Arthur Samuel是斯坦福大学的一位奇异的计算机工程师，他参与了在跳棋界被认为最重要的一次比赛。Arthur用他设计的下棋计算机向当时康涅狄格州的冠军发起挑战。
机器赢得了胜利
人工智能“遇上”现代农业
令人惊讶的是，这并不是近代历史的产物，这场决定性的比赛是在1961年举行的。在个人电脑革命发生前的几十年里，Aurther教授创造了一个能够实现我们现在所说的“机器学习”(Machine Learning)的可用原型机。Aurther并没有为它输入几千亿种可能的对局情形，而是命令电脑根据过去玩的游戏做出反应。完成一次又一次游戏后，电脑通过“学习”成为了跳棋大师。
计算机没有明确编程指令也能开发技能跳棋这种游戏需要对数十个因素进行权衡、计算风险，并计划如何高效地走下一步棋。Arthur Samuel在他早期的机器学习实验中所应用的原理一直沿用至今，特别是在现代农业中。“人工智能”领域中增长迅速的技术之一就是机器学习。这项技术正被应用于现代农业，用于创造应用在更大规模的、更高精度的解决方案。
机器学习使用算法来分析数据，从中学习，并在没有人类干预的情况下做出决策。
数百万计的选择植物育种家一直在寻找特定的性状。他们想要寻找质量性状来帮助作物更高效地利用水、养分，适应气候变化，或是抵御病害。要让一株植物遗传一项有益性状，研究人员必须找到正确的基因序列。但究竟哪一段序列才是正确的那个呢?这是一开始就会遇到的难题。
开发新品种时，植物育种家面临着数百万计的选择深度学习算法能够提取十年的农田数据——关于作物在不同气候条件下表现如何以及对某种特定性状的遗传性如何等信息——然后用这些数据来建立一个概率模型。有了这些远远超出某一个人所能够掌握的信息，机器学习就能够预测哪些基因最有可能参与植物的某种有益性状。面对数百万计的排列组合数据，先进的软件极大地缩小了搜索范围。
更严格的测试
深度学习是机器学习的一个分支，能够从原始数据的不同集合中推导出结论
有了机器学习的帮助，植物育种正变得越来越精准、高效，并有能力对更大范围内的变量进行评估。科学家们能够用电脑模拟来开展早期测试，以评估一个新品种在面临不同的亚气候环境、土壤类型、天气模式和其他因素条件时会如何表现。数字测试并不会完全取代实地田间研究，但允许植物育种家更准确地预测作物的表现。当一个新的品种被种到土壤中前，机器学习已经帮助育种家们筛选出了经过前所未有的更全面测试的产品。
早期鉴定
在追踪病害时，早期和准确的鉴定至关重要。传统的植物病害鉴定方法是通过视觉检查完成的。这一过程的普遍问题是效率低，并且容易产生人为误差。对于一台训练有素的计算机来说，诊断植物病害本质上就是一个模式识别。在将成千上万张患病植物照片进行归类后，机器学习算法能够确定病害类别、严重程度，并在未来甚至 有可能给出推荐方案，减少病害带来的损失。
农业中的机器学习允许更精准的病害诊断，同时帮助减少因误诊而产生的能源和资源的浪费。种植者能够将卫星、无人机、田间巡游器等拍下的农田影像资料以及智能手机拍摄的照片上传，使用软件进行诊断并制定管理计划。
算法帮助适应
作物病害是全球饥饿和粮食危机的一个主要原因。现代农业的核心目标就是创造出可减缓这些全球挑战的种子和作物保护产品。机器学习能带来许多好处，其中之一就是如何让农业生产过程得到更精准地改进。在植物育种领域，机器学习正在帮助创造更高效的种子。这些进展为创造更具适应能力、更高产种子提供了更大潜力，以更好地利用我们弥足珍贵的天然资源
机器学习的获得
那些以前常常为大型研究机构所有的计算机现在已经触手可及，供小型但有能力的团队使用。与使用更便宜的服务器和微处理器带来的变化类似，使用机器学习的小型初创公司正开始重塑现代农业的产业格局。理论上，一个5000美元的超级计算机和几个雄心勃勃的计算机工程师就可以在植物育种上取得巨大突破。而仅仅在十年前，这种念头还只是不切实际的幻想。
人工智能“遇上”现代农业
就像软件一样，机器学习的改进似乎有无限的可能性。现代农业的研究人员正在更大的规模上测试他们的理论，并帮助做出更准确的实时的预测。现代农业有可能发现更多的方法来节约用水，更有效地使用资源和能源，并适应气候变化。谁会料想，当年Arthur Samuel的跳棋游戏会在这么多项进展方面为现代农业的发展铺平道路呢?
专业术语：
植物育种：植物育种在历史上被定义为对植物的杂交繁育，以获得含有父本母本中理想特性的后代。
作物保护：作物保护是工具、产品和最佳农事操作实践的集合，供种植者用于保护他们的作物免受杂草、害虫和病害的侵害。
