Google DeepMind rozszerza modele rolnicze z Indii na Afrykę i FAO ONZ

Google DeepMind rozszerza dwa modele sztucznej inteligencji stworzone pierwotnie dla indyjskiego rolnictwa na kolejne kraje Afryki i Azji, a Organizacja Narodów Zjednoczonych do spraw Wyżywienia i Rolnictwa (FAO) zaczyna wykorzystywać ich dane do aktualizacji globalnych statystyk upraw. Informację opublikowano 26 sierpnia 2026 na blogu Google w Indiach.

Dwa modele, jeden cel

Modele powstały w zespole AnthroKrishi działającym w ramach Google DeepMind. Agricultural Landscape Understanding (ALU) identyfikuje granice pól, zbiorników wodnych i roślinności na podstawie zdjęć satelitarnych i uczenia maszynowego. Agricultural Monitoring & Event Detection (AMED) dostarcza informacji na poziomie pojedynczego pola: jakie rośliny są uprawiane, kiedy zostały zasiane i kiedy zbierane, odświeżając dane co około 15 dni.

Oba systemy trenowano na trzech latach danych historycznych i zdjęciach satelitarnych, co pozwala automatycznie wykrywać typ uprawy, wielkość pola i terminy siewu bez konieczności ręcznej inspekcji terenu. Autorem wpisu na blogu Google jest Alok Talekar, szef zespołu badań nad rolnictwem i zrównoważonym rozwojem w Google DeepMind.

Kredyty rolnicze i doradztwo

W Indiach modele wykorzystuje już kilku partnerów. Sugee.io wbudowuje dane z API ALU bezpośrednio w system udzielania pożyczek rolniczych, co ma przyspieszyć proces wnioskowania i poprawić jakość oraz zgodność kredytów dla banków. Firma planuje też użyć AMED do monitorowania ryzyka kredytowego i śledzenia zdarzeń, które mogą wpłynąć na zdolność rolnika do spłaty pożyczki w trakcie trwania umowy.

Rządowy system Krishi DSS, prowadzony przez firmę Amnex, korzysta z modeli do monitorowania kondycji upraw, szacowania powierzchni zasiewów i doradztwa nawadniania dla decydentów politycznych. Council on Energy, Environment and Water (CEEW) rozwija na tej bazie analizę dywersyfikacji upraw i integruje dane z własną platformą klimatyczną.

FAO i globalne statystyki rolne

Najważniejszym elementem rozszerzenia jest współpraca z FAO w ramach inicjatywy geoAI4stats. Agencja ONZ planuje włączyć dane z ALU i AMED do platformy CROPGRIDS, by zwiększyć dokładność i częstotliwość aktualizacji statystyk rolnych udostępnianych krajom członkowskim. Nowe funkcje mają automatyzować wykrywanie typów upraw, generować mapy rolnicze i przyspieszać publikację danych statystycznych.

Projekt geoAI4stats otrzymał 2,5 miliona dolarów wsparcia od Google.org w ramach programu AI Collaborative: Food Security. Fundusze mają pomóc krajom wykorzystać modele podstawowe AI i lokalne zbiory danych do planowania odporności na zmiany klimatu, ubezpieczeń upraw, dotacji do nawozów i monitorowania zrównoważonego rozwoju rolnictwa.

Skala wdrożenia w Indiach

Skala zastosowań w samych Indiach jest już duża. Agriculture Data Exchange w stanie Telangana wspiera ponad 5 milionów rolników, a Karnataka Water Resources Information System zarządza nawadnianiem na obszarze 2,6 miliona hektarów. Terrastack objął analizą ponad 140 milionów hektarów gruntów rolnych w całym kraju, co pokazuje, że modele wyszły poza fazę pilotażu i działają na poziomie infrastruktury krajowej.

Ekspansja do Afryki i Azji Południowo-Wschodniej oznacza, że te same modele mają teraz służyć rolnikom w zupełnie innych warunkach klimatycznych i systemach upraw niż te, na których je pierwotnie trenowano. Google nie podało jeszcze szczegółów dotyczących dokładności modeli poza granicami Indii ani liczby rolników objętych programem w Afryce.

Znaczenie dla globalnego rolnictwa

Dla krajów rozwijających się, gdzie dostęp do wiarygodnych danych o uprawach bywa ograniczony, narzędzia oparte na zdjęciach satelitarnych i uczeniu maszynowym mogą zastąpić kosztowne badania terenowe. Integracja z FAO oznacza, że dane z modeli Google mogą trafić do oficjalnych statystyk wykorzystywanych przez rządy przy planowaniu polityki rolnej, ubezpieczeń i dopłat.

Jednocześnie rosnąca rola prywatnych modeli AI w systemach kredytowych dla rolników, jak w przypadku Sugee.io, rodzi pytania o to, kto odpowiada za błędne oceny ryzyka wpływające na dostęp do finansowania. Google na razie nie ujawniło szczegółów dotyczących audytu czy weryfikacji dokładności modeli w nowych regionach.