用AI给种子「编程」这事，中国科学家正在加速！

3014.9亿斤。

国家统计局公布了夏粮数据，总产量3014.9亿斤，头一回站上3000亿斤，创历史新高。全年丰收已无悬念。

但在这个数字背后，有一场正在加速的技术变革——

一群科学家正在用AI，重新「设计」种子。

11月初，海南三亚，第八届国际农科院院长高层研讨会（GLAST）拉开帷幕。

全球四十多个国家的农科院院长、联合国粮农组织（FAO）和国际农业研究磋商组织（CGIAR）的代表齐聚一堂，核心议题只有一个：科技创新如何塑造未来农业。

在大会边会上，中国农业科学院作物科学研究所的付俊杰研究员做了一个10分钟的演讲，展示了一个正在改变育种底层工作流的系统——

农科发现·探索者，国内首个农业科研智能体。技术合作方是华为云。

育种科研的三个结构性瓶颈

要理解这套系统解决的问题，先看清传统育种科研需要突破的点在哪里。

我国育种在上下游联动不充分。上游的基因发掘、多组学分析、基因编辑已经达到分子级精度，但下游从多基因聚合到品种应用的整条研发链路，仍然很大程度依赖反复试验与多轮筛选，周期长达10年以上。

矛盾集中在三个地方：

成功率低。农业生物性状受多基因网络调控，关键基因发现长期依赖研究者的经验与多轮验证。

数据利用难。核心物种的基因组信息、百亿条生物学数据散落在不同数据库中，格式不统一，工具不互通。海量科研数据长期处于「不联动」状态，挖掘利用率低。

流程碎片化。从文献检索到数据分析，再到育种方案设计，每个环节彼此联通不够。一轮完整的育种方案研发，可能需要3到6个月起步。

2025年，国务院发布《关于深入实施「人工智能+」行动的意见》，明确提出「加快农业数智化转型升级」。

模型驱动的多智能体架构

针对上述瓶颈，华为云与中国农科院给出的技术路径不是做一个「农业版ChatGPT」，而是搭建一套能自主规划、执行和验证科研任务的智能体系统。

从底层往上看，农科发现·探索者的技术栈分为四层：算力底座、模型中枢引擎、智能体协同与开放生态，以及承载这一切运行的智能体平台。

第一层：算力底座。基于华为云超智融合基础算力资源，通过ModelArts平台实现各类模型的预训练、后训练以及训练后的推理部署；通过MaaS平台调度三方开源LLM模型，科研模型则统一纳管在AI资产广场，共同支撑智能体系统中多种模型的业务应用。

对科研机构来说，实际的价值有两点：

一是昇腾算力对大模型预训练、后训练和推理的支撑已经成熟，科研模型不必再为算力适配单独投入；

二是云的统一调度能力——一套多智能体系统里同时运行着通用大模型、科研专用模型和上百种分析工具。在同一个体系内统一调度，整套系统才能稳定运转。

第二层：模型中枢引擎。系统核心是基于华为盘古基础大模型，经过海量农科文献知识预训练和后训练的农业领域基础大模型系统，模型执行自然语言理解与交互、多步推理与科研任务规划等不同任务。

一类是「理解」——科学家用自然语言提出问题，系统理解意图、检索文献、生成知识；另一类是「推理」——系统规划实验路径、做基因功能推断、预测性状表达。不同任务协同调度，在任务准确性和幻觉控制上都更可控。

第三层：多智能体协同与开放生态。这是科学家直接使用的层面。

系统采用MCP（Model Context Protocol）架构，由模型中枢引擎负责总体调度。

科学家提出研究问题，比如「找到控制水稻产量的关键基因组合」，中枢引擎将问题拆解为子任务，分派给不同专业智能体：「知识智能体」从知识文库中定位相关研究成果；「数据智能体」接管组学数据分析；「分析智能体」完成统计建模和关联分析；「模型智能体」执行性状预测和育种方案设计。

当中枢引擎接收复杂指令时，一句话触发的是超过千步的计算流程：自主拆解任务，调度知识、数据、分析等智能体协同执行，完成从文献证据汇聚、跨组学关联到网络构建与推断的智能化整合。

这一层还有一个决定系统能走多远的设计：智能体的技能（Skill）不是由工程师写死的，而是由农科院的科学家自己写。

这是真正意义上的农业领域共创：华为云提供框架和运行环境，领域知识由最懂这个领域的人来写。

这些Skill、工具、MCP、提示词和模型，统一沉淀到华为云AI资产广场进行纳管和分发，并与智果AgentArts等开发和运行平台打通。

一个研究所写出的水稻性状分析Skill，另一个研究所可以直接调用，不必从头再来。

再往外看一层：农科发现·探索者所在的科学计算专区，是华为云行业AI梦工厂七大专区之一。

截至目前，行业AI梦工厂已汇聚200多家核心伙伴、1500多个行业资产和1000多个落地项目，覆盖智慧医疗、具身智能、科学计算、智慧金融、智能制造、AI硬件和政务七个领域。

第四层：智果AgentArts智能体平台。上面这些智能体、Skill和资产要稳定、安全地运转，需要一个运行与治理底座。

智果（AgentArts）是华为云的企业级智能体运行平台，在这套系统中承担多智能体架构中大模型和工具的运行、调度中枢。

它提供四项关键能力：

一是安全隔离的运行环境。通过Runtime、Sandbox和身份认证机制，科研院所和企业可在同一套系统上多组织协同研究，这是前提条件。

二是长短期分层记忆。科学家每完成一次研究，GWAS分析结果、候选基因注释、QTL定位信息、田间验证反馈都会结构化沉淀，后续研究可按需检索，避免重复分析。

三是统一的工具接入。通过MCP Gateway将100+种生物信息学分析工具、基因组数据库封装为标准化可调用能力，支撑跨学科智能体协同。

四是全链路可观测。每个智能体的调用链、任务执行耗时、异常信息全程可追踪，科研分析过程可复核、可解释。

简言之，就是给每个科学家配了一支7×24小时不间断工作的AI科学研发团队。

以上是这套系统的通用科研范式。

农业涉及多个领域，包括作物、畜禽、水产、微生物、林草等——同一套智能体架构落到不同物种育种上，需要的数据、领域工具和具体验证方式不同。

范式要落地，靠的是协作。

中国农业科学院一侧，生物技术研究所牵头，联合作物科学研究所和北京畜牧兽医研究所构成了「发现→验证→应用」的完整链路：

生物技术研究所负责AI算法引擎和基因编辑等底层技术研发，是科研能力的源头；作物科学研究所提供主粮应用与应用基础研究，确保AI输出的方案能在真实条件下兑现；北京畜牧兽医研究所负责向动物育种方向拓展，完成产业端的应用验证。

三所的分工逻辑是：懂技术、会育种、能落地，形成不可拆分的闭环。

华为云一侧，提供全栈技术底座：昇腾算力 + ModelArts + MaaS（三方开源模型）+ 盘古大模型 + 智果AgentArts智能体平台 + AI DataLake。

从底层算力，到AI DataLake的数据治理，到AI资产广场的生态开放，再到智果AgentArts承载的科研智能体场景落地，这是一条端到端的链路，每一环都在同一个平台体系内。

数据治理是其中容易被忽略的一环。从表型和多组学数据从入库、清洗到训练、推理，全程在同一平台内完成，按项目和授权范围隔离。多个研究所、多家企业能在同一套系统上协同研究，靠的正是这个基础。

双方在2025年6月的华为开发者大会（HDC）上全球首发了这套系统，2026年6月正式揭牌「AI农业联合创新实验室」。

数据飞轮：3000次的实验积累

系统上线后，一个被反复提及的机制是「数据飞轮」。

这个概念需要拆开来看。

传统科研的数据积累是线性的：做一次实验，产出一批数据，发一篇论文，很多数据沉淀在硬盘里利用效率不高。

农科发现·探索者的做法不同——

每一次研究的原始数据、分析结论、方法路径都会回流到系统中，经过自动清洗、质量检测和结构化入库，变成可复用的数字资产。系统通过RLAIF（基于AI反馈的强化学习）机制持续优化模型表现。

截至目前，系统已积累3000多次真实农业研发全流程实验数据。

大模型最不缺的是文献和公开数据库，最缺的是湿实验数据：真实实验室和田间产出的一手结果。

农科发现·探索者积累的这3000多次实验数据，是在同一套系统里、按统一规范产生，并经过清洗和标准化的全流程数据，从问题提出、方案设计、数据分析到田间反馈，链条完整。这是比较难获取的数据。

这意味着系统不是一个静态工具，每一次使用都在优化下一次的输出质量。

飞轮转起来之后，AI育种的说服力最终取决于一个问题：设计出的方案，能不能真正改良目标性状，并在大田有很好的表现？

目前公开披露的核心案例：研究团队的目标是培育抗倒伏、产量不减的水稻新材料。传统路径下，仅筛选候选基因就可能就需要数月。

使用农科发现·探索者后，智能体自主完成文献检索、基因数据挖掘、最优基因组合锁定，直接生成育种方案。育种方案研发周期从3到6个月压缩到数周；24小时内完成超千步骤的数据分析，节省90%分析时间；人力效率提升10倍以上。

方案没有停留在理论层面。团队拿着AI设计的方案回到田间进行多个实验靶点的并行验证，分析结果：新材料抗倒伏能力显著提升，产量不受影响。

付俊杰研究员在GLAST的演讲里有一句话说得特别好：「所有的计算，最终都回到了田间。」

从实验室到产业

技术验证之外，产业端的进展尤为值得关注，农科发现·探索者正在赋能涉农领军企业，在表型分析、育种基因挖掘、遗传评估、生产管控等产业链条环节提高效率和降低成本。

今年6月，中国农科院生物技术研究所与华为揭牌「AI农业联合创新实验室」，农科发现·探索者同月首批入驻华为云行业AI梦工厂科学计算专区。北京丰台区挂牌了「AI育种大模型」创新中心，目标是把这套能力做成种业的数字底座。

7月世界人工智能大会（WAIC）上，农科发现·探索者获评「高价值应用场景典型案例」。

而现在，它到了GLAST——全球四十多个国家的农科院院长同桌而坐的场合。

对许多全球南方国家的农业科研院所而言，也同样需要这样一套AI赋能的科研系统，基于开放的智能体生态提供了一种实现路径：算力、模型和运行平台已经就绪，各国科学家只需把自己作物、自己地区的育种知识写成Skill，接入同一套系统。

中国在智能育种方向上积累的技术方案与产业落地经验，头一回在国际同行面前亮相。

写在最后

站在三亚的椰风里回看这一切，有一种奇妙的时空感。

全世界都在讨论AI如何写诗、画画、剪视频，但有一群科学家和工程师，选了一条更安静的路——

在极端气候频发的当下，用AI加速育种研究，让种子更好地适应环境变化，让大家吃得更营养、更健康。

2024年诺贝尔化学奖给了预测蛋白质结构的AlphaFold，让全世界看到AI在生命科学领域的爆发力。

而在中国大地上，AI正在把这种能力从实验室推向田间地头。

这，或许才是AI最该去的地方之一。

文章来自于"新智元"，作者 "所罗门"。