从经验选择到智能设计：人工智能与自动化技术重塑作物育种体系

作物育种是农业科技创新中最具基础性和战略性的环节之一。纵观农业发展史，品种改良始终是粮食增产、品质提升和农业生产方式变革的重要驱动力。从野生植物驯化到杂交育种，从分子标记辅助选择到基因编辑和智能设计育种，作物育种技术的演进不仅提高了遗传改良效率，也不断改变着人类认识、利用和重塑生物遗传资源的能力。

当前，作物育种面对的外部环境正在发生深刻变化。气候变化导致高温、干旱、洪涝和病虫害风险增加，耕地和水资源约束持续趋紧，农业绿色低碳转型也对品种的资源利用效率和生态适应能力提出了更高要求。与此同时，消费需求从单纯追求产量转向品质、营养、加工适性和安全性并重。育种目标由单一高产转向高产、优质、抗逆、广适和绿色生产等多性状协同改良，这使传统依赖经验判断和多年田间筛选的育种模式面临明显压力。

人工智能进入作物育种领域，为处理复杂性状、多源数据和高维互作关系提供了新的工具。它并不是替代育种家的经验，而是帮助育种家更有效地组织和利用基因型、表型、环境、管理和文献数据。更重要的是，随着自动化装备进入育种流程，智能育种的含义已经不再局限于模型预测，而是开始延伸到自动授粉、表型采集、样本处理和实验记录等实体操作环节。由此看，作物智能育种不只是单一技术更新，而是生命科学、数据智能和工程装备共同推动的育种体系重构。

总体来看，作物育种正在由经验选择和分子辅助，逐步向多源数据驱动、模型辅助决策与自动化执行协同发展的方向转变（图1）。这一转变不仅体现在选择依据从表型观察扩展至遗传信息以及基因型、表型、环境和管理等多维数据，也体现在育种流程中数据采集、方案设计、材料创制、自动化操作和品种评价等环节的逐步贯通。评价结果进一步反馈至数据库和预测模型，从而为后续育种方案优化提供依据。

作物育种起源于人类长期的驯化和选择实践。早期人类主要根据肉眼可见的表型，持续保留籽粒较大、成熟相对整齐、落粒性较低或更适宜栽培的植株。尽管当时尚未形成现代遗传学理论，人们仍通过长期观察和世代选择积累了丰富的经验性知识，并逐步改变了作物的形态特征和生产性能，为后续品种改良提供了重要的遗传材料。随着孟德尔遗传规律的发现和现代遗传学的发展，育种家开始从遗传分离与性状传递的角度认识育种过程，并依据育种目标、亲本特征和遗传规律配置杂交组合，通过后代分离和连续选择聚合优良性状。杂交育种和杂种优势利用显著提升了主要作物的产量与适应性，也推动作物育种由经验选择逐步走向以遗传学理论为基础的现代育种。现代基因组研究也为传统育种的长期选择效果提供了分子层面的证据。Wang等对中美不同育种年代的350份玉米骨干自交系进行分析，鉴定出160个与适应性农艺性状相关的位点，以及1800余个在现代育种过程中受到选择的基因组区域。这些结果说明，传统育种虽然主要依据田间表现进行选择，但长期连续选择会在作物基因组中留下可识别的选择痕迹。其实际意义在于，现代基因组分析可以回溯育种历史中已经被利用的有利变异，并进一步发现尚未充分利用的等位基因，为传统经验与现代分子设计之间建立联系。

1.2 分子育种

分子生物学的发展进一步改变了育种的底层逻辑。分子标记辅助选择使目标基因能够在早期世代被识别，全基因组选择则通过全基因组标记估计材料育种值，从而提高亲本选择和后代筛选效率。转基因和基因编辑技术增强了目标性状改良的定向性，尤其是CRISPR/Cas系统的成熟，使特定基因的敲除、替换和调控更加可行。这一阶段的核心变化，是育种选择依据从外在表型进一步深入到遗传信息层面。育种家不再完全等待性状在田间充分表现，而可以依据分子标记、基因型信息和目标基因功能提前进行判断。水稻中的RiceNavi为分子信息如何进入实际育种决策提供了较为具体的例子。该研究整合8个全基因组关联分析群体，构建重要农艺性状数量性状核苷酸及其效应图谱，并利用基因组导航系统进行优良等位变异聚合和育种路线优化，最终用于广泛种植的籼稻品种改良。这一案例表明，分子育种的价值不只在于提前检测某个目标基因，更在于利用已知基因效应、连锁关系和亲本基因型规划导入路径，减少无效杂交和不必要的回交世代。

1.3 智能设计育种

智能设计育种是在分子育种基础上的进一步扩展。它并不是对已有育种方法的简单替代，而是将基因组、表型组、环境组、管理措施和育种过程数据纳入统一框架，通过模型预测、材料创制、试验验证和反馈优化提高育种效率。在这一体系中，人工智能主要用于多源数据解析、性状预测和育种方案优化；杂交、分子标记辅助选择和基因编辑等技术共同服务于优异等位变异聚合与新种质创制；高通量表型平台则贯穿材料筛选、性状量化、模型训练和多环境评价过程；自动化装备可承担表型采集、授粉、取样和标记等标准化操作。不同技术并非彼此割裂，而是通过育种数据的持续反馈相互衔接。由此可见，作物育种技术演进的主线并非工具的简单更替，而是选择依据和决策方式的持续变化，即从主要依据表型表现，逐渐转向综合利用遗传信息、多源数据和系统模型。人工智能与自动化技术的加入，使作物育种开始由“筛选已有优良变异”向“预测、创制和验证优良遗传组合”拓展。智能设计育种的实践形态正在由单一预测模型向平台化工具发展。例如，AutoGP将SNP提取、基于智能手机视频的株高和叶片数等表型提取，以及5种机器学习和4种深度学习基因组选择模型整合到同一平台，并利用玉米CUBIC群体进行验证。这类平台的实际意义并不是简单增加可选算法，而是降低基因型、表型和预测模型之间的数据转换成本，使育种家能够在相对统一的流程中完成数据整理、模型比较和材料筛选。不过，平台输出仍需要通过真实杂交群体和多环境试验验证，不能直接替代育种家的最终选择。

2

人工智能重塑育种决策体系

2.1 基因组选择与育种值预测

人工智能首先改变了育种值预测和亲本选择方式。全基因组选择的核心价值在于，在表型尚未充分表现之前，利用基因组信息提前判断材料的育种潜力。传统统计模型在全基因组选择中已经发挥重要作用，但面对多组学数据、高维标记和复杂非线性互作时仍存在局限。LightGBM、DNNGP以及嵌入生物先验知识的深度神经网络等方法，为复杂性状预测提供了新的思路。这些模型可以把SNP标记、多组学信息、环境变量和历史试验数据共同纳入分析，用于筛选优良单株、预测杂交组合表现和优化多性状选择策略。玉米杂交育种中的LightGBM研究展示了机器学习模型进入育种决策的具体方式。研究使用1428份玉米母本、30份测验种以及8652个具有实测表型的F1杂交组合，对抽雄期、株高和穗重等性状进行预测。在高一般配合力材料识别任务中，LightGBM二分类模型的AUC达到0.793，高于rrBLUP的0.678。其实际意义在于，模型可以在大规模测交之前帮助育种家缩小候选亲本和组合范围，将有限的田间试验资源优先用于更有潜力的材料。然而，这类结果仍受训练群体、遗传背景和目标环境限制，跨群体应用前必须进行重新训练和外部验证。

2.2 基因编辑靶点设计与功能预测

基因编辑解决的是目标基因能否被定向改造的问题，而人工智能进一步参与“改哪里”和“如何改”的判断。编辑靶点选择、sgRNA设计、脱靶风险评估、编辑效率预测和编辑后性状判断，都会影响材料创制效果。近年来，人工智能方法被用于CRISPR系统优化、新型编辑工具设计和候选基因功能预测。通过对序列特征、蛋白结构、调控网络和脱靶风险的综合分析，AI模型可以提高编辑方案设计的针对性，使基因编辑从“能够定点改造”进一步走向“更有依据地设计改造”。人工智能对基因编辑的作用已经由sgRNA评分进一步扩展到编辑蛋白设计。Ruffolo等基于超过100万个CRISPR操纵子训练序列模型，生成的CRISPR–Cas蛋白簇数量达到天然序列聚类结果的4.8倍，并获得能够实施精确编辑的OpenCRISPR-1。2026年的预印本进一步报道了植物优化的AI设计核酸酶在植物敲除、碱基编辑和先导编辑中的应用。这些工作说明，AI可能拓展了可供作物编辑使用的酶工具空间，而不只是从现有工具中选择靶点。但后者目前仍属于预印本证据，其编辑效率、脱靶风险和作物间稳定性仍需同行评议及更多材料验证，综述中宜将其表述为前沿进展，而非成熟育种技术。

2.3 高通量表型识别与性状量化

表型数据长期是育种数据体系中的薄弱环节。与基因型数据相比，表型受环境影响更大，采集成本更高，标准化也更困难。田间表型机器人、无人机、多光谱相机、高光谱传感器和智能温室，正在改变表型数据获取方式。深度学习模型可从图像中识别株高、叶面积、穗型、病斑、成熟度、种子形态和开花时间等特征，使表型评价从人工、低频和主观记录逐渐走向连续、客观和高通量。高质量表型数据又能反过来提高基因组选择和基因功能解析的可靠性。在小麦研究中，Wang等利用田间移动表型平台采集时间序列图像，对318个重组自交系和340份冬小麦种质材料的芒型与抽穗进程进行深度学习识别。机器视觉获得的开花时间表型还可进一步用于遗传位点分析，说明图像识别的价值并不只是减少人工调查，而是能够形成与基因型数据匹配的群体尺度表型。其实际意义在于，育种家可以在更多时间点、更多材料和更细性状层级上开展连续评价，从而缓解“基因型数据丰富而高质量表型数据不足”的矛盾。

2.4 环境适应性预测与G×E×M互作

品种表现不是基因型单独决定的结果，而是基因型、环境和管理措施共同作用的结果。气温、降水、土壤、水肥管理和栽培制度都会影响最终性状表达。因此，智能育种需要从单点性状预测走向跨环境适应性预测。基因型—环境—管理互作模型越来越受到重视。如果能够把遥感、气象、土壤和田间管理数据与基因组预测模型结合起来，育种家就可以更早判断材料在不同生态区的潜在表现，减少完全依赖多年多点试验后的被动筛选。已有研究开始尝试把环境信息、作物生长模型和深度学习连接起来。例如，小麦产量预测研究首先将无人机反演的叶面积指数同化到WOFOST作物模型，再将模型输出、遥感指标和生理性状输入时序融合Transformer，最后通过大语言模型与检索增强生成构建交互式预测工具。这一流程的实际意义在于，它把最终产量预测分解为可解释的生长过程和环境响应，使育种家能够在收获前识别具有较高产量潜力的材料。不过，这类模型仍需要在不同年份、生态区和育种群体中进行独立验证，不能据单一试验点的预测结果替代多年多点区域试验。

2.5 农业知识图谱与大模型辅助育种

近年来，农业知识图谱和大语言模型也开始进入育种研究。以水稻知识图谱和作物领域大模型为例，相关系统可以整合文献、数据库、基因功能、品种资源和实验记录，辅助候选基因检索、调控通路梳理和试验方案形成。这类工具有助于提高育种知识组织和跨学科信息整合效率，但其生成结果仍需实验验证和专家判断。现阶段，它们更适合作为文献整理、候选基因检索和方案生成工具，而不能替代生物学验证。SeedLLM-Rice提供了领域大模型应用于作物研究的代表性案例。该模型包含70亿参数，训练语料包括约140万篇水稻相关文献，覆盖研究团队统计的全球水稻研究文献约98.24%；与其连接的水稻生物知识图谱还整合了日本晴基因组注释以及来自1800余项研究的转录组和蛋白组信息。在人类专家评价的水稻专业任务中，该模型相对于通用模型取得了57%~88%的胜率。其现实价值在于缩短文献检索、基因功能线索整理和跨组学信息关联所需时间，但“回答更符合专家预期”并不等同于候选基因已经得到实验验证。因此，大模型适合用于提出线索和辅助形成假设，而不能作为功能基因认定或育种决策的唯一依据。

从代表性技术覆盖的育种环节看，现有研究主要集中于知识解析、表型数据采集和预测决策，而能够同时贯通材料创制、自动执行和结果反馈的研究仍然较少（图2）。这说明当前作物智能育种已具备多个关键技术模块，但完整闭环仍处于探索阶段。





矩阵根据代表性论文的研究任务和验证内容进行编码。深绿色表示相应环节构成该研究的核心任务，浅绿色表示该研究涉及或为该环节提供支持，灰色表示未作为主要研究内容。该图用于比较不同技术在育种流程中的功能位置，而非评价研究质量或技术成熟度

图2　代表性智能育种技术的育种环节覆盖矩阵

3

AI机器人育种：从智能决策到自动化执行

3.1 AI机器人育种的概念与组成

本文所称AI机器人育种，是指将机器视觉、智能决策算法、机器人执行机构与育种数据库相结合，用于完成授粉、表型采集、取样、标记、实验室转运等育种操作的技术体系。其核心不只是完成自动化动作，而是使育种操作能够被识别、记录、反馈和优化。一般而言，AI机器人育种包括感知、决策、执行和反馈4个环节：感知环节识别花朵、叶片、穗部或果实等目标；决策环节判断目标是否适合操作；执行环节由机械臂、末端执行器或移动平台完成动作；反馈环节记录操作结果并进入育种数据系统。

3.2 育种机器人区别于普通农业机器人的特点

育种机器人与普通农业生产机器人不同。普通农业机器人更多面向生产作业，强调效率、成本和稳定性；育种机器人则同时服务于科学实验，强调操作准确性、样本可追溯性和数据完整性。一次授粉、一次取样或一次表型采集，都需要与亲本信息、材料编号、环境条件和后代表现关联起来。如果这些信息不能进入育种数据库，机器人即使完成了动作，也难以真正提升育种效率。因此，AI机器人育种必须同时考虑机械执行、视觉识别、操作记录和育种管理系统之间的衔接。

3.3 自动授粉、表型机器人与实验室自动化基础

田间表型机器人已经出现较大规模应用的实例。2025年报道的TerraSentia自主地面机器人在5年内覆盖美国和加拿大142个试验田，采集了198249个玉米试验小区的多传感器数据，并自动提取株高、穗位高、茎粗和叶面积指数等性状。部分小区中，机器人测得的株高和穗位高与人工实测值的决定系数超过0.93。该案例说明，机器人表型采集已经能够从少量原型验证扩展到跨地点、跨年份的育种试验，为分析基因型、环境和氮肥管理互作提供连续数据。

另一类系统开始主动接触和操作作物器官。PhenoBee将无人机、机器视觉、多关节机械臂和接触式高光谱传感器结合，用于田间大豆单叶尺度表型采集，其叶片检测准确率为95.88%，叶片姿态估计准确率为97.54%，叶片抓取平均成功率为90.55%。与传统无人机俯视成像相比，这类机器人能够获得信噪比更高的近距离光谱信息；与人工接触测量相比，又具有扩大采样规模的潜力。上述实例表明，现阶段育种机器人较成熟的应用仍集中在表型数据采集，而授粉、取样和材料处理等操作型任务尚处于由原型系统向稳定应用过渡的阶段。

现有实证结果表明，人工智能和机器人技术带来的改进既体现在模型识别能力上，也体现在田间数据采集规模和劳动投入上（图3）。不过，这些指标仅反映特定任务中的技术性能，不能直接等同于新品种遗传增益或育种周期缩短。


A：LightGBM与rrBLUP识别玉米高一般配合力材料的AUC（Area under curve，曲线下面积）比较，验证数据包括8652个F₁杂交组合；B：TerraSentia在5年田间部署中采集和输出的数据规模；C：TerraSentia与人工测量完成相应表型数据采集所需时间的比较，横坐标采用对数尺度。各面板的研究任务、样本单位和评价指标不同，数值仅在同一面板内部进行比较

图3　代表性智能育种研究的量化验证结果

4

作物—机器人协同设计

机器人进入作物育种，首先面临的是生物对象与工程装备之间的适配问题。花朵、叶片和穗部等器官具有形态差异大、易受遮挡且容易损伤等特点，如果仅依靠提高机器视觉和机械执行系统的复杂程度来适应天然作物形态，往往会增加设备成本和控制难度。Xie等提出的GEAIR系统围绕作物杂交授粉展开，为解决这一问题提供了作物材料与机器人协同优化的研究实例。

该研究通过基因编辑调控作物花部形态，获得雄性不育且柱头外露的材料。雄性不育可以省去或简化人工去雄过程，柱头外露则提高了授粉目标的可见性和可接近性。在此基础上，系统利用机器视觉识别处于适宜授粉阶段的花朵并确定柱头位置，再由移动平台和机械臂完成定位与授粉操作。这一技术路线并非单纯要求机器人适应作物，而是同时优化作物器官特征、视觉识别算法和机械执行方式，以降低自动杂交授粉的技术难度。

该案例的主要启示并不局限于自动授粉本身，而在于将作物生物学性状纳入自动化系统的设计范围。传统农业机器人通常以既有作物形态为操作对象，而作物—机器人协同设计则允许在不损害育种目标和生产性状的前提下，对影响机器识别与操作的器官特征进行适度优化。这种思路使材料创制、机器感知和实体操作不再是相互分离的技术环节，而能够围绕特定育种任务进行联合设计。不过，该系统目前主要体现为特定作物和可控环境中的概念验证，其对不同遗传背景、花器结构和田间环境的适用性仍需进一步评价。

除杂交授粉外，机器人技术还被用于育种表型数据的自动采集。PhenoBee是面向田间大豆单叶尺度表型测量的无人机载机器人系统，由无人机平台、机器视觉模块、多关节机械臂和接触式高光谱传感器组成。该系统能够识别目标叶片、估计叶片空间姿态并控制机械臂接近叶面，叶片检测准确率、姿态估计准确率和平均抓取成功率分别达到95.88%、97.54%和90.55%。与无人机俯视遥感相比，PhenoBee能够获取近距离、单叶尺度的光谱信息，为作物胁迫识别、生理状态监测和育种材料评价提供更精细的表型数据。

GEAIR与PhenoBee体现了机器人参与育种研究的两种不同路径。前者属于操作执行型系统，尝试将材料创制、目标识别和自动授粉连接起来；后者属于数据采集型系统，主要提高田间表型信息获取的精度和自动化程度。二者均涉及对作物器官的主动识别、接近和操作，但其在育种流程中的作用并不相同：表型机器人扩展的是数据获取能力，自动授粉系统介入的则是杂交组合构建等实体操作。因此，不能仅根据设备是否使用人工智能或机械臂，就将其笼统定义为自动化育种系统。

总体而言，机器人技术正在推动部分育种环节由被动观测向主动感知和精细操作发展，但现有系统大多仍处于单项任务验证阶段。未来的关键不只是继续提高识别准确率或机械执行效率，而是将表型数据、材料编号、亲本谱系、操作日志、环境条件和后代表现接入统一的育种信息平台。只有形成“感知—决策—执行—评价—反馈”的数据闭环，机器人才能从独立的自动化设备进一步转变为智能育种体系的组成部分。

5

AI机器人育种的应用价值与发展边界

AI机器人在育种中的首要价值是提高重复性、劳动密集型操作的效率和一致性。杂交授粉、材料取样、性状测量与样本标记通常具有操作量大、时间窗口短和精度要求高等特点，容易受到人员经验、作业强度和环境条件的影响。机器人按照预设程序执行任务，有助于减少操作差异，并扩大单位时间内可处理的材料数量。例如，田间表型机器人已能够在大规模试验小区中连续采集株高、穗位高和叶面积指数等性状，自动授粉系统则尝试将花朵识别、定位和授粉整合到同一操作流程中。不过，作业效率的提高并不必然转化为遗传增益，其育种价值仍取决于所采集数据和执行结果能否用于材料选择与组合评价。

可控环境可能是机器人较早融入育种流程的应用场景。速度育种通过调节光周期、温度和栽培条件缩短世代间隔，但世代加速后，授粉、取样、表型调查和样本处理等环节也需要同步提高效率。在温室、植物工厂和组织培养实验室中，作物布局和环境条件相对稳定，有利于机器视觉识别、机械臂定位和移动平台运行。机器人可承担生长监测、图像采集、授粉、取样和样本转运等任务，并与自动化实验室及植物组织培养优化模型衔接。这种应用方式的意义在于减少各环节之间的等待时间，而不只是缩短某一次操作所需的时间。

机器人系统还可以提高育种过程数据的完整性和可追溯性。传统人工操作通常记录材料编号和处理结果，但花位、发育阶段、操作时间、局部环境及失败原因等过程信息不一定能够完整保存。机器人在执行任务的同时，可以自动记录目标图像、空间位置、操作参数和结果状态，并将其与亲本谱系、环境处理、结实率及后代表现关联。由此，授粉、取样和表型测量不再只是孤立操作，也可以成为育种数据链条的一部分。这些过程数据可用于分析授粉成功率、优化操作窗口和改进设备参数，但其利用仍依赖统一的数据编码、质量控制和数据库接口。

AI机器人育种的适用范围也存在明显边界。不同作物在花器结构、授粉方式、株型和种植密度等方面差异较大，同一作物不同材料之间也可能存在显著形态变异，因此单一系统难以直接迁移至所有育种群体。田间光照变化、风雨、植株遮挡、地面起伏和通信条件还会影响视觉识别与机械控制。对于价值较高的育种材料，识别错误、器官损伤或标签错配造成的损失，可能抵消自动化带来的效率优势。

因此，现阶段更适合把AI机器人定位为育种家的专用辅助工具，而不是能够独立完成全部育种流程的系统。其近期应用可能主要集中在任务标准化程度较高的温室、科研育种站、制种基地和自动化实验室，并优先服务于高通量表型采集、重复取样和特定作物授粉。未来能否进一步向复杂田间环境拓展，不仅取决于算法精度和机械性能，还取决于作物适配能力、系统维护成本、数据兼容性以及长期育种试验对实际效益的验证。

6

当前挑战

尽管人工智能与自动化技术为作物育种提供了新的工具，但现有研究仍以单项技术验证和特定场景应用为主。要使相关成果真正进入育种流程，仍需解决数据、模型、装备、评价体系和制度治理等方面的问题。

首先，育种数据的标准化程度和可利用质量仍然不足。智能育种涉及基因型、表型、环境、管理措施、亲本谱系和操作日志等多类数据，这些数据来源分散，采集尺度、命名规则和存储格式也不一致。尤其是田间表型数据容易受到年份、地点、设备和调查人员的影响，如果缺少统一的材料编码、数据接口、元数据描述和质量控制规范，不同研究之间的数据就难以整合，历史数据也难以用于模型训练和结果复现。因此，智能育种的数据基础不仅取决于数据规模，更取决于数据的准确性、代表性和可追溯性。

其次，模型的泛化能力与可信度仍需提高。许多人工智能模型是在特定作物、育种群体或生态环境中训练和验证的，其性能可能部分来自训练集与测试集之间较近的亲缘关系或相似的环境条件。当模型应用于新的遗传背景、年份或生态区时，预测精度可能明显下降。不同研究采用的数据划分方式和评价指标也不完全一致，使模型性能难以直接比较。未来应加强跨年份、跨环境和跨群体的外部验证，并将预测不确定性、生物学合理性和育种成本纳入评价体系。可解释人工智能和生物先验知识嵌入模型有助于提高结果的可理解性，但模型解释仍不能替代功能验证和田间试验。

再次，智能装备在复杂农业环境中的可靠性仍是制约应用的重要因素。育种材料数量多、排列密集且价值较高，机器人不仅要准确识别目标，还要避免损伤花器、叶片和幼苗。田间光照变化、风雨、器官遮挡、地面起伏和植株形态差异都会影响机器视觉和机械控制。实验条件下较高的识别准确率或操作成功率，也不一定能够直接转化为长期连续运行的稳定性。除感知算法和柔性执行器外，设备续航、故障恢复、清洁维护、标签核对和人工接管机制同样需要纳入系统设计。

不同作物与机器人系统之间的适配问题也不容忽视。作物之间的花器结构、授粉方式、株型和栽培制度差异显著，同一作物不同品种之间也可能存在较大形态变异，因此单一装备难以直接覆盖多种育种任务。作物—机器人协同设计虽然提供了新的技术思路，但对作物器官性状的改造不能只考虑机器识别和操作便利，还需要评价其对结实率、产量、品质、抗逆性和生态适应性的潜在影响。生物学目标与工程效率之间的平衡，是该方向进一步发展的前提。

此外，智能育种尚缺少统一的综合评价框架。模型预测精度、机器人识别准确率和机械操作成功率只能反映局部技术性能，不能直接说明育种周期是否缩短、单位成本是否下降或遗传增益是否提高。未来需要在真实育种群体和连续世代中开展对照试验，综合评价材料处理规模、错误率、设备成本、育种周期和最终选择响应。只有证明技术改进能够稳定转化为育种效益，智能系统才具有推广价值。

最后，制度治理和人才组织需要与技术发展同步推进。作物—机器人协同设计可能涉及基因编辑材料，其研究与应用必须符合生物安全、品种审定和知识产权管理要求。育种数据和算法模型也具有较高的科研与商业价值，需要在数据共享、隐私安全和权益保护之间建立清晰规则。与此同时，智能育种横跨遗传育种、分子生物学、人工智能、机械工程和农业生产管理等领域，仅依靠单一学科团队难以完成系统开发。未来不仅需要培养复合型人才，也需要建立育种家、算法研究人员和装备工程师长期协作的研发机制。

7

未来发展方向

未来作物智能育种需要从单点技术突破走向系统集成。一个较为完整的智能育种体系，应包括种质资源数据库、基因型和表型数据库、环境监测系统、AI预测模型、基因编辑设计工具、机器人执行系统和结果反馈模块。只有这些环节真正连接起来，才能形成从目标性状提出到材料创制、组合配制、后代筛选和品种评价的连续流程。

作物—机器人协同设计值得重点推进。不同作物适合怎样的“机器友好型”性状，需要在生物学合理性和工程可行性之间寻找平衡。花器是否容易暴露、株型是否便于机器人通行、成熟期是否更整齐、目标器官是否容易被视觉系统识别，都可能成为未来智能育种设计中的考虑因素。这并不是为了让作物服务于机器，而是为了让育种流程中的生物材料和技术装备更好地配合。

农业大模型和智能育种平台也应进一步发展。大模型可用于整合文献、数据库和实验记录，辅助育种知识组织和试验设计；智能平台则可将基因组选择、表型分析、亲本选配和机器人操作记录连接起来。未来更有价值的不是孤立模型，而是能够嵌入育种流程、持续吸收数据并被专家校正的平台系统。

应用路径上，可控环境可能是AI机器人育种较早落地的场景。温室、植物工厂、制种基地和科研育种站更容易部署传感器、机器人和数据管理系统，也更便于形成标准化流程。随着算法、传感器和机械执行系统更加稳定，再逐步向田间复杂环境拓展，会是更稳妥的发展路线。

制度和组织方式也需要同步调整。智能育种涉及科研机构、高校、种业企业、装备企业和管理部门，任何一方单独推进都比较困难。未来应加强数据标准制定、公共平台建设、示范场景验证和复合型人才培养，同时在基因编辑材料监管、数据安全和知识产权保护方面形成更清晰的规则。只有技术体系和制度环境共同完善，AI机器人育种才能从实验室走向稳定应用。

8

结论

总体来看，作物智能育种并非某一项新技术对传统育种的简单替代，而是育种数据、预测模型、材料创制、试验评价和自动化装备逐步融合的结果。人工智能拓展了复杂性状预测和多源数据整合能力，杂交、分子标记辅助选择与基因编辑等技术为优良遗传变异聚合和新种质创制提供了多种路径，高通量表型与机器人装备则提高了部分育种数据采集和实体操作的标准化程度。由此，作物育种正由相对分散的技术应用，逐步转向数据驱动、模型辅助和反馈优化相结合的系统化流程。

基因编辑花部形态与机器人自动授粉相结合的研究表明，智能育种的进一步发展不仅依赖算法精度和装备性能，也需要考虑作物生物学特征、育种目标与工程系统之间的适配关系。作物—机器人协同设计为杂交授粉等劳动密集型环节提供了新的技术思路，但现有研究主要集中于特定作物、特定任务和相对可控的环境，尚不能据此判断其已经具备大规模应用条件。表型机器人、自动授粉系统和实验室自动化平台产生的数据，也只有与材料编号、亲本谱系、环境条件和后代表现有效关联，才能真正服务于育种决策。

未来，作物智能育种的发展重点应由单项技术性能提升进一步转向育种全流程的协同与验证。一方面，需要完善数据标准、模型外部验证和跨环境评价体系，提高预测结果的可解释性与可重复性；另一方面，应加强智能装备在复杂农业环境中的可靠性，并同步推进生物安全监管、数据治理、知识产权保护和复合型人才培养。可以预见，人工智能与自动化技术将成为育种家的重要工具，但育种目标的确定、材料价值的判断和新品种的最终评价仍离不开遗传育种知识与长期田间实践。只有实现数据、模型、材料、装备和育种经验的有效结合，智能育种才能由局部技术验证逐步转化为支撑粮食安全和种业创新的实际能力。（参考文献略）

☞本文来自《从经验选择到智能设计：人工智能与自动化技术重塑作物育种体系》

☞作者：夏雨,吴迪,杜小金,夏志强

☞单位：海南大学南繁学院/热带作物生物育种全国重点实验室；海南大学热带农林学院；三亚崖州湾数字科信有限公司

☞刊于《中国种业》2026年第9期52-62页 转载请注明