收益：
- 能够利用叶子/果实图像的 AI 建立初步诊断流程和综合害虫管理 (IPM) 逻辑
- 能够将症状描述转换为结构化提示并生成可能因素和鉴别诊断的列表
- 通过现场样本、实验室和许可药品标签确认人工智能诊断，能够防止误用
当田间发现疾病或害虫时，往往为时已晚。早期准确的诊断是唯一节省效率的方法。但诊断是农业中最困难的决定之一：同一个黄化可能由二十种不同的原因引起，同一个斑点可能是真菌、细菌或营养缺乏的迹象。人工智能是近年来在该领域引起极大关注的工具：根据叶子照片说“这可能是白粉病”的应用程序已变得普遍。该单元教授基于图像的人工智能诊断的真正威力，以及更重要的是危险的局限性；向您展示如何在综合害虫管理 (IPM) 框架内将人工智能与正确的决策联系起来，而不是错误的喷洒。让我们从一开始就警告您：药物选择和剂量是安全的关键； AI建议初步诊断，授权工程师确认诊断和处方。
图像诊断为何困难？
连人眼都会被欺骗；被模型愚弄要容易得多。首先，症状相似：真菌叶斑病、细菌斑病和缺锌病在叶子上看起来都非常相似。其次，缺乏背景信息：模型看到照片，但不知道该地区、气候、作物历史、该地区是否存在该害虫，因此它可能暗示该地区从未发现过一种疾病（幻觉）。第三，照片质量：光线、角度、分辨率从根本上改变诊断。四、阶段：早期症状和晚期症状看起来有很大不同。这就是为什么图像人工智能不是一种诊断，而是鉴别诊断的开始——一个列出可能原因并告诉你去哪里寻找的助手。
害虫综合管理 (IPM) 框架
现代植物保护不是按照“用农药见你”的逻辑，而是按照IPM（英文为Integrated Pest Management）的逻辑：首先正确监测和诊断，然后检查经济损失阈值（即害虫密度达到足以进行干预的水平），评估文化和生物措施，将化学防治作为最后的有针对性的补救措施，并在适当的时间使用获得许可的产品。人工智能可以在这个链条的每个环节提供帮助——诊断假设、阈值提醒、替代措施列表——但它不会单独在任何环节做出决策。
提示：不要问人工智能“我应该开哪种药物”，而是问“哪些因素表明了这种症状，我如何在现场区分它们？”第一个问题会导致您选择错误的药物，第二个问题会导致正确的诊断。
配置症状描述
即使没有图像，良好的症状描述也能与人工智能产生强有力的鉴别诊断。良好的描述包括：作物和品种、发育阶段、症状位置（上/下叶、果实、茎、根）、颜色和形状（斑点、光晕、黄化、枯萎）、分布（斑块、脉间、整个田地）、时间（降雨后）和环境条件（湿度、温度）。这种结构化配方减少了模型的猜测。
三个迷你案例：从数字来看
案例1——正确引导。 AI 向 AI 描述了葡萄园叶子上出现黄色油斑的情况； AI 提出了霜霉病假说，并建议在叶面下部进行白灰控制。现场确认该症状，将样本送往实验室，确诊后及时用许可产品进行干预；传播仍然有限。
案例 2 - 幻觉捕获。在番茄温室里，人工智能从症状中建议“可能是沙漠蝗虫造成的损害”。然而，温室中的症状是刺吸式害虫（粉虱）模式，而沙漠蝗虫在该地区/条件下不是问题。农艺合理性过滤器（作物、环境、地理）消除了错误的建议；通过黄色粘夹确认了真正的特工。
案例 3 - 食物还是疾病？玉米田中出现的叶脉间发黄现象被认为是“可能的疾病”。工程师知道静脉间模式是典型的缺镁模式；叶子分析证实了这一点。解决方案是镁补充剂，而不是药物。避免了不必要的有害农药的使用。
弱提示/强提示
弱提示：
叶子上有黄点，该用什么药？
强力提示：
您的角色：植物保护专家农艺师（IPM 方法）。根据以下症状描述进行鉴别诊断；不要诊断，推荐药物。症状：作物[..]、阶段[..]、位置[上/下叶..]、颜色/形状[..]、分布[斑片/整个田地]、时间[降雨后..]、条件[湿度/温度]。任务：-列出3-5个可能的因素（真菌/细菌/病毒/有害/营养/非生物）。-每个因素写一个测试这将使我能够在现场/实验室进行区分。- 消除对该地区/产品不合理的因素并说明原因。- 关于经济损害阈值和 IPM 替代方案，我应该检查哪些内容？
强大的提示引导AI进行鉴别诊断和验证，保留诊断和处方权威，强制执行合理性过滤和IPM框架。
四个可复制模板
1）鉴别诊断清单：
按概率顺序给出此症状描述的 3-5 个可能因素。对于每一个：典型症状差异、田间鉴别方法、生长是否快。不要诊断。
2）合理性过滤器：
从这个因素列表中，删除那些对于我给出的地区/气候/作物/季节不合理的因素，并写下每次消除的原因。将其余标记为“现场验证”。
3）抽样验证计划：
如何针对这种疑似疾病采集正确的样本（哪些组织、多少植物、如何储存），需要进行哪些实验室检测？一步步写。
4）IPM决策框架：
假设代理人[确认]：(1) 检查经济危害阈值是多少，(2) 文化/生物替代品，(3) 化学品（如有必要）许可产品和标签合规性、耐药性管理。剂量；出示要检查的项目。
代理类型
典型提示
不要歧视
真菌的
污渍+灰烬/霉菌，随着湿度的增加而增加
显微镜/培养
细菌的
水渍、光晕、恶臭
实验室测试
病毒性的
马赛克 变形 矢量
血清学/PCR检测
有害的
洞, 吸吮, 活昆虫
陷阱、目视计数
营养缺乏
对称/粒间图案
叶子分析
非生物的
霜冻/日晒/药物损坏
历史+分布
常见错误
- 假设图像诊断是明确的。摄影启动的是鉴别诊断，而不是诊断；需要样品和实验室。
- 绕过区域合理性。该模型可能会建议该地区不存在的害虫；通过地理/气候进行过滤。
- 忘记营养/非生物原因。许多“类似疾病”的症状是由于缺乏或阳光/霜冻/药物损害造成的。
- 不跨门槛进行喷涂。并非 IPM 中的所有内容都需要有害干预；参见经济损失阈值。
- 忽略许可证和标签。产品中未经许可或剂量不正确的药物会产生残留和耐药性的风险。
注意：误诊喷洒会造成三重危害：疾病无法停止、有益生物死亡、产品中形成残留物和耐药菌株。在确诊之前不会做出药物治疗决定。
总之
基于图像的人工智能诊断是一种强大的初始工具，但由于症状相似、缺乏上下文和幻觉，它是一种鉴别诊断，而不是诊断。正确的方法是IPM框架：用结构化的症状描述列出可能的因素，过滤它们的合理性，在现场和实验室进行验证，检查经济阈值，并仅在必要时使用获得许可的靶向药物进行干预。 AI建议初步诊断；授权农业工程师负责诊断和处方。
应用任务
写出症状情景（例如“番茄，开花期，下部叶片脉间黄化，田间低湿度角落严重”）。使用本单元的“鉴别诊断列表”和“合理性过滤器”模板将其交给人工智能。在输出中，评估AI建议了多少种不同类型的因素，是否考虑了营养/非生物原因，以及是否对该地区提出了不合理的建议。对于每个因素，写下您将在现场查看的一个区别测试。
清单
- [ ] 我将症状描述为结构化的（产品、阶段、位置、颜色、分布、状况）。
- [ ] 我收到的 AI 输出是鉴别诊断，而不是诊断。
- [ ] 我应用了地区/气候/产品合理性过滤器。
- [ ] 如有需要，我会通过现场样品和实验室确认代理商。
- [ ] 我检查了 IPM 阈值，并计划仅在工程师批准的情况下进行经过许可、符合标签要求的干预措施。