最近，快刀青衣老师在得到App《快刀广播站》分享了他看到的一个很有意思的竞赛：一个从来没种过地的绝对外行，靠着ChatGPT帮忙，赢下了一场真实的农业竞赛，比的是种玉米。
这不是电脑游戏，也不是模拟环境，而是美国一个叫TAPS的真实田间竞赛，全名“农业绩效测试解决方案”（Testing Ag Performance Solutions）。参赛者要在真实农田里做一整套决策，什么时候播种、怎么灌溉、施多少肥、用不用杀虫剂，每一个决定都直接影响最终的产量和利润。2025年的比赛就有116支队伍参赛，基本聚拢了一大批农业好手。
这届比赛中，尼普纳·查马拉（Nipuna Chamara）拿下喷灌玉米组别的产量第一名。尼普纳是内布拉斯加大学林肯分校的研究助理教授，他的做法很简单，甚至可以说非常直接。
他用土壤健康报告、卫星拍摄的高精度地图，对你没看错，他直接用卫星遥感图像判断庄稼长势。此外，还有实时天气数据、土壤水分传感器数据，他把这些全部丢给ChatGPT，只问AI一个问题：现在该干什么？
AI给出的不是模糊方向，而是带着完整推理过程的具体建议，比如什么时候浇水、施肥加多少、这块地的其他作物要不要处理。更有意思的是，AI还帮他盯着商品期货市场，在玉米价格因关税新闻剧烈波动时，建议他提前锁定售价。
不过这已经是尼普纳第二次参赛了。2024年他第一次参赛，用的是早期版本的GPT，图像理解能力有限，大量田间数据、土壤信息都只能手动输入给AI，最终成绩位居中游偏上，在产量类别中排名第七。
2025年，他用上升级后的多模态大模型，能直接读取卫星图、土壤化验单的扫描图、田间照片等资料，还有上一年的竞赛数据作为训练基础，AI的决策能力大幅提升。这一年，在AI帮助下，他种植的玉米产量显著领先，拿下喷灌玉米组别产量第一名。
虽然他本人不是传统农民，却依靠AI战胜了大量经验丰富的种植户和专业团队，让赛事组委会颇为震撼。
组委会负责人后来说了一句话，很能说明问题：“考虑到这位人类操作者本身是个农业新手，我完全没预期这套AI方案会横扫比赛。”
尼普纳自己的感慨更直接：“如果像我这样不是农民的人，都能用AI赢得这场比赛，想象一下，那些有几十年经验的资深农民，拿着这个工具能做什么，能达到什么样的水平？”
但我觉得这个故事还有一个更值得深思的角度，比“AI击败了农民”更值得我们停下来想一想。
整个比赛里，真正做决策的是ChatGPT，尼普纳负责收集数据、整理信息、把材料喂给AI，然后按照AI的建议去执行。换句话说，这场比赛中，AI才是那个“种地”的人，尼普纳反倒成了AI的执行者与工具。
当然，“人完全听AI的”也有例外。有个很有意思的小插曲，一次地里的虫害报告出来，AI分析后认为当前虫害水平还没到防治阈值，建议不打药。但尼普纳心里不踏实，担心出意外，还是花钱喷了一遍。结果事后发现，打药带来的产量提升微乎其微，增收部分根本覆盖不了药钱。
事实证明，AI的判断是对的，人类的直觉反而添了乱。
还有一个地方，AI明显有盲点：它不会看天气预报。每次推算灌溉方案，AI只盯着土壤传感器的数据，不知道去看明天会不会下雨。对人类农民来说，这是基本常识，明天要下雨就先别浇，等雨水来了再说。AI没有这个意识，好几次都建议灌溉，人类团队一查天气预报，发现第二天有雨，就没有浇水。
这个盲点也解释了为什么AI种出来的玉米产量高，但用水量也比平均水平高——因为它在该省水的时候没省。
看完这场比赛，我想到了另外一场经典的人机对战。你还记得2016年AlphaGo和李世石下围棋吗？那场比赛也有一个细节：AlphaGo没有手，不能自己把棋子摆上棋盘，所以现场有一个人类工作人员专门负责替它落子。
当时全世界的目光都盯着李世石，摄像机对着棋盘，解说员分析每一手的得失，没有人记得那个替AlphaGo摆棋子的人叫什么名字。
不过那会儿我确实查过他的资料，只不过这么多年早就忘记了。今天写这篇稿子，我又搜了一下，他叫黄士杰，是DeepMind团队的核心成员，也是围棋业余6段高手。但在那场比赛里，他只是AI在物理世界里的一双手。
而在TAPS这场种地竞赛里，尼普纳扮演的角色更复杂，他既是AI在田间的手，也是它的眼睛和信息接口，负责把土壤、天气、遥感图像和市场信息整理好交给AI，再把AI的建议变成现实操作。
其实这样的人机农业竞赛不是孤例，之前还有一场更早的“人机对决”，画面感更强。
2018年，荷兰瓦赫宁根大学举办了第一届自主温室挑战赛，最终5支AI团队进入真实温室种植阶段，和一组专业人类种植专家手动管理的温室进行比较。比赛作物是黄瓜，历时将近四个月。
比赛规则有个特别有意思的细节：人类全程只被允许做一件事——从藤上把成熟黄瓜剪下来。参赛团队不能进入比赛温室，只能远程看数据、发指令。温度、湿度、光照、施肥、灌溉等所有决策，全部交给AI。
冠军是微软的Team Sonoma团队，比赛期间，他们在美国华盛顿州雷德蒙德，隔着大西洋远程操控荷兰的温室。最后，这套系统种出的黄瓜每平方米产量超过50公斤，净利润比人类种植专家高出17%。
还有个小插曲值得一说，这场比赛的赞助商是腾讯，腾讯也组了自己的队伍参赛，AI策略方面单项排第一，但最后总分只拿了亚军，冠军被微软团队夺走。
第一届结果出来后，很多人觉得可能只是偶然。到了2019年第二届，作物换成樱桃番茄，参赛队伍进一步扩大，最终结果更震撼，所有AI团队的净利润都超过了人类对照组——不是部分超过，而是全部。
从那以后，这个比赛的核心问题就彻底变了：不再是“AI能不能赢人类”，而是“AI队伍之间谁更强”。
赛事官方赛后发了一份声明，大意是：“温室内及周围有很多决策和作物相关工作，人类都是不可或缺的。”说实话，AI赢了比赛，最后还补上这么一句，像不像学霸成绩远远超过你了，然后还昧着良心安慰你说“其实你考得也不错”。
咱们再说说第三场比赛，这个数字更夸张。拼多多也曾举办过智慧农业竞赛，让数据科学家团队和传统顶尖农民同台竞技种草莓。
AI团队的打法是，用传感器密集监测温室里的温湿度、光照、二氧化碳浓度，再用算法实时调整水肥供给，把每一株草莓的生长环境精确控制到人工根本做不到的精细程度。最终结果毫无悬念，AI团队的草莓产量比传统农民高出196%，将近三倍。
这个结果出来后，农业圈讨论了很久。有人说，AI是在可控温室、有充足传感器的理想条件下赢的，露天农田情况更复杂，这套模式没那么容易复制。
这种说法有道理，但在我看来，行业发展方向已经很清楚：在数据完整、环境可监测的场景里，AI做农业决策的表现，已经能远远超过人类靠经验积累的水平。
更重要的是，随着传感器成本持续下降，这种“可监测、可调控”的场景，正在以越来越快的速度从温室向真实农田延伸。
说完这几个AI表现出色的比赛，我再分享一个最近看到的搞笑短视频。一个博主打开AI，让它帮忙看地里三个刚发芽的幼苗，因为播种太密挤在一起，他问AI该怎么处理。
AI一通分析后给出建议，把左边的拔掉，博主照做了。接着AI说，右边的看起来长得也不太好，也可以拔掉，博主又照做了。当还剩下一棵独苗时，AI继续建议，这株看起来叶子也有点小，也拔掉吧，博主还是照做了。最后，面对光秃秃的土地，AI感叹道：“现在看起来清爽多了。”
当然，这个视频是搞笑向的，评论区大家也都在乐。但我看完后反而有点感触，AI只是给出处理方案，真正动手执行、做判断的始终是人。
它说“拔掉”，你就真的一棵一棵全拔了，这不是AI的问题，而是人主动放弃了判断权。更准确地说，是人在不该交出判断权的地方，把判断权彻底交给了AI。
在数据充分驱动、逻辑清晰、变量可控的决策中，AI的判断确实可能比你的经验更可靠；
但在那些你自己能看到、能感受到、能判断的具体场景里，你的观察、直觉和常识，是不能被替代的。
这一点，在我们前面聊到的比赛里也体现得很明显。人类知道明天要下雨，今天就不用浇地；但AI只从此时此刻土壤缺不缺水来分析，感知不到更多维度的信息。AI再强，也依然有它的信息盲区和维度局限。
相关链接：
https://research.unl.edu/blog/winning-contest-entry-shows-ais-agricultural-potential/
