当前，我国农业高质量发展正从“增产导向”迈向“提质增效、绿色安全、系统韧性”并重的关键阶段。梨产业方面，品种更新与优质供给仍受制于育种周期长、评价环节复杂、数据分散等因素；大豆产业方面，提升单产与抗逆性、优化蛋白与油分等多目标叠加下，育种难度上升、协同成本加大。如何将分散在论文、数据库、田间试验、基因库及产业链各环节的知识，转化为可复用、可验证、可推广的生产力，成为亟待破解的现实问题。问题既在田间，也在体系。传统育种依赖长期积累与反复试验，周期长、成本高；同时，跨机构、跨区域的数据标准不统一，信息共享受阻，成果难以快速迭代。面对气候波动、病虫害演化与市场需求变化等不确定性，仅靠经验与零散工具已难满足“精准育种、精准栽培、精准防控”的新要求。，农业科研数据呈现多模态、海量化特征，从图像到文本、从表型到基因组，蕴含巨大价值但使用门槛较高，亟需形成面向产业一线的集成化能力。 因此，安徽合肥发布的“棃想”和“丰菽”，反映了以数据要素牵引创新、以模型化方法提升研发效率的探索。据介绍，“棃想”针对梨产业链设置历史文化、种质资源、智慧育种、基因库谱、文献分析、高效栽培、病虫防控、贮藏加工等模块，整合万余篇文献、千万级文字与问答、上万张图像、几十万条表型数据及百TB级基因组数据，并通过深度学习与知识图谱等方法实现数据解析与应用。研发团队表示，该系统旨在将海量专业知识转化为可调用的技术方案，服务科研人员与生产端需求，推动梨产业从“果园”到“果盘”的全链条提质升级，重点缓解育种周期长、效率偏低等痛点。 “丰菽”则聚焦大豆产业的关键瓶颈，设置豆百科、豆分子、豆文献、豆病害、豆表型、豆育种等模块，整合核心种质、表型影像、科研文本等3万余条高质量数据，构建包含2万实体、10万条关系的知识图谱，并在数据清洗与标注上取得较高准确率。对应的负责人介绍，该系统面向大豆全生命周期育种需求，支持关键性状预测、优异等位基因挖掘、亲本组合虚拟设计与新种质定向创制等功能，指向提升单产与培育突破性品种目标，为粮油安全保障提供技术支撑。 从背景看，农业数字化与生物育种、智能装备等技术加速融合，使“模型驱动”的路径具备落地条件。一上，育种与栽培环节的数据来源更加丰富：田间表型观测、病虫害监测、遥感影像、实验室组学数据持续积累；另一方面，知识组织方式正从“文献堆叠、经验传承”转向“结构化表达、可计算推理”，为跨学科协同与跨区域推广提供基础。高校与科研机构在作物、园艺等领域长期积累的种质资源与科研数据，也为构建面向产业需求的专业系统提供支撑。 影响有望体现在“更快、更准、更可复制”。在科研侧，模型化工具可望缩短筛选与验证迭代周期，提高关键性状预测与试验设计效率，推动育种从“广撒网”转向目标导向。在生产侧，围绕栽培管理、病虫害防控、采后贮藏与加工等环节的知识服务，有助于提升标准化水平与绿色防控能力，减少信息不对称带来的损失。在产业侧，若能形成稳定的标准体系与可持续的数据更新机制，将推动从资源到品种、从技术到标准的协同创新链条，增强产业链韧性与竞争力。 对策上，业内普遍认为，专业模型能否真正见效，关键在“数据—场景—机制”三环打通。其一，夯实数据底座，推进表型采集、病虫害标注、品种与种质信息等标准化与可追溯，提升跨机构共享与质量管控能力。其二，聚焦产业场景落地，围绕育种加速、绿色防控、优质高效栽培、采后减损等关键环节，形成可评估、可推广的工具链与服务模式，让科研成果更快进入田间应用。其三，完善应用机制与人才支撑，推动农学、信息、统计与工程等交叉团队协作，建立持续迭代的评测体系与反馈闭环，避免“重发布、轻应用”。 前景上，随着农业现代化进程加快，面向细分产业的专业模型将从单点工具走向系统平台，更连接图像、数据、基因、种质、品种、技术与标准等要素，促进科研组织方式与生产方式的变化。特别是在粮油作物与优势特色产业领域，若能形成可复制的建设路径与可持续的开放协作生态，将为提升农业科技自立自强能力、推动农业新质生产力发展提供更坚实支撑。
从“靠天吃饭”到“知数而耕”，数字技术与农业的深度融合正在重塑农耕生产的运行方式。此次发布的产业模型不仅展示了技术进展，也凸显了科技服务乡村振兴的现实价值。未来，如何在确保数据安全的前提下推动技术更广泛、可负担地应用，将成为农业现代化进程中的重要课题。