في خطوة متقدمة نحو مستقبل الزراعة الرقمية، توصل الباحثون إلى تطبيق نماذج اللغات الضخمة (Large Language Models) في الأنظمة البيولوجية المعقدة، وبدءوا في التحول من تحليل البيانات إلى التجارب المستقلة المدعومة بالذكاء الاصطناعي. يعتمد هذا الإطار على بيانات شبكة حساسات نباتية متعددة القنوات تحتوي على 49 قناة، تشمل كل من تقنيات الطيف المتعدد، والكيمياء الكهربية، والمجالات العازلة.

لجعل النظام أكثر سهولة، تم تصميمه لتوفير تفسير بلغة طبيعية في الوقت الحقيقي سواء للخبراء أو للمبتدئين. لكن الميزة الأساسية تكمن في الانتقال من تحليل يشمل تدخل الإنسان إلى التحكم الذاتي. تقوم نماذج اللغات الضخمة بمعالجة البيانات الحيوية النباتية وتقييم فسيولوجيا النباتات، مما يسمح بتشغيل الأجهزة الآلية لتحسين المناخات الدقيقة، وتنفيذ بروتوكولات نموذج التحليل، أو تهيئة سيناريوهات إجهاد مسيطر عليها.

إن هذه البنية المغلقة (closed-loop architecture) تنشئ واجهة مباشرة بين الذكاء الاصطناعي وعلم الأحياء، مما يمكّن الاستكشاف المدفوع بالبيانات للأنظمة البيولوجية المعقدة والبيئات الحيوية. تم التحقق من فعالية هذا الإطار من خلال ثلاث دراسات حالة، بما في ذلك مزرعة رأسية وإعداد نبات واحد، حيث قام بتحليل التقلبات المعقدة في فسيولوجيا النباتات.

في تنفيذها على نطاق الإنتاج، نفذ وكلاء النظام تحسيناً متعدد المعايير، محققين توازناً بين تراكم كتلة النبات، ومحتوى الكلوروفيل، واستهلاك الطاقة. كما قامت نماذج اللغات الضخمة بمعالجة بيانات المراقبة الحيوية لتعديل إضاءة الطيف الكامل عند قمري 450 نانومتر و660 نانومتر كل ساعتين.

مقارنة بالتحكم الدوري، نجح النظام في تقليص دورة الإنتاج بنسبة 35% عند تشغيله في وضع الزمان الأدنى. ومن جهة أخرى، حقق النظام في وضع تحسين الطاقة تخفيضاً في استهلاك الطاقة بنسبة 18% مع زيادة طفيفة في وقت الزراعة، من خلال استغلال الحركية الفسيولوجية باستخدام نبضات الضوء.

أخيراً، طور الوكلاء استراتيجية غير متوقعة لتحفيز تراكم الكلوروفيل عند الظلام، مما أدى إلى توفير طاقة بنسبة 67.9%. هذا الإطار يعيد تعريف كيفية تحول نماذج اللغات الضخمة إلى مساعدين مستقلين في الزراعة الرقمية، محققاً تحسيناً في نسبة التكلفة إلى القيمة وتقليلاً من القيود على الحوسبة والعمالة المتخصصة.