Ứng dụng trí tuệ nhân tạo (AI) trong nghiên cứu và sản xuất nông nghiệp (Tổng quan về các ứng dụng và việc sử dụng AI có trách nhiệm)

Robot AI tự hành chạy bằng năng lượng mặt trời do công ty Aigen chế tạo được dùng để phân biệt cây trồng với cỏ dại trên đồng ruộng. Nguồn: JOSH EDELSON/AFP qua Getty Images.

Trí tuệ nhân tạo đang nhanh chóng định hình lại ngành nông nghiệp, từ quản lý cây trồng chính xác và lập bản đồ đất cho đến chọn tạo giống cây trồng và các thiết bị đồng ruộng tự hành. Bài viết phân tích những lĩnh vực mà AI đang thực sự mang lại giá trị, những hạn chế còn tồn tại, đồng thời làm rõ vì sao việc sử dụng AI một cách minh bạch và có trách nhiệm là điều thiết yếu đối với cả nhà nghiên cứu lẫn nhà sản xuất.

Trí tuệ nhân tạo đang trở thành một phần ngày càng quan trọng trong nghiên cứu và sản xuất nông nghiệp. Kế thừa những tiến bộ về cơ giới hóa, di truyền học và các ngành omics (hệ gen học, phiên mã học, protein học…), AI đang thay đổi cách thức dữ liệu nông nghiệp được thu thập, phân tích và chuyển đổi thành các quyết định. Vai trò ngày càng lớn của AI không chỉ dừng lại ở các ứng dụng phần mềm mới mà còn mở rộng sang máy móc tự động, giám sát đồng ruộng và diễn giải các tập dữ liệu lớn, phức tạp (Hình 1).

Ngày nay, AI cũng đang trở thành một phần trong công việc hằng ngày của học viên sau đại học, nhà nghiên cứu và chuyên gia nông nghiệp ở cả giới học thuật lẫn doanh nghiệp. Các công cụ phân tích dữ liệu, lập trình và mô hình hóa có thể tự động hóa một phần các tác vụ đòi hỏi chuyên môn kỹ thuật cao, qua đó càng làm tăng tầm quan trọng của tư duy phản biện của con người trong việc đánh giá kết quả đầu ra và diễn giải kết quả. Động lực chính của quá trình chuyển đổi này là AI tạo sinh ngày càng dễ tiếp cận và xu hướng tích hợp trực tiếp AI cùng học máy vào thiết bị đồng ruộng. Nhu cầu ra quyết định nhanh hơn và chính xác hơn là một yếu tố khác thúc đẩy việc ứng dụng AI trong nông nghiệp. Theo báo cáo của Bloomberg ngày 8 tháng 9 năm 2026, nông dân đang ứng dụng AI nhanh hơn bất kỳ công nghệ nào khác do nhu cầu tìm kiếm sự hỗ trợ của công nghệ cao trong lập kế hoạch sản xuất và vận hành trang trại.

Mức độ ứng dụng AI tạo sinh trong hoạt động của các trang trại trên toàn cầu. Nguồn: McKinsey & Company (Farm Policy News, Đại học Illinois, Urbana-Champaign).

 Các nhà nghiên cứu đang ngày càng sử dụng các mô hình tiền huấn luyện để phân tích dữ liệu phức tạp và hỗ trợ ra quyết định, thay vì phải tiến hành các thí nghiệm đồng ruộng lấy mẫu phá hủy kéo dài nhiều vụ. Các mô hình thị giác máy tính và học sâu đang dần thay thế việc đo đếm cây thủ công và phiếu chấm điểm bằng mắt thường (Ibnat et al., 2026). Các công cụ AI này có thể xử lý hàng trăm hình ảnh (chụp từ thiết bị bay không người lái - drone - và điện thoại thông minh) gần như tức thời để đánh giá kiến trúc tán cây, phân đoạn các bộ phận của cây và định lượng chính xác các phản ứng stress theo thời gian thực. Nhờ độ chính xác cao cùng khả năng tích hợp dữ liệu, nhận dạng mẫu và phân tích dự đoán, AI giúp nâng cao đáng kể hiệu quả của các công cụ như CRISPR-Cas trong chỉnh sửa hệ gen (Saini et al., 2025). Các nhà nghiên cứu cũng đang sử dụng các trung tâm dữ liệu thông minh truy cập mở dựa trên AI như nền tảng GAP IQ tại Đại học Virginia Tech và các mô hình ngôn ngữ lớn (LLM) chuyên biệt như CropWizard (của Đại học Illinois, Urbana-Champaign) để chẩn đoán bệnh cây trồng. Các công cụ này có khả năng đối chiếu tức thời các tài liệu khuyến nông và mô phỏng các động thái môi trường phức tạp.

Sự hội tụ giữa trí tuệ nhân tạo và công nghệ nông nghiệp, từ năm 1950 đến nay (Thomasson, 2026).

Các ứng dụng AI ở quy mô vĩ mô bao gồm việc xử lý dữ liệu thời tiết dạng lưới toàn cầu và chuỗi số liệu khí hậu lịch sử nhằm dự báo năng suất cấp vùng, đồng thời dự báo hướng di chuyển, lây lan của sinh vật gây hại và tác nhân gây bệnh xâm hại. Ở cấp độ đồng ruộng, các mô hình học máy, thị giác máy tính, camera tích hợp AI và công nghệ hợp nhất dữ liệu đa cảm biến được cài đặt trên máy móc tự hành cho phép thực hiện các tác vụ theo thời gian thực. Chẳng hạn, kỹ thuật phun vi lượng với liều lượng biến đổi giúp giảm mạnh lượng thuốc trừ cỏ sử dụng. Ở quy mô vi mô, AI đang đẩy nhanh công tác chọn tạo giống cây trồng thông qua việc cải thiện các thuật toán dự đoán sử dụng hàng terabyte dữ liệu hệ gen và kiểu hình, qua đó giúp đưa ra các quyết định chọn lọc vật liệu có ý nghĩa một cách nhanh chóng. Các công cụ này cũng nâng cao khả năng dự đoán các tính trạng trong các môi trường chưa được khảo nghiệm. Trong lĩnh vực chỉnh sửa gen thực vật, các công cụ học máy đang được phát triển để dự đoán hiệu quả của RNA dẫn đường, giúp hạn chế sai sót (Mu et al., 2024).

Với những tiến bộ không ngừng của các công nghệ AI và xu hướng tích hợp hiện nay, trong tương lai, nghiên cứu và sản xuất nông nghiệp có thể chuyển hẳn sang các hệ thống tự hành hoàn toàn với sự can thiệp tối thiểu của con người. Phòng thí nghiệm và đồng ruộng có thể sẽ vận hành dựa trên hạ tầng AI vật lý được lắp đặt cố định và hoạt động liên tục. Các công cụ AI tiên tiến như bộ biến đổi thị giác (ViT) và các mô hình nền tảng (những hệ thống nhận thức thế giới tương tự như con người) có thể thích ứng tức thời với các tiểu khí hậu và những môi trường chưa từng gặp. Biến đổi khí hậu toàn cầu và tình trạng thiếu hụt lao động có thể thúc đẩy thị trường AI nông nghiệp toàn cầu mở rộng đáng kể, đưa tự động hóa trở thành thực hành tiêu chuẩn thay vì là một điều xa xỉ.

Bài viết này cung cấp cái nhìn tổng quan về các ứng dụng AI trong nông học, khoa học cây trồng và khoa học đất, đồng thời đánh giá ưu, nhược điểm của chúng trong nghiên cứu và sản xuất. Ngoài ra, bài viết còn phân tích các ranh giới pháp lý quan trọng về việc sử dụng AI có đạo đức và quyền sở hữu, mang đến cho người đọc những góc nhìn sâu sắc về các công nghệ đã và đang gắn liền với các hoạt động nông nghiệp hằng ngày.

Ứng dụng AI trong giám sát và quản lý đồng ruộng

Ở quy mô đồng ruộng, AI đang trở nên hữu ích trong việc chuyển đổi khối lượng lớn thông tin thực địa thành các quyết định quản lý. Hệ thống theo dõi năng suất, kiểm tra đất, trạm khí tượng, vệ tinh, drone, cảm biến tầm gần và máy móc nông nghiệp có thể mô tả đồng ruộng ở các quy mô không gian và thời gian mà con người rất khó đánh giá thủ công. Trí tuệ nhân tạo có thể giúp nhận diện các quy luật, dự báo kết quả và đề xuất các phương án quản lý. Tuy nhiên, đối với các nhà nông học, giá trị của AI suy cho cùng phụ thuộc vào việc những đầu ra đó có thực sự giúp cải thiện quyết định trong điều kiện đồng ruộng thực tế hay không.

Quản lý với liều lượng biến đổi là một ví dụ điển hình. de Lara và cộng sự (2023) đã sử dụng thí nghiệm chính xác trên đồng ruộng và học máy để ước tính lượng bón đạm (N) tối ưu kinh tế theo từng vị trí trong 20 thí nghiệm trên lúa mì và lúa mạch. Các mô hình của họ kết hợp các biến số về đất, địa hình, cây trồng và dữ liệu viễn thám. Dự báo năng suất có sai số trung bình là 13,7%, nhưng các hướng tiếp cận học máy có độ chính xác dự báo năng suất tương đương lại đưa ra các ước tính khác biệt đáng kể về lượng phân đạm tối ưu kinh tế. Hàm lượng lân dễ tiêu trong đất và chất hữu cơ nằm trong số các biến có ảnh hưởng lớn, mặc dù tác động của chúng khác nhau giữa các cánh đồng. Các tác giả cũng cảnh báo rằng các mô hình được huấn luyện trên nhiều cánh đồng có thể không đưa ra được khuyến nghị theo vị trí cụ thể một cách đáng tin cậy khi áp dụng cho các cánh đồng mới. Điều này cho thấy sự khác biệt quan trọng giữa việc dự báo năng suất và việc đưa ra một khuyến nghị quản lý canh tác đáng tin cậy.

Việc phát hiện cỏ dại là một ví dụ trực tiếp hơn về việc AI chuyển từ khả năng cảm biến sang các hoạt động thực địa. Đại học Bang Iowa đã tiến hành một thử nghiệm trên đậu tương, sử dụng hệ thống Aerial WeedScout của hãng Sentera để lập bản đồ cỏ dại bằng drone và đưa ra phương án trừ cỏ khả thi (Houser, 2024). Biện pháp xử lý mục tiêu này sử dụng 70 gallon (≈ 265 lít) dung dịch phun trên diện tích 8,7 mẫu Anh (≈ 3,5 ha), so với 130,5 gallon (≈ 494 lít) nếu phun đại trà toàn diện với mức 15 gallon/mẫu Anh (≈ 140 lít/ha). Kết quả giúp giảm gần 50% lượng hỗn hợp phun và tiết kiệm chi phí thuốc ước tính khoảng 13,42 USD/mẫu Anh (≈ 33 USD/ha). Trong số 118 cá thể cỏ dại được xác định ban đầu, có 111 cá thể đã bị tiêu diệt sau 17 ngày xử lý. Khi thu hoạch, năng suất đậu tương ở khu vực xử lý mục tiêu chỉ chênh lệch trong khoảng 1,5 giạ/mẫu Anh (≈ 0,1 tấn/ha) so với khu đối chứng phun đại trà và không có sự khác biệt có ý nghĩa thống kê giữa các phương pháp xử lý. Mức độ tiết kiệm tiềm năng phụ thuộc vào áp lực cỏ dại, minh họa cho thấy giá trị của việc ứng dụng AI có thể thay đổi tùy theo điều kiện đồng ruộng.

Ảnh vệ tinh chụp các cánh đồng nông nghiệp ở Kansas, minh họa cho tính biến động theo không gian được ghi nhận bằng công nghệ viễn thám. Ảnh: NASA/ASTER, tháng 6 năm 2001, nguồn: Wikimedia Commons.

Dự báo năng suất cũng là một ứng dụng khác. Desloires và cộng sự (2024) đã phát triển một phương pháp dự báo năng suất ngô ở quy mô đồng ruộng bằng cách sử dụng dữ liệu quan sát từ vệ tinh Sentinel-2 và Landsat kết hợp với thông tin khí hậu nông nghiệp. Mô hình này đã được đánh giá trên 1.319 ruộng ngô ở Vành đai Ngô của Hoa Kỳ giai đoạn 2017 - 2022. Việc tích hợp dữ liệu nhiệt độ bề mặt đất từ Landsat đã cải thiện độ chính xác của dự báo trong vụ mùa nhờ cung cấp thông tin về các tác động sớm của hạn hán vốn không thể nhìn thấy ngay trên ảnh quang học. Những đánh giá sớm tiềm năng năng suất hoặc các rủi ro này có thể hỗ trợ hiệu quả cho công tác thăm đồng, đánh giá hạn hán và lập kế hoạch thu hoạch.

Trí tuệ nhân tạo cũng có thể được kết hợp với các mô hình cây trồng thay vì thay thế chúng. Shahhosseini và cộng sự (2021) nhận thấy việc đưa các biến số được tạo ra từ mô hình cây trồng APSIM tạo ra vào các mô hình học máy đã làm giảm sai số bình phương trung bình (RMSE) của dự báo năng suất từ 7 đến 20% tại Vành đai Ngô của Hoa Kỳ. Các biến số liên quan đến độ ẩm đất, bao gồm áp lực hạn hán mô phỏng và độ sâu mực nước ngầm, nằm trong số những dữ liệu đầu vào có ảnh hưởng lớn. Phương pháp này cho thấy cách các hướng tiếp cận dựa trên dữ liệu có thể kết hợp với những mô hình cây trồng dựa trên tiến trình sinh học nhằm tích hợp kiến thức nông học vào các hệ thống AI.

Các hướng tiếp cận tương tự cũng đang được nghiên cứu thử nghiệm trong lĩnh vực tưới tiêu, trong đó các dữ liệu về độ ẩm đất, thời tiết, sự phát triển của cây trồng và lượng bốc thoát hơi nước có thể được kết hợp để hỗ trợ lập lịch trình tưới. Trí tuệ nhân tạo cũng có thể được sử dụng để đánh giá các chu kỳ luân canh cây trồng và trình tự quản lý trong bối cảnh các điều kiện môi trường và kinh tế liên tục thay đổi. Trong cả hai trường hợp, chất lượng và tính đại diện của dữ liệu nền tảng vẫn đóng vai trò quan trọng, bởi các điều kiện thực địa có thể thay đổi đáng kể theo từng địa điểm và từng mùa vụ.

Tiến trình chuyển đổi từ thông tin kỹ thuật số sang hành động vật lý cũng đang bắt đầu xuất hiện trong ngành nông học tự hành. Mwitta và cộng sự (2024) đã phát triển một robot tự hành trên đồng bông, kết hợp công nghệ học sâu để phát hiện cỏ dại, định vị GPS, điều khiển bằng thị giác máy tính (visual servoing) và diệt cỏ bằng tia laser diode. Nhờ tính năng theo dõi cỏ dại, hệ thống đã đạt tỷ lệ tiêu diệt cỏ 72,35% chỉ trong một lượt vận hành. Mặc dù các hệ thống như vậy vẫn là một công nghệ mới nổi, chúng minh họa cho tiến trình tiềm năng từ việc phát hiện một vấn đề trên đồng ruộng đến việc tự động phản hồi và xử lý vấn đề đó.

Do đó, đối với các nhà nông học, mô hình khung hữu ích nhất có thể là: quan sát, diễn giải, chẩn đoán, hành động và xác minh. Kiến thức nông học vẫn giữ vai trò quan trọng trong việc diễn giải các kết quả đầu ra đó, xem xét các hệ quả kinh tế và môi trường, đồng thời xác định xem khuyến cáo do AI đưa ra có hợp lý về mặt sinh học và thực tiễn hay không. Tương lai của AI ở quy mô đồng ruộng sẽ không chỉ phụ thuộc vào các mô hình tốt hơn, mà còn phụ thuộc vào nguồn dữ liệu đáng tin cậy, việc kiểm chứng ngoài thực địa và sự tích hợp hiệu quả với quá trình ra quyết định canh tác hiện có.

Ứng dụng AI trong khoa học đất

Nhiều ứng dụng AI trong khoa học đất sử dụng các thuật toán học máy để tìm ra mối liên hệ giữa dữ liệu quan sát đất thực tế và thông tin sẵn có trên một phạm vi diện tích rộng lớn hơn (Wadoux, 2025). Ý tưởng cốt lõi là kết nối những nguồn dữ liệu có thể thu thập trên diện rộng - chẳng hạn như ảnh vệ tinh hoặc số liệu từ cảm biến - với các đặc tính của đất vốn đòi hỏi phải lấy mẫu và phân tích trong phòng thí nghiệm. Sau khi được huấn luyện và kiểm chứng, mô hình có thể ước tính các đặc tính đó tại những vị trí chưa được lấy mẫu thực tế.

Các vệ tinh ghi lại độ phản xạ ánh sáng từ bề mặt đất trên các bước sóng ánh sáng nhìn thấy và tia hồng ngoại. Khi lớp đất mặt bị lộ ra, độ phản xạ của nó có thể cung cấp thông tin về thành phần cấu tạo, từ đó chúng ta có thể suy ra hàm lượng chất hữu cơ liên quan đến màu sắc của đất, hoặc hàm lượng sét liên quan đến một bước sóng hồng ngoại sóng ngắn cụ thể. Các nhà nghiên cứu sẽ đối chiếu dữ liệu phổ này với kết quả phân tích trong phòng thí nghiệm từ các mẫu đất có định vị tọa độ địa lý. Sau đó, một mô hình có thể sử dụng mối liên hệ này để dự đoán hàm lượng chất hữu cơ hoặc thành phần cơ giới của đất tại các vị trí khác.

Đối với độ pH của đất thì lại khác; chỉ tiêu này không có đặc tính phổ riêng biệt để vệ tinh có thể đo lường trực tiếp. Thay vào đó, các mô hình sẽ ước tính độ pH dựa trên mối quan hệ của nó với các dữ liệu quan sát đất và các thông tin khác, chẳng hạn như đá mẹ, khí hậu, địa hình và hiện trạng sử dụng đất. Ví dụ, một mô hình rừng ngẫu nhiên (random forest) có thể sử dụng đồng thời kết quả phân tích đất trong phòng thí nghiệm cùng với dữ liệu phản xạ, độ cao, độ dốc và khí hậu tại mỗi vị trí lấy mẫu. Mô hình này sẽ học các quy luật giữa các biến số đó và áp dụng chúng cho những nơi có sẵn các dữ liệu dự báo tương tự. Đây chính là nền tảng của phương pháp lập bản đồ đất kỹ thuật số, bao gồm cả các sản phẩm như SoilGrids (Poggio et al., 2021).

Việc hiểu rõ các hạn chế kỹ thuật trên cũng quan trọng không kém gì bản thân các bản đồ. Phép đo quang học về độ phản xạ của đất chỉ mô tả được lớp bề mặt bị lộ ra; trong khi thảm thực vật, tàn dư cây trồng và độ ẩm có thể làm thay đổi hoặc làm mờ tín hiệu này. Việc dự đoán cho các tầng đất sâu hơn hoàn toàn phụ thuộc vào các mối liên hệ được rút ra từ các mẫu đất và dữ liệu môi trường khác, chứ không phải do vệ tinh trực tiếp nhìn thấu vào phẫu diện đất. Ngoài ra, các dự báo cũng kém tin cậy hơn khi áp dụng cho các loại đất hoặc các điều kiện ít được đại diện trong dữ liệu huấn luyện (Meyer & Pebesma, 2021).

Dữ liệu độ ẩm đất theo không gian có thể được dùng để huấn luyện và kiểm định các mô hình AI, nhằm dự đoán điều kiện tại những vị trí ngoài phạm vi quan trắc trực tiếp. Ảnh do Mie Andreasen cung cấp.

Thách thức hơn cả là các tiến trình biến đổi trong khoảng thời gian ngắn hơn, chẳng hạn như độ ẩm đất, sự rửa trôi chất dinh dưỡng và sự tích tụ carbon. Độ ẩm đất tăng lên sau khi mưa và giảm xuống do quá trình bốc hơi, tiêu thoát nước cũng như sự hấp thu nước của cây. Các vệ tinh quan sát được độ ẩm ở vùng gần bề mặt, trong khi các cảm biến mặt đất cung cấp các phép đo lặp lại liên tục tại những vị trí và độ sâu cụ thể. Một mạng bộ nhớ dài-ngắn hạn (LSTM) có thể học các quy luật từ chuỗi dữ liệu quan sát liên tiếp này. Dữ liệu khí quyển, đặc tính đất đai và độ ẩm mô phỏng từ mô hình có thể được kết hợp với nhau nhằm mở rộng hồ sơ dữ liệu vệ tinh về độ ẩm đất bề mặt (Fang et al., 2017). Mặt khác, hiện tượng rửa trôi nitrate lại khó quan sát trực tiếp hơn. Tiến trình này phụ thuộc vào hàm lượng nitrate hiện có và lượng nước dịch chuyển xuống phía dưới qua các tầng đất. Một hướng tiếp cận là vận hành mô hình cây trồng dựa trên tiến trình sinh học, chẳng hạn như APSIM. Qua nhiều sự kết hợp giữa các điều kiện thời tiết, đất đai và chế độ quản lý canh tác, mô hình này sẽ huấn luyện một mô hình học máy khác có tốc độ xử lý nhanh hơn để mô phỏng lại các kết quả đầu ra của nó (Shahhosseini et al., 2019). Phương pháp này giúp việc thử nghiệm các kịch bản trở nên thực tế và khả thi hơn, nhưng mô hình thu được vẫn sẽ thừa hưởng những hạn chế vốn có từ các mô phỏng gốc ban đầu.

Sự tích tụ carbon lại đặt ra một thách thức khác; những thay đổi trong trữ lượng carbon của đất diễn ra rất chậm và có thể là quá nhỏ so với mức độ biến động trên toàn bộ cánh đồng. Phương pháp AI, cụ thể là học máy định hướng tri thức (knowledge-guided machine learning), đã kết hợp dữ liệu thực tế với các mô phỏng về những tiến trình sinh học như sự sinh trưởng của cây, nguồn carbon đầu vào và sự phân hủy (Liu et al., 2024). Những dự báo như vậy có thể giúp nghiên cứu tiềm năng tích tụ carbon, nhưng để xác định xem trữ lượng carbon trong đất có thực sự tăng lên hay không thì vẫn đòi hỏi phải tiến hành các phép đo lặp lại đối với trữ lượng này.

Đánh giá sức khỏe đất không dựa trên một chỉ tiêu đơn lẻ mà bao gồm một tập hợp các chỉ thị hóa học, vật lý và sinh học. Mỗi chỉ thị thường đòi hỏi một phép phân tích riêng trong phòng thí nghiệm, khiến việc đánh giá toàn diện sức khỏe đất tốn thời gian và chi phí. Cảm biến tầm gần (proximal sensors) đang thay đổi điều này. Ngày nay, việc sử dụng một lần quét phổ hồng ngoại duy nhất, chỉ mất vài giây nhưng thu được thông tin về chất hữu cơ, sét và các khoáng chất cùng lúc, đang ngày càng phổ biến. Trí tuệ nhân tạo chuyển phổ quét đó thành các con số: được huấn luyện trên các mẫu có cả phổ và kết quả phân tích, mô hình học cách dự đoán một số chỉ thị từ một phép đo duy nhất (Sanderman et al., 2020). Cần lưu ý rằng không phải chỉ thị nào cũng được dự đoán tốt như nhau. Các chỉ thị gắn với chất hữu cơ và thành phần cơ giới có độ tin cậy cao nhất, trong khi các chỉ thị sinh học như hô hấp đất chủ yếu được dự báo gián tiếp thông qua tương quan với chất hữu cơ, chứ không phải được đo trực tiếp. Không một cảm biến nào đo được mọi thứ, vì vậy kết hợp nhiều nguồn thông tin thường giúp cải thiện độ chính xác dự đoán. Một số cảm biến có thể được lắp trên máy móc ngoài đồng để lập bản đồ đất gần như theo thời gian thực, tuy nhiên độ ẩm đất ngoài thực địa và việc các mô hình hiệu chuẩn khó chuyển đổi giữa các vùng vẫn là những hạn chế của phương pháp này.

Để minh họa cho tốc độ thâm nhập nhanh chóng của AI vào lĩnh vực nghiên cứu đất, chúng tôi đã thực hiện một phân tích trắc lượng thư mục (bibliometric analysis) ngắn trên cơ sở dữ liệu Web of Science Core Collection đối với các bài báo về khoa học đất có đề cập đến các phương pháp AI. Số lượng bài báo đã tăng từ 220 bài vào năm 2016 lên hơn 3.307 bài vào năm 2025, tương đương mức tăng khoảng 15 lần trong vòng chưa đầy một thập kỷ.

Phân tích trắc lượng thư mục các bài báo nghiên cứu trong Web of Science Core Collection.Thời điểm tra cứu: ngày 28 tháng 9 năm 2026.

Ứng dụng AI trong chọn tạo giống và đánh giá kiểu hình cây trồng

Công tác chọn tạo giống cây trồng truyền thống từ trước đến nay thường đòi hỏi phải đánh giá hàng nghìn cá thể, chọn ra một số lượng nhỏ hơn và thu hẹp dần cho đến khi có được giống mong muốn. Tuy nhiên, thách thức chính không nằm ở số lượng cây được đánh giá. Nhiều tính trạng quan trọng như khả năng chịu hạn, chịu nhiệt, chịu mặn, hiệu quả sử dụng dinh dưỡng, kiến trúc bộ rễ, khả năng kháng bệnh hoặc kháng tác nhân gây bệnh và xét cho cùng là tính ổn định năng suất đều rất phức tạp và khó đo lường vì chúng phần lớn do nhiều gen kiểm soát (Chivatá-Peña et al., 2023). Đây chính là điểm mà AI bắt đầu thay đổi toàn bộ quy trình, tốc độ và độ chính xác của công tác chọn tạo giống.

Một trong những ứng dụng triển vọng nhất của AI là đánh giá kiểu hình nhanh và không phá hủy mẫu. Các chương trình chọn tạo giống hiện đại sử dụng các công nghệ như camera RGB, camera nhiệt, cảm biến đa phổ và siêu phổ, LiDAR, drone, chụp cộng hưởng từ (MRI) và các công nghệ chụp ảnh khác để đánh giá các tính trạng của cây một cách dễ dàng và hiệu quả hơn trên quy mô lớn so với các phương pháp truyền thống (Nahakpam & Kesari, 2026). Sau đó, các thuật toán trí tuệ nhân tạo và học máy có thể chuyển hóa hình ảnh và số đo từ cảm biến thành các thông tin như chiều cao cây, kích thước tán, diện tích lá, kiến trúc cây, nhiệt độ tán cây, thậm chí cả triệu chứng bệnh và các chỉ thị stress do thiếu nước hoặc thiếu dinh dưỡng. Các phương pháp tương tự hiện cũng đang được sử dụng để nghiên cứu các tính trạng dưới mặt đất như kiến trúc, góc rễ và sự phân bố của bộ rễ mà không phải phá hủy cây, cho phép các nhà nghiên cứu theo dõi các đặc điểm này trong suốt chu kỳ sinh trưởng của cây.

Khung ảnh bên trái: Rễ cây cỏ lúa mì trung gian (intermediate wheatgrass) được chụp bằng thiết bị quan sát rễ thu nhỏ - minirhizotron (trái) và được số hóa/vẽ lại bằng chương trình học máy (phải) để nghiên cứu cấu trúc rễ. Ảnh: Alexandra Griffin. Khung ảnh bên phải: Nhà nghiên cứu đang chụp ảnh rễ cây cỏ lúa mì trung gian bằng thiết bị minirhizotron. Ảnh: Emma Link.

Ví dụ, phần mềm RootNav 2.0 sử dụng mạng nơ-ron tích chập (CNN) đa nhiệm để xác định vị trí hạt và chóp rễ, đồng thời tái dựng toàn bộ kiến trúc bộ rễ từ ảnh của các loài cây khác nhau (Yasrab et al., 2019). ChronoRoot là một công cụ khác, sử dụng phần cứng giá rẻ kết hợp mạng phân đoạn sâu để theo dõi sự sinh trưởng của rễ cây mô hình Arabidopsis theo thời gian (Gaggion et al., 2021).

Thách thức thực sự đối với các công nghệ đánh giá kiểu hình hiện đại này không nằm ở khâu thu nhận hình ảnh, mà là việc chuyển đổi những hình ảnh đó thành dữ liệu có ý nghĩa (Watt et al., 2020). Trí tuệ nhân tạo có thể hỗ trợ giải quyết vấn đề này bằng cách nhận diện các quy luật trong các tập dữ liệu lớn, từ đó ưu tiên sàng lọc các cá thể mang tổ hợp tính trạng mong muốn. Điều này đặc biệt hữu ích trong cả hai trường hợp: khi các tính trạng khó đo lường trực tiếp, hoặc khi chúng mang tính đa gen - nghĩa là sự biểu hiện của tính trạng phụ thuộc vào nhiều yếu tố tương tác lẫn nhau (Júnior et al., 2023).

Trí tuệ nhân tạo cũng đang hỗ trợ chọn lọc hệ gen và các phương pháp chọn tạo giống dựa trên dữ liệu khác. Một chương trình chọn tạo giống có thể sở hữu đồng thời dữ liệu về hệ gen, kiểu hình, môi trường, lịch sử canh tác và phả hệ. Các mô hình học máy có thể tích hợp các nguồn dữ liệu này để dự đoán giá trị giống hoặc khả năng biểu hiện, qua đó hỗ trợ chọn lọc sớm các cá thể ưu tú. Trong một nghiên cứu, Kaushal và cộng sự (2024) đã sử dụng ảnh đa phổ từ thiết bị bay không người lái kết hợp với mạng nơ-ron sâu để dự đoán năng suất hạt lúa mì vụ đông, khối lượng thể tích hạt và hàm lượng protein của hạt. Hiệu quả dự báo sớm về năng suất ở các dòng thế hệ sớm được cải thiện gần 32% khi mô hình được huấn luyện bằng dữ liệu đa địa điểm của các dòng tiến bộ, so với việc chỉ sử dụng dữ liệu từ một địa điểm duy nhất. Ngay cả đối với các tính trạng phức tạp, các mô hình này vẫn có thể nhận diện các mối quan hệ phi tuyến hoặc các tương tác mà các phương pháp đơn giản hơn khó nắm bắt. Kết hợp đánh giá kiểu hình thông lượng cao với thông tin hệ gen giúp nhà chọn giống có cái nhìn toàn diện hơn về việc tại sao một kiểu gen biểu hiện tốt và trong môi trường nào (Srivastava et al., 2024).

Tuy nhiên, việc sử dụng AI cũng có một số hạn chế. Nếu một mô hình AI được huấn luyện bằng dữ liệu từ một môi trường, mùa vụ, giai đoạn sinh trưởng hoặc cấu hình cảm biến cụ thể, nó có thể không hoạt động tốt tương tự trong các điều kiện sinh trưởng khác. Ví dụ, Mohanty và cộng sự (2016) nhận thấy mạng nơ-ron tích chập của họ, được huấn luyện trên ảnh lá bệnh chụp trong phòng thí nghiệm, đạt độ chính xác rất cao trên tập ảnh kiểm tra tách riêng của cùng tập dữ liệu, nhưng độ chính xác lại giảm mạnh trên ảnh chụp trong các điều kiện khác. Sự biến động của môi trường, quy trình chụp ảnh không đồng nhất, dữ liệu bị khuyết và những thay đổi bất ngờ trong các thí nghiệm đồng ruộng đều có thể ảnh hưởng đến hiệu suất của mô hình. Khả năng diễn giải của mô hình cũng là một vấn đề quan trọng. Nhà chọn giống cần hiểu mô hình có thể dự đoán những gì, cách nó đưa ra dự đoán và tại sao lại đưa ra dự đoán như vậy. Một mô hình có độ chính xác cao có thể xác định được các kiểu gen triển vọng nhưng thường có nguy cơ bỏ qua những hiểu biết cốt lõi về mặt - những thông tin vốn rất hữu ích cho quá trình chọn lọc, khiến cho kết quả đôi khi khó kiểm chứng và thiếu độ tin cậy. Tình trạng này xảy ra đặc biệt phổ biến khi AI được dùng để đánh giá các tính trạng chịu ảnh hưởng bởi tương tác phức tạp giữa kiểu gen và môi trường (G × E).

Bên cạnh đó, còn có các vấn đề về thực tiễn và đạo đức. Các cảm biến tiên tiến, hạ tầng tính toán và đội ngũ chuyên gia trong lĩnh vực này có thể rất tốn kém. Các mô hình trí tuệ nhân tạo có thể kế thừa sai lệch từ chính bộ dữ liệu dùng để huấn luyện chúng (Howard & Lipka, 2025). Nhà chọn giống vẫn là người xác định các câu hỏi sinh học, lựa chọn các tính trạng có ý nghĩa và đánh giá kết quả dự đoán. Xét cho cùng, chính nhà chọn giống mới là người đưa ra quyết định kiểm chứng các vật liệu chọn lọc triển vọng trong điều kiện thực tế.  

Ảnh: Stephen R. Ausmus, USDA-ARS.

Việc ứng dụng AI trong chọn tạo giống cây trồng sẽ đạt hiệu quả cao nhất khi kết nối các công nghệ và giảm bớt công sức cho nhà chọn giống, chứ không phải phụ thuộc hoàn toàn vào AI. Các quy trình chọn tạo giống trong tương lai có thể tích hợp đánh giá kiểu hình tự động với chuyên môn của nhà chọn giống trong một hệ thống ra quyết định liên tục. Mục tiêu không phải là thu thập thêm dữ liệu hay xây dựng các mô hình phức tạp hơn, mà là sử dụng thông tin chính xác hơn để nhà chọn giống ra quyết định nhanh hơn và hiệu quả hơn.

Sử dụng AI có đạo đức, liêm chính học thuật và quyền sở hữu các sản phẩm do AI tạo ra

Như đã trình bày ở trên, các mô hình ngôn ngữ lớn (LLM) và các công cụ hỗ trợ bằng AI có thể là sự bổ sung quý giá cho bộ công cụ của nhiều nhà nghiên cứu. Tuy nhiên, không thể phủ nhận rằng AI đã trở thành một chủ đề hiện diện khắp nơi và gây nhiều tranh cãi, vượt xa khỏi phạm vi học thuật và khoa học. Do đó, việc sử dụng AI hay không và ở mức độ nào thường là quyết định mang tính cá nhân của mỗi nhà nghiên cứu và có thể làm dấy lên những cuộc thảo luận không dễ dàng về việc sử dụng các công cụ này một cách có đạo đức.

Đối với giới khoa học, các quyết định mang tính đạo đức trong việc sử dụng AI diễn ra trong một môi trường mà thành tích khoa học có thể quyết định con đường sự nghiệp của mỗi người. Các công bố khoa học, hồ sơ xin tài trợ và phân tích dữ liệu đều là những phần việc thiết yếu nhưng tốn thời gian. Các công cụ trí tuệ nhân tạo có thể giúp giảm bớt một phần gánh nặng đó bằng cách hỗ trợ các nhà nghiên cứu sắp xếp ý tưởng, tìm kiếm tài liệu, hiệu đính văn bản, viết mã lập trình để trực quan hóa dữ liệu, hoặc thậm chí tạo hình minh họa khoa học (Khalifa et al., 2024). Những ứng dụng này có thể giúp nâng cao hiệu quả làm việc và khả năng tiếp cận, đặc biệt đối với các nhà nghiên cứu viết bằng ngôn ngữ không phải tiếng mẹ đẻ, nhưng áp lực “công bố hay là chết” có thể khiến nhà nghiên cứu dễ bị cám dỗ vượt qua giới hạn sử dụng LLM như một công cụ, để rồi bắt đầu “khoán” một phần chính quá trình tư duy trí tuệ cho AI. Điều này không chỉ có hại cho sự nghiệp và uy tín của nhà nghiên cứu, mà còn làm phát sinh các vấn đề phức tạp về quyền sở hữu và công khai dữ liệu.

Về mặt pháp lý, luật bản quyền Hoa Kỳ nhằm bảo vệ quyền tác giả của con người. Văn phòng Bản quyền Hoa Kỳ đã ban hành báo cáo khẳng định rằng sản phẩm do AI tạo ra không được bảo hộ bản quyền chỉ vì một người đã cung cấp câu lệnh (prompt). Tuy nhiên, việc sử dụng AI như một công cụ hỗ trợ không làm mất quyền bảo hộ bản quyền đối với các tác phẩm do con người sáng tác; do đó, quyền sở hữu đối với các sản phẩm do AI tạo ra (bao gồm cả văn bản và hình ảnh) phụ thuộc vào mức độ đóng góp sáng tạo của con người. Ngoài vấn đề quyền sở hữu sản phẩm đầu ra, nhà nghiên cứu còn có trách nhiệm xem xét thông tin đầu vào mà họ cung cấp cho hệ thống AI. Việc đưa thông tin nhạy cảm như dữ liệu mật hoặc bản thảo vào AI mà không hiểu rõ điều khoản dịch vụ của hệ thống có thể vi phạm nghĩa vụ đối với cơ quan, tổ chức hoặc nghĩa vụ hợp đồng, thậm chí dẫn đến những tranh chấp phức tạp và tốn kém về quyền sở hữu, như vụ việc gần đây liên quan đến một phương trình toán học nổi tiếng và OpenAI.

Các nhà xuất bản cũng ngày càng thường xuyên ban hành chính sách về việc sử dụng AI trong các bản thảo gửi đến tạp chí của họ. Chẳng hạn, chính sách sử dụng AI của Hiệp hội Nông học Hoa Kỳ (ASA), Hiệp hội Khoa học Cây trồng Hoa Kỳ (CSSA) và Hiệp hội Khoa học Đất Hoa Kỳ (SSSA) nêu rõ các công nghệ này chỉ nên được sử dụng như một công cụ để “cải thiện tính dễ đọc” và chỉ được dùng dưới sự giám sát chặt chẽ của con người, chứ không được dùng để thay thế những đóng góp trí tuệ của tác giả. Hầu hết các tạp chí đều nhấn mạnh trách nhiệm của tác giả trong việc đảm bảo nội dung phản ánh đúng chuyên môn của chính họ và yêu cầu tác giả phải công khai nếu công nghệ này được dùng vào các mục đích ngoài việc sửa lỗi chính tả cơ bản và biên tập thông thường. Trách nhiệm tương tự cũng áp dụng khi dùng AI để tìm kiếm tài liệu. Mặc dù LLM có thể nhanh chóng tóm tắt các chủ đề hoặc bài báo, chúng cũng có thể diễn đạt sai kết quả nghiên cứu hoặc gặp hiện tượng "ảo giác" (hallucination) và bịa ra các trích dẫn không tồn tại. Vì vậy, nhà nghiên cứu có trách nhiệm nhận ra các lỗi này và sử dụng kết quả tìm kiếm tài liệu từ LLM một cách phù hợp.

Ngoài ra, ngày càng nhiều nhà xuất bản bổ sung vào chính sách những quy định riêng cho hình vẽ và sơ đồ do AI tạo ra. Mặc dù hầu hết các nhà xuất bản cho phép dùng AI để hỗ trợ xây dựng sơ đồ khái niệm, nhà nghiên cứu vẫn có trách nhiệm đảm bảo các sơ đồ này chính xác về mặt khoa học.

Vậy thế nào là cách sử dụng AI “đúng đắn”, nếu thực sự có? Các chính sách và luật pháp sẽ tiếp tục thay đổi cùng với sự phát triển của các công cụ AI trong một bối cảnh không ngừng biến động, khiến câu hỏi này khó có lời đáp. Tuy nhiên, nguyên tắc cốt lõi - trách nhiệm sử dụng AI một cách có đạo đức luôn thuộc về người dùng - khó có thể thay đổi. Các nhà nghiên cứu nên sẵn sàng công khai việc sử dụng AI và kiểm chứng mọi đóng góp mà LLM hoặc công cụ AI mang lại cho công việc của mình.

Kết luận

Việc ứng dụng AI trong các lĩnh vực như học máy, xử lý hình ảnh, robot, học sâu và mạng nơ-ron đang gia tăng với tốc độ cấp số nhân. Trí tuệ nhân tạo đóng vai trò là cách tiếp cận tính toán đa quy mô, kết nối liền mạch dữ liệu môi trường và sinh học. Mặc dù tiềm năng của AI trong tối ưu hóa quy trình làm việc và nâng cao độ chính xác là rất rõ ràng, cần nhận thức rằng độ chính xác và độ tin cậy của các kết quả do AI tạo ra không phải lúc nào cũng ổn định. Các mô hình có thể diễn giải sai, bỏ qua một số yếu tố phức tạp và mắc lỗi, đặc biệt khi dữ liệu huấn luyện không đủ hoặc khi áp dụng trong môi trường mới. Do đó, người dùng cần luôn thận trọng và hiểu rằng AI không thay thế con người mà là công cụ đồng hành đắc lực giúp nâng cao tư duy phản biện và đẩy nhanh các phát hiện khoa học. Việc ứng dụng AI cũng đặt ra những câu hỏi quan trọng về liêm chính, đạo đức trong sử dụng và quyền sở hữu. Xét cho cùng, trong bối cảnh các quy định và hướng dẫn của nhà xuất bản còn tiếp tục thay đổi, trách nhiệm sử dụng AI đúng đắn và minh bạch vẫn thuộc về người dùng.

Huỳnh Thị Đan Anh theo Sciencesocieties.org