技術前瞻

    英國愛丁堡大學（University of Edinburgh）研究團隊與英美多所研究機構合作開發PhenoAssistant，以大型語言模型（LLM）擔任管理者，建立可用自然語言操作的對話式多代理系統。PhenoAssistant可自動拆解植物表型分析任務並串接工具執行，整合植物專用視覺模型庫、資料分析與統計功能，並支援於缺乏適用模型時建立自動化訓練流程。研究結果顯示，此系統可協助使用者完成植物影像分析與資料處理工作，降低跨工具操作與植物表型分析的使用門檻。
 

植物表型分析面臨的流程挑戰

    植物表型分析常需整合影像處理、機器學習與統計分析等多種工具，但跨平台操作與流程設定較為繁瑣，增加分析門檻也使工作流程較不易重現。為降低植物表型分析的人工智慧使用門檻，研究團隊開發PhenoAssistant作為植物表型分析的工作流程協調系統。

LLM如何協調植物表型分析流程

    系統採集中式架構，由大型語言模型（LLM）擔任管理者進行規劃與調度。使用者以自然語言描述任務後，系統可自動拆解分析步驟、選擇工具與設定參數，並依序執行，最後彙整輸出結果。其核心以「精選工具箱」整合植物表型萃取與分析相關工具，包含植物專用視覺模型庫的表型萃取與性狀計算、資料整理與視覺化分析、統計檢定，以及於缺乏合適模型時建立自動化視覺模型訓練流程。

三項案例驗證系統功能

    研究以三個案例進行驗證：擬南芥案例以葉片實例分割取得投影葉面積與葉片數，彙整表格後完成繪圖與統計檢定，並透過文獻檢索支援結果查核；馬鈴薯案例則利用分割模型估算葉面積，並比較人工量測與模型估算之葉面積與乾重差異，以評估自動量測的可用性；冬小麥案例則在模型庫缺少分類模型時啟動自動化訓練，完成前處理、訓練與評估，並將新模型加入模型庫。自動訓練後模型正確率達81.3%，顯示系統可在缺乏既有模型時完成模型訓練與評估，並產出具一定辨識能力的模型供後續使用。

任務型測試評估系統表現

    研究另以任務型測試評估系統於工具選擇、模型選擇及資料分析等工作的表現，結果顯示資料分析正確率為85%（17/20），錯誤主要出現在圖表細節判讀。整體而言，PhenoAssistant透過LLM協調多種分析工具與植物專用模型，將表型萃取、資料分析與模型訓練整合為可對話驅動且可重複執行的工作流程。研究結果顯示，此類多代理人工智慧系統有助降低跨工具操作與植物表型分析的使用門檻，並可作為資料密集型研究流程自動化的實作參考。本研究成果已發表於《Nature Communications》期刊。


資料來源：農業科技-新脈動
https://agritech-foresight.atri.org.tw/article/contents/6255?Category=trend