Ingenjörer vid Massachusetts Institute of Technology har utvecklat en konstgjort intelligent”matdator” som automatiskt optimerar förhållanden, såsom fukt och ljus, för att producera de önskade egenskaperna i växter. Till skillnad från andra liknande utvecklingar är systemet öppen källkod, och ingenjörer har lagt upp instruktioner om hur man monterar och konfigurerar det på egen hand. En detaljerad beskrivning och dokumentation finns på MIT Media Labs webbplats, och Fast Company skriver också om det.
För att öka effektiviteten hos växande växter genom att minska det utrymme som krävs för detta utvecklas olika koncept, såsom vertikala gårdar och växer i en kontrollerad miljö. Till skillnad från konventionellt jordbruk belyses växter inte av solljus utan av lysdioder. Vissa försöker anpassa dem för massadoption och självmontering.
MIT-ingenjörer presenterade en prototyp av sitt system redan 2015 och kallade det OpenAg. Prototypen bestod av en metallbehållare, inuti vilken sensorer, lysdioder, pumpar för tillförsel av vatten och gödselmedel och andra komponenter som gjorde det möjligt att ändra klimatet inuti behållaren. De presenterade också en mer massiv version, placerad i en standardlastcontainer och bestående av flera celler, i vilka vart och ett separata förhållanden bibehölls. Ursprungligen analyserade forskare data oberoende och valde de bästa, enligt deras uppfattning, förhållanden.
I mitten av 2016 började forskargruppen samarbeta med ett företag för artificiell intelligens. Målet med partnerskapet var att påskynda och automatisera valet av nödvändiga förhållanden. Forskarna valde basilika som modellväxt. Systemet analyserade kontinuerligt plantornas tillstånd från de parallella cellerna och justerade villkoren för att odla nästa skörd.
Array av flera isolerade celler med olika förhållanden / Open Agriculture Initiative, MIT Media Lab (openag.mit.edu | CC-BY-SA 4.0)
Forskarna kunde optimera algoritmen för att öka syntesen av specifika molekyler som ansvarar för smak i växten flera gånger. I framtiden planerar de att träna systemet för att optimera förhållandena för många olika egenskaper, såsom smak, storlek eller kostnad. Forskarna betonar att, till skillnad från andra välkända utvecklingar inom detta område, är deras system helt öppet och tillgängligt för självkonstruktion eller modifiering.
