內農場與 crop steering——依植株當下的生理反應決定灌溉與氣候策略，而不是照固定配方表跑。草莓與葉菜是它明確點名的作物。

台灣的三個現實落差

講完國際，回到彰化那個問題。台灣要導入這些東西，卡住的地方跟技術幾乎無關。

落差一：環控設備接不上

這是最根本的。Koidra 這類自主控制系統的前提是，你的環控主機能接受外部指令。台灣的設施農業以簡易塑膠布溫室為大宗，多數場區的控制器根本沒有對外的通訊介面。

而且這幾家廠商都沒有公開支援的控制器通訊協定清單，相容性只能逐案問。評估的第一步不是研究它的 AI 多厲害，是去確認自家控制器的型號能不能被整合。 這題沒答案，後面都是空談。

落差二：作物模型的地域性

Source.ag 的作物模型以荷蘭品種與氣候訓練、Gardin 的客戶是歐洲溫室、vGreens 的場域在歐洲與非洲。台灣的亞熱帶高溫高濕環境，跟這些訓練資料的來源差距不小。

這不代表不能用，但代表不能預設「拿來就準」。談約時務必要求提供氣候條件相近的案例，而不是接受官網那種「產量提升 5% 到 35%」的寬區間——那種區間基本上等於說「看情況」。

落差三：單位產值撐不撐得起

這幾套系統都不公開價格，從客戶結構（大型商業農場、大學研究單位）推估屬於企業級採購。台灣真正撐得起的，大概只有蝴蝶蘭外銷、高階水果番茄、精緻草莓這類單位面積產值高的作物。

台灣最有機會的切入點

我認為最務實的三個方向：

1. 蝴蝶蘭外銷——催花期的環境控制極度精細，開花時程抓錯整櫃價值就掉一階，這正是產量與時程預測派得上用場的場景
2. 高階水果番茄與彩椒——單位產值夠高，而且是這些系統作物模型最成熟的品項
3. 植物工廠與垂直農場——本來就是全封閉環控，設備天生可被軟體接管，而且電費壓力最大

至於一般的簡易溫室，我的建議很直接：先別想 AI，先把感測資料收起來。台灣設施農業導入 AI 的第一個卡關點從來不是演算法，是連可用的歷史資料都沒有。相關的農業科技工具，可以參考我們整理的農業與氣候 AI 工具清單，以及垂直 AI 為什麼贏得了通用巨頭這篇對產業結構的分析。

TheAI學院 總結與評語

設施農業的 AI 這幾年進步很快，而且方向是對的——從「把數據畫給你看」走到「幫你做決定」。荷蘭那個比賽的成績也不是自說自話，公開可查。

但台灣的落差不在技術層面。我們的問題是產業基礎建設：溫室設備的自動化程度、歷史資料的累積、以及單位產值能不能撐起系統成本。這三件事沒有一件是買一套 AI 就能解決的。

評語：台灣設施農業真正需要的不是更聰明的 AI，是先讓溫室變成「電腦控制得了」的溫室——這一步不做，所有關於演算法的討論都是空中樓閣。

給台灣農友的具體建議：今年先做兩件成本很低的事。第一，查清楚你的環控主機型號有沒有開放通訊協定，這決定了你未來三年的所有可能性。第二，開始有系統地記錄——不用買貴的系統，一支便宜的溫濕度記錄器加上手機拍的巡田照片，一年下來就是一份有價值的基礎資料。等到真的要導入時，有資料的農場跟沒資料的農場，起跑點差一大截。

資料來源

• Koidra 官方網站（自主溫室控制與挑戰賽成績）
• Source.ag 官方網站（採收量預測與栽培策略模擬）
• Gardin 官方網站（葉綠素螢光感測）

本文依各產品官方公開資訊整理，效益數字為廠商自述，實際表現以在地驗證為準。