土壤支撑着约95%的粮食生产，同时也是重要的碳库，但全球已有三分之一的土壤退化，在气候变化的背景下保护剩余土壤变得愈发困难。
机器学习可以绘制土壤地图并发现规律，但很少能解释土壤行为或其在陌生条件下的反应机制。
多智能体人工智能（AI）或许能帮助科学家更快提出更好的问题，前提是这项工作始终由科学家主导。
我们对土壤的索取几乎达到了现代历史上的最高点。
人类所食用的食物中约有95%依赖土壤，因此即便天气变得越来越难以预测，土壤也必须持续保持产出能力。
土壤还必须储存碳。它们储存的碳量超过大气层和所有陆地植被的总和。而这一切都要在压力不断加剧的情况下完成——全球三分之一的土壤已经退化，仅侵蚀一项因素，到2050年就可能使农作物产量下降十分之一。
但土壤并不像机器那样运作。一种能在某块田地里增加碳储量的方案，可能在矿物质、水分和历史条件不同的邻近田地中表现不佳。今天看似稳定的地面，也可能在多年的高温和水分胁迫后发生变化。
对科学家和土地管理者而言，真正困难的部分是在测量完成之后。他们必须理解土壤为何表现出这样的行为，并预判它接下来会发生什么变化。人工智能（AI）常被宣传为解决这种复杂性的捷径，但它更有用的角色也许是帮助科学家理清这种复杂性，而非替代这一过程。
AI如何助力土壤研究
AI已经被应用于土壤研究。机器学习工具可以绘制土壤属性图、读取传感器数据流，并预测整个景观范围内的土壤状况，发现人类难以察觉的规律。但模式识别只是科学研究的第一步。
一个模型可能显示某个信号与某种土壤属性存在关联，却无法解释这种关联为何存在。它可能预测土壤碳含量将发生变化，却无法揭示背后的过程机制。而当模型最需要发挥作用时——比如洪水、干旱和热浪将土壤条件推向训练数据之外的范围时——它恰恰可能失灵。
这正是值得填补的空白。
如今土壤研究需要更好的方法来连接证据、权衡相互竞争的解释，并决定下一步该调查什么。
AI能否像一支土壤研究团队那样运作？
多智能体AI系统正是朝这个方向迈出的一步。传统AI模型通常为单一任务而构建，而多智能体系统则为多个AI智能体分配不同角色，让它们分阶段协作处理问题。一个智能体负责梳理文献，另一个负责分析数据，第三个对提出的解释进行压力测试，第四个则权衡各种假设，判断哪些最合理、最有用或最具可验证性。
这样的设置是强大的助手，但本身并非科学家。AI智能体速度快，能够纵览海量信息，但仍需依赖人类研究者来构建问题框架并判断答案的价值。
对于一个由地方历史、气候、生物学和管理方式共同塑造的领域而言，人类的这一角色至关重要——仅凭数据无法真正理解土壤。但AI智能体可以将分散的证据纳入研究讨论之中。
它们不再只是提供另一张静态地图，而是可以帮助构建随新观测数据不断更新的土壤“数字孪生体”。它们也不再只是发出关于某种令人担忧趋势的简单警报，而是可以帮助研究人员探究问题成因，将零散的论文和数据集转化为可检验的问题。
以土壤碳为例进行测试
在近期发表于《科学前沿》（Frontiers in Science）期刊的一篇文章中，笔者与同事让一个多智能体AI系统研究该领域最具争议的话题之一：土壤究竟能储存多少碳，以及这些碳储存的稳定性如何。
这场争论的核心是土壤碳饱和问题：土壤对与矿物结合的碳储量是否存在上限。这一概念在气候政策中分量十足，即便土壤碳储量的适度增加也被视为重要的减排手段，但其在现实世界中的极限究竟如何，各方仍存在争议。
这套多智能体AI系统的价值在于其研究过程，而非某个单一答案。它review了近期文献，生成了相互对比的假设，模拟了同行评审的部分环节，并根据新颖性、合理性、可行性和应用广度对结果进行了排序。
该系统通过区分土壤的理论储存容量与其在实际条件下所能达到的水平，将一场混乱的争论梳理出了更清晰的研究脉络，同时引导人们关注生物和化学层面的控制因素，并提出接近饱和状态的土壤可能对气候胁迫做出与储存空间充裕的土壤不同的反应。
上述每一个观点仍需经过专家审查，以确定其是否有证据支撑、是否真正有用，以及是否能在田间或实验室中得到验证。若使用得当，多智能体AI并不会将科学家排除在研究之外，反而能为他们提供一个更有条理的研究起点。
将AI应用于土壤研究面临的挑战
在使用AI时，确实存在一种风险：把一个表述流畅的答案误认为深刻的答案。一个基于不均衡数据训练的系统，无法理解那些从未被测量过的土壤。一个在熟悉条件下表现可靠的模型，在面对超出其经验范围的干旱或洪涝条件时，可能会失灵。
土壤是一个棘手的研究对象。相关数据分散且具有强烈的地域性，各地区、各土壤类型和各农业系统的文献研究水平参差不齐。即便是当今最先进的模型，在高级土壤科学考试题目中也只能答对约65%，这提醒我们，在使用AI时，人类判断仍需承担多大的责任。
如果缺乏透明度地使用AI工具，可能会让现有的认知盲区更难被发现。此外，获取AI的机会也并不均等，因为支撑先进AI的算力和专业知识在各国之间的分配并不均衡。
因此，对这些AI系统设定较高标准非常重要。它们应当能够展示信息来源，传达其不确定性，并接受质疑与挑战。
科学家主导的AI，而非AI主导的科学
土壤是地球上最重要的资源之一，却也是最常被忽视的资源之一。土壤的状况将在未来数十年内影响粮食安全、气候韧性和土地管理。
多智能体AI可以帮助科学家更快地建立联系、深化假设，并简化研究早期繁琐的准备阶段，从而让专家的时间用在真正重要的地方：实地观察、解读分析与专业判断。
AI系统的价值最终取决于其背后数据的质量、推理过程的透明度，以及主导者的专业水平。若能秉持这样的严谨态度加以运用，AI智能体有望成为科学发现中真正的合作伙伴，帮助土壤科学家超越单纯发现脚下土壤的规律，进而理解支撑人类生存的这一活的系统。
我们在食物和气候问题上做出的每一个决定，其背后的土地都值得我们如此认真对待。
Q&A
Q1：土壤为什么对人类如此重要？
A：土壤支撑着约95%的粮食生产，同时也是重要的碳储存库，储存的碳量超过大气层和所有陆地植被的总和，但目前全球已有三分之一的土壤发生退化。
Q2：多智能体AI系统在土壤研究中具体能做什么？
A：多智能体AI系统可以让多个AI智能体分工协作，分别负责梳理文献、分析数据、压力测试假设和评估结论合理性，帮助科学家更快理清复杂问题、提出可检验的研究假设，但最终判断仍需科学家主导。
Q3：使用AI进行土壤研究存在哪些局限？
A：土壤数据分散且具有地域性，文献质量参差不齐，即便是先进模型在高级土壤科学考试中正确率也仅约65%。此外，若缺乏透明度，AI工具可能让现有认知盲区更难被发现，各国获取先进AI的能力也并不均等。