（来源：小麦研究联盟）
研究背景
面向2050年，全球农业面临粮食需求持续增长、水资源紧缺加剧、农村劳动力短缺以及极端复合气候压力等多重严峻挑战。为保障全球粮食安全，农业生产体系亟需在提高产量稳定性的同时，显著提升资源利用效率与环境适应韧性。近年来，计算机视觉、农业机器人以及人工智能（AI）技术的迅猛发展，极大推动了作物表型组学、病虫害智能识别和自动化农机装备的进步。然而，当前的农业自动化系统大多局限于执行预设离散任务（如单一维度的果实采摘机械臂或基于固定阈值的温室环控），面临“感知与决策割裂、缺乏环境交互与闭环反馈、难以应对作物动态生长与非结构化农田复杂环境”的瓶颈。具身智能（Embodied Intelligence）作为人工智能与物理实体深度融合的前沿范式，强调智能行为是在智能体与物理环境的“感知—决策—执行”持续动态闭环交互中涌现的。在农业生产中引入具身智能，打破传统自动化局限，构建面向作物全生命周期管理的自适应协同系统，具有重要的理论与实践意义。
论文概要
中国农业科学院农业信息研究所/国家农业数字农业创新团队柴秀娟研究员在国际植物科学顶级期刊Plant Communications发表了题为“Embodied intelligence for crop production”的综述论文，系统阐释了具身智能在现代作物生产中的核心概念、技术体系与系统架构。文章提出了以“作物—环境—管理”动态交互为轴心的农业具身智能闭环技术框架，围绕“具身感知（Embodied Perception）”、“具身决策（Embodied Decision-making）”与“具身执行（Embodied Execution）”三大核心层级展开深入剖析；系统总结了多模态主动感知、作物生长世界模型、分层决策推理及柔顺自主执行的最新进展；指出了当前面临的软硬件瓶颈，并为未来实现跨时空尺度、高韧性、精准可持续的智慧农业新范式指明了落地路径。
主要研究结果介绍
1. 农业具身智能的闭环系统架构
具身智能超越了单纯“具有物理实体”的范畴，其核心在于智能体的认知与行为是在与物理世界的真实物理交互中塑造和更新的。在农业生产中，智能体既可以是单一的移动作业机器人，也可以是遍布农田与温室的分布式传感器与执行器网络。论文提出了面向作物全生长周期的具身智能闭环体系架构（图1）：
多模态感知层：整合空天地一体化遥感、近地机器人视觉、植物可穿戴传感器及根区/微环境传感器，实时提取作物生理状态与表型特征；
分层决策层：以“作物生长世界模型”为基座，融合农艺先验知识、数据同化算法与大语言模型（LLM），在时空序列尺度上推演不同作业情景的生理与经济后果；
自适应执行层：调度智能农机、农业机器人与分布式环控设施，将高层宏观管理目标解构为具备柔顺交互能力的物理作业；
反馈闭环：作业执行结果、环境短期波动与作物中长期生长响应形成多源反馈，持续修正感知策略、校准模型参数并更新优化后续农艺决策（图1）。
图12. 具身感知：从静态表型识别跃升至任务驱动的动态主动感知
在农田复杂开放环境中，植物形态与生理状态处于动态变化之中，且隐性生理胁迫往往远早于肉眼可见的外在形态损伤。农业具身感知跳出了传统的被动静态识别框架，建立了多模态、跨尺度、自适应的主动感知体系（图2A、B，表1）：
多模态跨尺度感知融合：融合RGB-D三维点云构建作物几何形态；利用高光谱、多光谱与叶绿素荧光成像解析光合与生化状态；通过叶片可穿戴柔性电极、纳米生物传感器实时监测植物电生理信号与挥发性有机化合物（VOCs）；结合土壤温湿度和微气象环境建立跨时空尺度的作物数字状态空间（图2B）；
任务与不确定性驱动的主动感知机制：针对遮挡与环境噪声干扰，系统采用“异常驱动采样”与“不确定性驱动采样”（图2C）。例如，先由无人机（UAV）大范围航测初筛出冠温异常或疑似发病区域；再自主规划地面轮式/四足机器人靠近目标植株，甚至通过机械臂主动拨开遮挡叶片（交互式感知）执行近距离三维测量或荧光重采样，动态降低诊断不确定性（图2C）。
图2
3. 具身决策：融合机理生长世界模型与智能体策略学习
决策层是具身智能的认知中枢。针对作物生物学反馈周期长、农业数据长尾稀疏的固有特性，具身决策将“过程机理模型”与“数据驱动学习”深度耦合（图3，表2）：
基于作物生长模型的“农业世界模型（World Models）”：纯数据驱动模型在样本外泛化能力差，而机理生长模型（如WOFOST、APSIM等）能够准确刻画“基因型×环境×管理（G×E×M）”相互作用（图3B）。通过集成集合卡尔曼滤波等数据同化（Data Assimilation）技术，将实时感知的环境与表型动态代入模型，可在线推演不同灌溉、施肥或控温策略对作物光合速率、物质积累、水分利用率及产量的潜在影响（图3B、C）；
LLM高层推理与强化学习（RL）低层控制的协同：利用大语言模型（LLM）整合农艺学知识图谱，理解高级生产目标并生成宏观任务规划；底层则采用深度强化学习（DRL）与模型预测控制（MPC），直接实现从感知历史与环境状态到精准控制指令的端到端动态映射（图3C）；
历史反馈与自我校准：通过纵向对比作物的实际表型演进轨迹与模型预测基线，系统能自发甄别出测量噪声、环境暂态扰动或作物生理状态的不可逆转变，进而自动修正模型参数并迭代全局管理策略（图3D）。
图34. 具身执行：对象导向的柔顺操作与环境介导的分布式调控
具身执行是物理干预落地的关键环节，根据干预介质分为两大协同作业分支（图4，表3）：
对象导向的直接执行（Object-directed Execution）：以智能农机、采摘/除草机器人为主体（图4A）。针对果实、茎秆等生物组织力学特性对膨压高度敏感且极易受损的特点，系统采用柔性末端执行器、仿生变刚度机械爪以及集成视-触觉融合的滑移反馈控制，实现低损耗、自适应抓取与无损分离；同时将移动底盘的越野避障导航与机械臂运动学协同求解，确保在田间斜坡、泥泞地面及复杂枝叶遮挡下的稳定作业（图4A）；
环境介导的间接执行（Environment-mediated Execution）：针对温室和植物工厂等受控设施农业（图4B）。执行层将顶层温湿度与光照目标转化为多级分层协同控制，联动开窗、遮阳网、湿帘风机与人工补光。鉴于植物光系统II活性与微气象调控之间存在生理滞后效应（Hysteresis），系统通过滑动生理观察窗口客观评估环境控制成效，兼顾作物品质响应与系统能耗的帕累托最优平衡（图4B）；
多机协同与安全监控：在复杂作业网络中，引入死锁感知规划、多机安全约束与人机协作（Human-in-the-loop）干预机制，确保执行全过程的安全边界（图4C）。
图4
全文总结与展望
本综述系统梳理了作物生产中具身智能的发展脉络与系统架构，确立了以“感知—决策—执行”闭环耦合为核心的现代数字农业演进方向：
理论突破：从传统的“打补丁式单点自动化”转向具备自主环境感知、物理因果推理与持续交互学习能力的“作物具身智能系统”，以自适应动态能力破解非结构化农业场景的不确定性；
多尺度融合：将微观的植物生理原位传感、中观的机器人近地柔顺操作与宏观的设施环境分布式调控无缝拼接，依托作物生长机理世界模型赋能全局生产最优化；
技术转化与发展路径：
分步演进策略：鉴于农业生态的高异质性，具身智能系统应遵循“受控环境（温室/植物工厂） 半结构化场景（果园/垄作设施） 开放大田”的梯度验证与逐步拓展路径；
软硬件协同设计：追求轻简化、低成本、高耐久的专用传感器与末端机械结构，打破算法复杂度过高与农田装备经济回报率不匹配的矛盾；
标准规范构建：亟待建立跨区域、跨作物、兼容不同传感器型号与农机通信协议的行业数据标准与开放基准测试集（Benchmarks）；
跨学科深度交融：深化农艺学家、植物生理学家、机器人学与AI科研人员以及一线种植生产者的紧密合作，推动具身智能真正成为保障未来全球粮食稳产、优质、节水降碳与农业可持续发展的核心驱动力。
研究团队与资助
该论文的第一作者为中国农业科学院农业信息研究所Yubin Zhang博士；通讯作者为中国农业科学院农业信息研究所柴秀娟研究员。该工作得到了国家自然科学基金青年科学基金项目（32604238）、中国农业科学院科技创新工程基础研究中心项目（CAAS-BRC-SAE-2025-01）、中国农业科学院科技创新工程项目（CAAS-ASTIP-2026-AII）、山东省博士后创新项目（SDCX-ZG-202603152）以及北京市智能农业创新联合体项目（BAIC10-2026）的共同资助支持。
DOI链接： https://doi.org/10.1016/j.xplc.2026.102180
