中国科学家用AI重新设计种子：首个农业科研智能体亮相三亚

新智元报道  

3014.9亿斤。国家统计局公布的夏粮数据里，总产量第一次越过3000亿斤大关，刷新历史纪录。全年丰收基本没有悬念。

数字之外，一场技术变革正在提速——一批科学家正借助AI，对种子进行重新「设计」。

11月初，海南三亚迎来第八届国际农科院院长高层研讨会（GLAST）。四十多个国家的农科院院长，以及联合国粮农组织（FAO）、国际农业研究磋商组织（CGIAR）的代表都到了现场，大家聚焦的核心议题就一个：科技创新将怎样塑造未来农业。

大会边会上，中国农业科学院作物科学研究所研究员付俊杰用10分钟演讲，介绍了一套正在改变育种底层工作流的系统——农科发现·探索者。这是国内首个农业科研智能体，技术合作方为华为云。

要看懂这套系统能解决什么，得先弄清楚传统育种科研卡在哪里。我国育种上下游的联动还不够充分：上游的基因发掘、多组学分析、基因编辑已能做到分子级精度，可下游从多基因聚合到品种应用的整条研发链路，仍有很大一部分靠反复试验和多轮筛选，周期往往超过10年。

问题集中在三处。其一是成功率低。农业生物性状由多基因网络调控，关键基因的发现长期依赖研究者经验和一轮轮验证。

其二是数据利用难。核心物种的基因组信息、百亿条生物学数据分散在不同数据库里，格式各异，工具之间也不互通。海量科研数据长期「不联动」，挖掘利用率偏低。

其三是流程碎片化。从检索文献到分析数据，再到设计育种方案，各环节之间的衔接不够顺畅。完整做一轮育种方案研发，起点往往就是3到6个月。

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

围绕这些瓶颈，华为云与中国农科院选择的技术路线并非做一个「农业版ChatGPT」，而是构建一套能自主规划、执行并验证科研任务的智能体系统。

由下往上看，农科发现·探索者的技术栈共四层：算力底座、模型中枢引擎、智能体协同与开放生态，以及让这一切跑起来的智能体平台。

第一层是算力底座。它依托华为云超智融合基础算力资源，借助ModelArts平台完成各类模型的预训练、后训练和训练后的推理部署；三方开源LLM模型由MaaS平台调度，科研模型则统一纳管到AI资产广场，共同支撑智能体系统中多种模型的业务应用。

对科研机构而言，实际价值体现在两方面。一方面，昇腾算力支撑大模型预训练、后训练和推理已经成熟，科研模型不用再为算力适配额外投入。

另一方面是云的统一调度能力。一套多智能体系统里，通用大模型、科研专用模型和上百种分析工具同时运行，只有在同一体系内统一调度，整套系统才能稳定运转。

第二层是模型中枢引擎。系统核心是一套以华为盘古基础大模型为底、经过海量农科文献知识预训练和后训练而成的农业领域基础大模型系统，可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。

系统承担的任务分两类。一类是「理解」：科学家用自然语言提问，系统读懂意图，检索文献，生成知识。另一类是「推理」：规划实验路径、推断基因功能、预测性状表达。这些任务被协同调度，任务准确性和幻觉控制都更有保障。

第三层是多智能体协同与开放生态，科学家直接使用的就是这一层。系统基于MCP（Model Context Protocol）架构搭建，总体调度由模型中枢引擎负责。

科学家抛出一个研究问题，例如「找到控制水稻产量的关键基因组合」，中枢引擎会把它拆成若干子任务，再分派给各专业智能体：「知识智能体」在知识文库中定位相关研究成果；「数据智能体」接手组学数据分析；「分析智能体」完成统计建模与关联分析；「模型智能体」执行性状预测、设计育种方案。

遇到复杂指令时，中枢引擎一句话触发的计算流程超过千步：自主拆解任务，调度知识、数据、分析等智能体协同执行，把文献证据汇聚、跨组学关联、网络构建与推断整合成智能化流程。

这一层还有个设计，决定了系统能走多远：智能体的技能（Skill）不由工程师写死，而是交给农科院的科学家自己写。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，这才是真正意义上的农业领域共创。

这些Skill、工具、MCP、提示词和模型，统一沉淀到华为云AI资产广场纳管、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，另一个研究所直接调用即可，不用从头再来。

往更大的范围看，科学计算专区只是华为云行业AI梦工厂七个专区中的一个，农科发现·探索者就落在这里。眼下这个梦工厂已经聚起200多家核心伙伴、1500多个行业资产和1000多个落地项目，智慧医疗、具身智能、科学计算、智慧金融、智能制造、AI硬件和政务这七个领域都有涉及。

第四层是智果AgentArts智能体平台。上面那些智能体、Skill和资产要稳定、安全地跑起来，离不开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，在这套系统里充当多智能体架构中大模型和工具的运行、调度中枢。它有四项关键能力。

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

二是记忆分长短期两层。科学家每做完一次研究，GWAS分析结果、候选基因注释、QTL定位信息、田间验证反馈都会被结构化地存下来，往后要做研究，按需检索就行，重复分析可以省掉。

三是统一的工具接入。MCP Gateway把100+种生物信息学分析工具、基因组数据库封装成标准化可调用能力，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。

说白了，就是给每位科学家配了一支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。但农业涉及作物、畜禽、水产、微生物、林草等多个领域，同一套智能体架构落到不同物种育种上，所需的数据、领域工具和验证方式并不相同。范式要落地，靠的是协作。

中国农业科学院一侧，由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「发现→验证→应用」的完整链路。

分工上，AI算法引擎、基因编辑这类底层技术研发由生物技术研究所承担，科研能力的源头在这里；作物科学研究所管的是主粮应用与应用基础研究，AI给出的方案能不能在真实条件下兑现，靠它把关；北京畜牧兽医研究所则往动物育种方向延伸，把产业端的应用验证做完。

三家研究所各管一段：懂技术的、会育种的、能落地的，凑在一起才拼得出完整链条。

华为云这头供的是全套技术底座，包括昇腾算力、ModelArts、MaaS（三方开源模型）、盘古大模型、智果AgentArts智能体平台和AI DataLake。

算力在底层，AI DataLake管数据治理，AI资产广场做生态开放，智果AgentArts承接科研智能体的场景落地。整条链路端到端跑下来，每一环都没出同一个平台体系。

数据治理这一环最容易被忽略。表型和多组学数据从入库、清洗，到训练、推理，全在同一平台内跑完，按项目和授权范围隔开。多个研究所、多家企业能在一套系统上协同研究，靠的就是这个底子。

这套系统在2025年6月的华为开发者大会（HDC）上面向全球首发，2026年6月「AI农业联合创新实验室」正式揭牌。

系统上线以后，「数据飞轮」这个说法被反复提起。

得把它拆开讲。

过去科研攒数据是线性的：做一次实验，出一批数据，发一篇论文，不少数据最后躺在硬盘里，利用率上不去。

农科发现·探索者的路子不一样。

每项研究的原始数据、分析结论、方法路径都回流进系统，自动清洗、质量检测、结构化入库，变成能反复调用的数字资产。模型表现则靠RLAIF（基于AI反馈的强化学习）机制不断调优。

到目前，系统里攒下了3000多次真实农业研发全流程的实验数据。

大模型不缺文献，也不缺公开数据库，缺的是湿实验数据——真实实验室和田间跑出来的一手结果。

农科发现·探索者这3000多次实验数据，出自同一套系统、按统一规范产生，清洗和标准化都走过一遍，从提出问题、设计方案、分析数据到田间反馈，链条是完整的。这类数据不好拿。

也就是说，系统不是个静态工具，每用一次，下一次的输出质量都在被优化。

飞轮转起来，AI育种还得回答一个问题：设计出来的方案，能不能真的改良目标性状，在大田里表现站得住？

公开披露的核心案例是这样的：研究团队要培育抗倒伏、产量不减的水稻新材料。走传统路径，光筛选候选基因就可能要花上数月。

换成农科发现·探索者，智能体自己完成文献检索、基因数据挖掘、锁定最优基因组合，直接给出育种方案。方案研发周期从3到6个月压到数周；24小时内跑完超千步骤的数据分析，分析时间省下90%；人力效率提升10倍以上。

方案没停在纸面上。团队带着AI设计的方案回到田间，多个实验靶点并行验证，分析结果是：新材料抗倒伏能力明显提升，产量没受影响。

付俊杰研究员在GLAST演讲里那句话说得实在：「所有的计算，最终都回到了田间。」

技术验证之外，产业端的动静更值得看。农科发现·探索者正在给涉农领军企业出力，在表型分析、育种基因挖掘、遗传评估、生产管控这些链条环节上提效率、降成本。

6月，华为与中国农科院生物技术研究所一起为「AI农业联合创新实验室」揭牌；同月，农科发现·探索者成为首批入驻华为云行业AI梦工厂科学计算专区的项目。北京丰台区则挂出了「AI育种大模型」创新中心的牌子，打算把这项能力沉淀为种业的数字底座。

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

如今它又出现在GLAST的现场——全球四十多个国家的农科院院长坐在一起。对不少全球南方国家的农业科研院所来说，这样一套AI驱动的科研系统同样是刚需，而开放的智能体生态给出了一条可行路径：算力、模型和运行平台都已备好，各国科学家只要把本国作物、本地区的育种知识写成Skill，接进同一套系统即可。

这也是中国在智能育种方向上的技术方案与产业落地经验，第一次摆到国际同行面前。

站在三亚的椰风里回头看，时空感有些奇妙。全世界都在谈AI怎么写诗、画画、剪视频，这群科学家和工程师却挑了一条更安静的路。

气候极端事件越来越频繁，用AI给育种提速度，让种子更适应环境变化，也让人吃得更有营养、更健康。

2024年诺贝尔化学奖颁给了预测蛋白质结构的AlphaFold，AI在生命科学里的爆发力被全世界看见。在中国大地上，这种能力正从实验室往田间地头走。

这或许正是AI最该去的地方之一。