摘要 2026年的农业AI大模型站在一个错位的起点上：参数规模不再是决定项，数据能不能连成地块级、连续、可标注的一条链，决定模型能不能进决策层。中国农业大学神农大模型从1.0到3.0用20个月走完三代，参数档位反而下探到1B；美国的数据积累最深，2026年6月的农户调查里仍有39%的使用者多数不信任模型给出的结果。两国的差别从土地制度开始：美国的数据单元是可签约的农场，中国的数据单元是须逐块确权挂接的地块，这决定了训练集合的构造方式与标签的可得性。本系列第四篇承接第一篇第十一章的边际经济分析，回答农业垂直大模型的技术路线、数据基础、应用场景与赢家通吃风险：把地块级记录连成一条能持续产数、口径统一、标签可校验的链，模型才进得了决策层。

关键词：农业大模型；数据链；地块级数据；标注；付费结构；赢家通吃

目录第一章 起点错位：农业大模型的第一性问题落在地块上 第二章 数据单元：美国的农场与中国的地块 第三章 四条技术路线的数据门槛差一个数量级 第四章 数据基础（中国侧）：机器采集解决了产出口径，标签供给没有跟上 第五章 数据基础（美国侧）：分类标准固化让数据自带标签，标签留在平台私有池 第六章 训练与成本结构：成本曲线由标注决定，算力只影响部署形态 第七章 中国案例图谱：四类主体的四种打法 第八章 美国案例图谱：五大主体的AI布局 第九章 应用场景分级：三段跃迁的实际进度 第十章 项目制与招投标：判别权由验收文件持有 第十一章 付费结构：四个付费方在中美的分布不同构 第十二章 赢家通吃：三个条件中满足一条，锁定落在2029—2031年 第十三章 制度约束：备案与出境规则决定模型能取哪些数据 第十四章 结论：跃迁时点由地块级口径固化与首个付费场景触发 第十五章 畜牧与水产的智慧化：数据链先在舍内合拢 附录A 农业AI大模型核心指标全量表 附录B 数据来源与口径说明

图表目录图 图2-1 中美农业数据单元与记录归集结构对照（相对强度指数） 图3-1 中国农业大模型发布节奏（2023年下半年—2026年下半年，按半年计） 图3-2 农业大模型四条技术路线的数据门槛与能力上限评分 图4-1 中美农业数据供给结构对照（三类来源相对强度） 图6-1 模型参数档位与部署形态成本对照（相对指数） 图9-1 农业大模型应用场景的成熟度与付费强度评分（2026年，1—5分） 图12-1 农业AI大模型的相对边际成本随服务规模下降（示意值） 图12-2 赢家通吃三个条件的证据强度评分（中国与美国，2026年与2031年）

表 表2-1 原案四问与章节映射 表2-2 与前三篇的避重边界 表2-3 农业 AI 大模型的三层数据依赖结构 表3-2 中美农业 AI 技术路线对照 表3-1 中国农业大模型代表清单 表3-3 中国农业大模型清单（专项检索扩展口径，27条） 表3-4 农业开源模型与数据集清单（国际口径） 表4-1 中国机器采集三路径对模型训练的可用度 表4-2 农业大模型训练数据的缺口清单 表5-1 美国农业数据资产与AI应用清单 表6-1 模型规模—算力—成本结构表 表6-2 农业数据标注的对象与计价口径 表7-1 中国四类主体的农业大模型案例与付费方对照 表8-1 美国五大主体的AI布局与付费方对照 表8-2 美国农业AI产品与平台的公开规模与效果 表9-1 应用场景分级与付费方对照 表10-1 中国农业 AI 政策文件与项目清单 表11-1 中美农业 AI 付费结构对照 表12-1 赢家通吃五条证据与三条反面证据 表13-1 制度约束与合规要求清单 表14-1 2026—2031年跃迁的三段判断与推翻读数 表14-2 系列分工与后续四篇的接口 表15-1 中国畜牧水产智慧化应用清单 表15-2 美国精准畜牧应用清单

第一章 起点错位：农业大模型的第一性问题落在地块上1.1 参数在涨，田间可用性没有同步跟上2023年12月29日，中国农业大学发布神农大模型1.0，覆盖育种、种植、养殖、遥感与气象四类场景。2024年7月13日迭代到2.0。2025年10月发布3.0，给出32B、7B、1B三档参数，配套36个农业智能体，官方提法是“小体积、高智能、低成本”（来源：中国农业大学新闻与公开报道，2025年10月；发布日期口径）。20个月三代产品，参数档位往下探、智能体数量往上走，这条曲线的形状说明发布方把工程重心放在了可部署的尺寸上。

田间可用性没有按同样的斜率改善。2026年6月24日一项美国农户调查显示，39%的农民以每日或每周的频率使用农业平台内置的AI功能，其中多数对给出的结果持怀疑（来源：Iowa Capital Dispatch，2026-06-24；问卷调查口径）。使用率与信任度之间的落差出现在机具最先进、数据积累最长的市场里。

参数规模已经跨过可用门槛，继续放大参数对田间采纳率的贡献在下降。决定建议能不能被采纳的是它能不能被验证——同一块地、同一个品种、同一套农事操作，第二年的结果能不能对上第一年的建议。可验证性来自数据的组织方式，与模型的层数无关。

1.2 农业给模型的三条硬约束第一条，样本不满足独立同分布。同一品种在不同积温带、不同土壤质地、不同水肥条件下的产量反应不能互相替代，东北一季稻的数据无法直接支撑华南双季稻的决策。通用模型的训练假设在这里失效，模型必须在“地块＋品种＋农事操作”这一层重新切分样本。

第二条，错误成本极高。一条错误的水肥或施药建议直接落在当季产量与投入上，损失由种植主体承担，模型提供方不为减产负责。第一篇第十五章已把这条写成技术风险：模型建议错误的责任归属，是农业场景判断模型能不能用的前提。

第三条，反馈周期长。一个完整的验证周期是一个生产季，一年一熟地区一年只产生一个样本，模型迭代的节奏天然被农时锁死。这与通用文本模型几天一轮的迭代速度差两个数量级。

三条约束合起来指向同一个技术要求：训练数据必须带地块、带时间、带农事操作，标签要能被作业结果反向校验。缺地块编号与操作记录的数据是有观测无标签。

1.3 数据单元由土地制度决定美国的数据单元是农场。2022年农业普查口径，全国199万—204万个农场，平均规模441—446英亩（来源：美国农业普查，2022年；口径承自第一篇）。农场是独立核算的企业主体，平台与农场签一份数据许可协议，就可以把地块边界、机具作业、投入品与产量归到同一个农场记录下，跨年连续。

中国的数据单元是地块。全国约1.9亿农户，户均经营耕地约3亩，承包地确权在2018年底基本完成：15亿亩承包地确权、向2亿农户颁证、颁证率超过96%（来源：第一篇数据银行，2018年底口径）。地块的权属已经法定化，但把每一块地接到模型训练集上，需要逐块对齐作业记录、遥感影像与产量结果，签约对象从农场主变成几亿个地块主体。

两国的差别落在签约对象这一层，算法层没有分界。第二篇给出的“One Plot, One File”（逐地块建档）落到模型层，要求的是同一块地跨年度、跨作业、跨数据源的记录能挂到同一个主键上。参数规模不改变标签的归集方式。农业垂直大模型能进到哪一层，取决于“地块级、连续、可标注”的数据链，指的是同一个数据源持续产出、口径统一、标签可校验的循环。

1.4 政策产出数据，付费方决定数据标到什么精度完整的链条是六环：土地制度与确权政策→经营主体的行为→数据产出→模型能力→付费→反馈校验。政策决定谁能合法持有地块记录，主体行为决定记录被不被采集，数据产出决定模型能吃到什么，模型能力决定建议的粒度，付费决定这条链能不能转起来，反馈决定标签对不对。

六环里最容易被忽略的是付费与反馈这两环。美国付钱的是产业链资本——种子、农机、保险与农资企业，农户以接受附带AI的既有服务的方式间接付费，因此模型要优化的指标与产业链的结算口径一致。中国付钱的是财政专项与国企数字化投资，农户基本不直接付费（第十一章展开付费方类型分布），因此模型要优化的指标与验收标准一致。付费方决定了模型为什么样的错误负责，也决定了训练数据要标到什么精度。

对采购与渠道的含义：2026年农业大模型在采购清单上仍归示范项目类目，采购方需要的是能写进验收文件的准确率与覆盖面积，对模型的技术路线没有偏好。

1.5 三条与判断相抵的事实美国的AI使用率与信任度背离。39%的农户以日或周为频率使用平台内置AI功能，多数对结果持怀疑（来源：Iowa Capital Dispatch，2026-06-24；问卷调查口径）。数据量最大的市场里，使用率没有转换成决策权，这条事实削弱“数据多就能赢”的推论，也削弱“参数强就能赢”的推论。

中国的数据产出与可训练标签之间存在加工断点。农业工程学报《中国农业大模型数据治理、核心技术与应用挑战》以15个国内代表性农业大模型为样本，分析其架构、技术路线与场景适配，把数据治理列为独立议题（来源：农业工程学报，2025年，DOI 10.11975/j.issn.1002-6819.202505226）。机器采集解决了数据的产出口径，没有解决标注口径。

决策权不交出去。第一篇第十五章的技术风险判断在2026年仍然成立：模型建议错了由种植主体承担损失，规模主体在把播种、施药、收获的决策权交给模型之前，会先用一季到两季做对照。反馈周期长与错误成本高这两条约束叠加，让第三段跃迁在实际作业里被推迟。

1.6 对中国意味着什么对中国，2026—2028年收益最高的动作是把训练资源的分配从参数档位转向标注标准与地块主键，把已有的机器采集数据加工成可校验样本；资金投向标注与口径固化这两件事，回报高于继续放大基座。对美国，数据充足不自动产生信任，平台要把使用率换成决策权，只能靠可解释、可复核的结果，这条路径比参数迭代慢。

第二章 数据单元：美国的农场与中国的地块第一篇第一章把中美农业的原点定在土地制度上：美国土地私有可抵押，农场进入资产负债表；中国土地集体所有、承包权不可抵押，农业投入主要来自财政。同一套差别往模型层推一层，落在数据的采集与归集单元上。

表2-1 原案四问与章节映射

原案四问回答的问题章节群---------技术路线基座微调、领域原生预训练、多模态遥感、智能体四条路各自的门槛与代价第三章、第六章数据基础机器采集给了什么、缺什么；美国的统计资产与平台私有池如何进入训练集第四章、第五章应用场景知识问答、决策支持、自主智能体三段跃迁的实际进度与付费方第七至第十一章赢家通吃风险推理单位成本下行之外，数据链独占与网络效应是否已经成立第十二章（来源：第一篇第十六章系列策划表，2026-09-01；原案逐字口径）

表2-2 与前三篇的避重边界

前篇已写满的部分处理方式---------第一篇土地产权纲领、政府角色“买与建”四问、供需跷跷板、Palantir 与 USDA 采购全景、八大赛道时间窗只引结论与数据条目，标注见第一篇相应章节第二篇机器采集的硬件与流程细节、无人机、遥感、北斗三条路径的数据分工与产业格局不写硬件技术细节，只引结论与保有量、厂商份额两项数据；欧盟对照一律2018年口径第三篇数据权能拆解、产权登记、授权运营、定价三法、资产入表、交易场所与跨境安全不复述权能结构与定价方法，仅在第十三章引农业数据公共性一条结论（来源：前三篇成稿，2026-09；按章节标记不再重复的部分）

2.1 一份许可协议对上一个地块主键美国的数据采集以农场为单位成交。农场是企业主体，一份数据许可协议覆盖整个农场的多年记录，平台侧拿到的是连续时间序列。Climate FieldView 的覆盖规模在2022年由官方披露为1.8亿英亩，这是目前可核的最新公开值，2023年至2026年没有更新的官方覆盖数据（来源：Climate FieldView，2022年；官方披露口径）。数据的归集方向是平台私有池，农户以许可换取服务，平台掌握数据的加工与再分发权。Deere 与 Corteva 的定制农艺方案合作走的也是这条路：种子、机具与农艺建议在同一套服务体系内衔接（来源：Corteva 新闻稿，2026年；企业公告口径）。

中国没有可签约的农场级记录主体作为默认单元。承包地确权在2018年底基本完成，15亿亩承包地、2亿农户颁证、颁证率超过96%、建成2,838个县级数据库（来源：第一篇数据银行，2018年底口径），地块的权属关系已经法定化。作业记录却按采集主体归集：无人机作业数据在飞防服务商手里，遥感影像在数据服务商与政府部门手里，北斗终端的轨迹与工况在农机服务组织与平台上。同一块地一年的记录分散在三到四个主体，没有统一主键。

主键不统一带来两个直接后果。第一，跨年度、跨作业的样本拼不起来，模型拿不到“同一块地连续三年的水肥与产量”这种最有价值的训练样本。第二，标签无处挂靠：产量结果由种植主体掌握，作业记录由服务商掌握，两块数据要合到一块地上，需要一次额外的授权与对齐动作。

2.2 产权结构决定训练集合的构造方式美国的路径是签约换数据，训练集合沿着农场记录展开，样本自带标签。这是美国农业AI相对其他市场最大的结构性优势：NASS 农业普查自1840年起每5年一次、ARMS 调查按年采集农场经营与投入数据、WASDE 每月发布供需估计，三条序列的分类标准几十年不变（来源：USDA NASS 与 ERS，2025年；机构调查与发布口径）。模型吃进去的是带标签的时间序列，标签的分类体系不需要重新定义。

中国的路径是先有主键、再补记录。确权登记已经建立了“农户—地块—权属”的法定关联，这是全球规模最大的一次产权登记工程，也是机器采集数据能够挂接的底座。缺的部分在记录侧：作业记录、遥感影像、产量结果三个数据源各自归集，口径、时点、空间精度都不一致，要先对齐才能进训练集。

中国农业大模型的应用深度，取决于地块主键能挂上多少类记录、挂上多少年。把国内代表性模型按“是否拥有自有连续地块记录”分组，比较其可核应用案例数（付费客户、规模作业数据、示范基地），有记录组显著多于无记录组。

2.3 确权是存量资产，加工环节决定能不能进模型把地块主键接到训练集上要过三道关，每一道都有对应的缺口。

标注标准那一关，缺的是作物、生育期、农事操作与灾害的标注规范。农业工程学报《中国农业大模型数据治理、核心技术与应用挑战》以15个国内代表性农业大模型为样本分析架构、技术路线与场景适配，把数据治理列为独立议题（来源：农业工程学报，2025年，DOI 10.11975/j.issn.1002-6819.202505226）。

标注主体那一关，缺的是谁来做标注并为此负责。科研院所有标准能力但没有持续产数的一条链，机器采集运营商有数据但没有农艺标签，规模化农业集团两头都有但数据只覆盖自有耕地。

付费方那一关，缺的是为标注买单的主体。标注成本随场景线性增长，每个作物、每个区域、每个生育期都要重标一遍，这笔支出在当前的付费结构里没有明确承担者（第六章展开成本结构，标注成本实测值未获取，获取途径为学术论文与企业技术白皮书）。

三关的排序不能颠倒。标准不定，标注无法复用；主体不定，标准无法执行；付费方不定，主体不会长期投入。中国具有地块级连续记录能力的主体集中在三类：规模化农业集团、机器采集运营商、承担统计与遥感任务的政府平台。没有自有记录源的主体只能停在知识问答层。

表2-3 农业 AI 大模型的三层数据依赖结构

层级美国中国制度依据------------数据单元企业化农场，2022年农业普查199万—204万个，平均441—446英亩承包地块，约1.9亿农户、户均约3亩；2018年底15亿亩确权、颁证率超96%美国土地私有、可抵押、可买卖；中国集体所有、三权分置、承包权不可抵押数据源统计资产三条序列：NASS 普查自1840年起每5年、ARMS 按年调查、WASDE 月度发布；平台私有池：Climate FieldView 1.8亿英亩机器采集三类数据：无人机作业、遥感影像、北斗终端轨迹与工况；政府统计与遥感“一张图”美国数据主体少而大、可逐场签约；中国数据主体多而小、须逐块挂接模型形态绑定种子、农机与保险的专用决策，作为既有产品的增强部分面向跨主体公共服务的决策系统，多数仍停在知识问答段付费方分别为产业链资本与财政、国企数字化投资（结构示意，不含数值；来源：依据第一篇、第二篇结论与已披露公开数据整理，2026-09。三层结构的量化对照见图2-1。）

图2-1 中美农业数据单元与记录归集结构对照（相对强度指数）

注：相对强度指数（0—10），结构性对照口径，非统计口径。单元平均规模：美国2022年农业普查农场平均441—446英亩，中国户均承包地约3亩；可逐单元签约：美国以农场为单位签数据许可协议、一份协议覆盖多年记录，中国须逐块确权挂接；记录归集集中度：同一单元的记录是否归到一个主体（美国归入平台私有池与三条官方序列，中国分散在飞防服务商、数据服务商、农机服务组织三到四个主体）；记录自带标签：分类标准是否固定（美国国家农业统计局普查自1840年起每5年、ARMS 按年调查、WASDE 月度发布）。

来源：美国2022年农业普查、2018年底全国承包地确权登记口径、第一篇数据银行（截至2025年）；指数编制：Agritoken 产业研究，2026年9月

（指数为结构性对照口径，非统计口径：单元平均规模按每个经营单元的平均耕地面积排序；可逐单元签约按一份数据许可协议能否覆盖一个单元多年记录排序；记录归集集中度按同一单元的记录是否归到一个主体排序；记录自带标签按分类体系是否固化排序。）

2.4 两套制度的周期位置不同美国处在平台锁定的形成期。数据向平台私有池集中，规模越大，农场越难切换到另一套系统，Deere 与 Corteva 这类跨环节合作把种子、机具、农艺建议串成一体。这条路线唯一的内生风险来自制度侧：数据权立法或反垄断如果强制拆分数据池，农场级签约的集中优势会被削弱。欧盟2018年的《农业数据共享行为准则》（EU Code of Conduct on Agricultural Data Sharing by Contractual Agreement）采取自愿加入的方式，未设强制约束（来源：欧盟委员会，2018年；自愿准则口径），欧洲的合同路径因此没有形成美国那样的平台集中。

中国处在主键已有、记录待接的阶段。确权是存量资产，机器采集在建，口径固化与标注供给未完成。三权分置与确权政策决定谁能合法持有地块记录，家庭农场、合作社、农业集团与机器采集运营商决定记录被不被采集，三类数据源的对齐程度决定模型能吃到什么，模型能力决定建议能不能落到地块与生育期，财政专项与国企数字化投资决定这条链有没有现金流，一季一次的产量结果决定标签对不对。

2.5 对中国意味着什么对中国，2026—2028年最有价值的动作是把地块主键接到作业记录与遥感影像之上，先把一条能连续产数、口径统一、标签可校验的链跑通，再谈模型规模的扩张；标注标准与标注主体要在这三年内定下来，否则数据产出越多，清洗成本越高。对美国，农场级签约带来的数据集中已经在形成切换成本，反垄断与数据权立法是这条路线能否延续的唯一变量。

第三章 四条技术路线的数据门槛差一个数量级3.1 四条路线的划分标准是训练语料怎么来第一条，通用基座加领域微调。农业语料以指令与知识库的形式注入通用模型，训练语料量级最低，能力上限受基座约束，工程重点在提示工程与知识库更新。

第二条，领域原生预训练。农业语料从零开始训练基座，语料规模与口径一致性要求最高，能力可以按农艺逻辑定制，代价是算力投入与语料治理。

第三条，多模态专用模型。遥感影像、田间图像、气象格点各成一个模态，对空间标签与时间对齐要求高，语料规模居中。

第四条，智能体加工具调用。模型只负责编排与推理，能力来自可调用的数据服务、农艺模型与执行设备，训练语料需求最低，接口适配的工作量最大。

按训练语料门槛排序，第二条最高，第三条居中，第一条与第四条最低，两端相差约一个数量级（排序与量级按各路线所需标注样本类型与口径统一难度分级，分级规则见表3-2注）。路线不是互斥选择，同一主体常同时走两条，但主导路线的选择决定了资源分配与见效周期。

表3-2 中美农业 AI 技术路线对照

技术路线训练语料门槛部署形态中国代表案例美国代表案例数据要求------------------通用基座加领域微调低云端为主，接口调用农知大模型（2024年）、龙江农知大模型（2026年）USDA 在播种面积与产量估计中应用 AI 与机器学习知识语料与问答对，不要求地块记录领域原生预训练高云端训练，边缘推理无公开规模案例无公开规模案例十亿级农业语料且口径统一多模态专用模型中云边结合河海大学多模态遥感智能解译大模型（2026-04-28）；国家统计局低空样方 AI 与视觉大模型分割（2026-04）See & Spray 视觉除草（Deere）空间标签与时间对齐，按地块切分智能体加工具调用低边缘与设备侧神农慧种系列智能体（2026-05-18）；神农大模型3.0的36个农业智能体（2025-10）Autonomous 8R 拖拉机的作业编排（Deere）工具与数据接口，不要求重建基座（分级规则：训练语料门槛按标注样本量与口径统一难度分三级，低＝可用公开知识与指令数据，中＝需空间与时间对齐，高＝需从零构建统一口径语料；部署形态按算力位置分类。来源：农业工程学报《中国农业大模型数据治理、核心技术与应用挑战》（2025年）与各主体公开信息，2026-09）

3.2 参数档位在中国往下走神农大模型3.0给出32B、7B、1B三档参数，配套36个农业智能体，发布方用“小体积、高智能、低成本”描述这条路线（来源：中国农业大学，2025-10；发布方口径）。三档参数并存的形态说明模型按场景配置部署件，评估口径随场景变动。

参数档位下探的原因在部署端。田间网络条件与机具端算力限制了模型体积，边缘侧跑得动的模型才有作业价值；训练端的一次性投入在总成本里的占比随参数下降而下降，部署端的每次推理成本与维护成本反而成为长期负担。在中国，制约农业大模型规模应用的成本项落在部署与标注。把同一模型在云端与机具端的单位推理成本与维护成本分别核算，部署侧成本占大头。

3.3 发布主体已经分化成四类2023年12月至2026年9月，公开可核的中国农业大模型条目12条（表3-1）。按发布主体分类，高校与科研院所7条，央企与国企3条，平台与互联网公司1条，地方政府主导1条。

表3-1 中国农业大模型代表清单

名称主体发布日参数档场景来源与口径------------------神农大模型1.0中国农业大学2023-12-29未披露育种、种植、养殖、遥感、气象多模态高校发布信息农知大模型中国农科院农业信息研究所2024年未披露农业通用语言问答，发布方称为我国首个农业通用大语言模型机构发布信息神农大模型2.0中国农业大学2024-07-13未披露在第八届智慧农业创新发展国际研讨会发布会议发布信息iMAP农业种植大模型中国中化2025-08未披露种植方案生成与MAP技术服务中心应用；节水肥10%—20%、增产8%—10%企业自报神农大模型3.0中国农业大学2025-1032B／7B／1B36个农业智能体，动态稀疏机制与增量压缩机构发布信息智慧农业AI大模型山东省属国资国企2025-10-31未披露发布方称中国首个智慧农业AI大模型国资委网站转载山东省国资委信息雄小农农业大模型河北雄安未披露未披露面向京津冀与华北地区推广公开报道神农慧种系列智能体南京农业大学2026-05-18未披露领域大模型加高质量数据集、知识图谱与领域机理模型协同高校发布信息龙江农知大模型中国农科院信息所与黑龙江省农科院2026年未披露在农知大模型基础上融合地方文献公开报道农业科学发现大模型（升级版）中国农科院生物技术研究所2026年未披露基因挖掘、性状预测与方案设计，支持零代码自然语言分析公开报道北大荒大模型1.0北大荒2026-09未披露覆盖4,800万亩耕地、48个农业模型；识别准确率90%以上、数字农服平台服务60万企业自报（WAFI2026农业人工智能论坛）生物资产监管平台京东科技未披露未披露物联与AI算法用于农业信贷贷前、贷中、贷后企业公开信息（口径：发布日按官方发布日期计，同一主体多版本分别列出；参数仅收录官方披露值，未披露者如实标注；效果数据属企业自报，未获第三方复核。来源：各主体公开信息与高校、国资委网站，检索日2026-09-22）

12条条目里只有神农大模型3.0披露了参数档位，其余11条标注未披露。参数口径不完整这件事本身就是一条与“参数规模竞赛”相抵的事实：中国农业大模型的公开叙事重心落在场景与主体，参数只出现在少数条目里。发布节奏按半年计，2023年下半年1条，2024年上半年0条，2024年下半年1条，2025年上半年0条，2025年下半年3条，2026年上半年1条，2026年下半年1条（未披露发布月份的4条未计入分栏，见表3-1）。

图3-1 中国农业大模型发布节奏（2023年下半年—2026年下半年，按半年计）

来源：各主体官方发布信息与高校、国资委网站，检索日2026-09-22；口径：按官方发布日期分半年计数，4条未披露发布月份的条目未计入（见表3-1）

图3-2 农业大模型四条技术路线的数据门槛与能力上限评分

来源：依据农业工程学报《中国农业大模型数据治理、核心技术与应用挑战》（2025年）与各主体公开信息分级，2026-09；评分规则：训练语料门槛＝标注样本量与口径统一难度（1—5，5最高），能力上限＝可交付决策的自主程度（1—5，5最高）；定性分级，非实测值

（分数为定性分级，不作精确比较；部署形态与代表案例两列见表3-2。）

四类主体的商业模式不同：高校与科研院所走能力型路线，靠课题与知识服务维持，自有连续地块记录最少；央企与国企走记录型路线，耕地与服务网络是自有资产；平台与互联网公司走基础设施型路线，卖算力、模型平台与风控能力；机器采集运营商走数据型路线，作业数据是其核心资产。前三类的收入来自课题、采购与服务费，第四类才有按数据使用的收费接口。

表3-3 中国农业大模型清单（专项检索扩展口径，27条）

名称发布方首发时间参数档训练数据场景备案来源与日期口径---------------------------神农大模型1.0中国农业大学2023-12-29——农业知识问答—高校发布信息，2023-12高校发布口径神农大模型2.0中国农业大学2024-07-13—整合文本与图像数据多模态分析—会议与高校发布信息，2024-07发布方口径神农大模型3.0中国农业大学2025-1032B／7B／1B覆盖90%农业学科、80%农业场景的多模态数据集36个农业智能体—高校发布信息，2025-10发布方口径神农大模型4.0中国农业大学2026年—新增25种热带作物表型与水肥数据；可识别病虫害由615种增至1016种病虫害识别（准确率93%以上）、基因组分析—科学网与高校发布信息，2026高校发布口径神农·农业世界模型1.0中国农业大学2026年——因果推演—科学网，2026高校发布口径工耕农业机器人大模型中国农业大学农业具身智能机器人团队2026-07-03——八大场景含机器人设计、表型分析、病害诊断、产量预测—科学网，2026-07-03团队发布口径司农大语言模型1.0南京农业大学2026-01-138B／32B—农业通用问答，权重开源—中国发展网与魔搭社区，2026-01高校发布口径神农慧种系列智能体南京农业大学2026-05-18—领域大模型＋高质量数据集＋知识图谱＋CropGrow机理模型作物生长预测、农情遥感监测—高校发布信息，2026-05-18高校发布口径农知大模型中国农科院农业信息研究所、同方知网2024-08—以华知大模型为底座，整合农科院专业数据农业科技创新、生产、科普与决策问答—农民日报与机构发布信息，2024-08机构发布口径龙江农知大模型黑龙江省农科院、中国农科院农业信息研究所2026年—在农知大模型上融合地方文献黑龙江现代农业问答—公开报道，2026媒体口径农业科学发现大模型（升级版）中国农科院生物技术研究所、华为云2026年—百万级全球农业文献与千万级摘要知识库基因挖掘、性状预测、方案设计—工人日报客户端，2026机构发布口径农耕大模型1.0科研机构联合攻关（唐华俊院士领衔）2026年——耕地监管与生产决策—新华网、中国日报网，2026项目发布口径iMAP农业种植大模型中国中化（先正达集团中国）2025-08—全产业链农业数据；结合中国移动九天等模型的多尺寸融合体系种植方案生成、MAP技术服务中心—企业自报，2025-08企业自报；节水肥10%—20%、增产8%—10%智慧农业AI大模型山东省属国资国企2025-10-31——智慧农业综合—山东省国资委，2025-10-31发布日口径北大荒大模型1.0北大荒集团2026-09—覆盖耕地4,874.4万亩的数据体系、48颗卫星长势监测48个农业模型、数字农服—WAFI2026论坛与企业披露，2026-09企业自报雄小农农业大模型河北雄安——融合DeepSeek-R1增强推理与决策面向京津冀与华北推广—公开报道媒体口径爱思大语言模型（AaaS）农信数智2026-05—十年生猪产业数据、行业趋势、生产运营、专家知识与市场交易数据疫病预警等畜牧智能体已备案（江苏，编号Jiangsu-AaaS-202602270072）企业与媒体口径，2026-05企业披露华农智能体1.0华中农业大学———多模态农业决策—高校公开信息高校发布口径粮策大模型华中农业大学熊航团队——机理与数据双驱动农业政策评估—高校公开信息团队口径五谷丰登·定风波农业区域气象大模型华为（盘古气象、云羲微观气象引擎）与高校——盘古气象大模型与云羲微观气象引擎作AI底座区域农业气象、寒地作物种植—中国科技网，2026合作发布口径知天世界大模型2026年农业人工智能发展大会发布2026-05-17——智能育种与智能农机—农民日报，2026-05-17会议发布口径育繁推一体化管理大模型2026年农业人工智能发展大会发布2026-05-17——育种、繁育、推广一体化管理—媒体报道，2026-05-17会议发布口径荔知君大模型2026年农业人工智能发展大会发布2026-05-17—从化荔枝种植场景数据智能问答、农技指导、图像识别—21财经与媒体报道，2026-05-17会议发布口径智慧棉田精准管控系统2026年农业人工智能发展大会发布2026-05-17——棉田精准管控—媒体报道，2026-05-17会议发布口径极飞智慧农业大脑XAI极飞科技——真实农业生产场景数据训练地块边界、作物定位识别准确率98.60%—企业公开信息企业自报大疆智慧农业平台大疆农业——航测无人机巡田图像数据农田与作物自动化监测—企业公开信息企业自报百图生科生物语言大模型百图生科—2,100亿参数基因组、蛋白质、细胞与生物系统数据生物育种模拟—企业公开信息企业自报（收录口径：表3-3与表3-1不是同一统计对象——表3-1按官方发布且可核到发布日期收录12条，表3-3把产品级、地方发布与2026年新增条目一并纳入，共27条；两表计数不同来自收录口径不同。发布月份或参数在公开材料中缺项的标"—"，不作推测。来源：各主体公开信息、高校与国资委发布信息、媒体报道，检索日2026-09-22）

收录范围放宽之后，2026年的新增条目把清单推向另一头。中国农业大学在2025年10月发布神农大模型3.0之后继续迭代，2026年推出神农大模型4.0与神农·农业世界模型1.0，前者把可识别的作物病虫害种类由615种扩到1016种、识别准确率93%以上，训练数据一侧新增25种热带作物的表型与水肥数据；同一所学校2026年7月3日在全球数字经济大会发布工耕农业机器人大模型，把感知、表型分析、病害诊断与产量预测装进机器人本体。南京农业大学2026年1月13日发布司农大语言模型1.0，给出8B与32B两档参数并把权重公开到魔搭社区与GitHub，2026年5月18日再发神农慧种系列智能体。中国农科院生物技术研究所与华为云在2026年发布农业科学发现大模型的升级版，知识库为百万级全球农业文献与千万级摘要；农耕大模型1.0由科研机构联合攻关、唐华俊院士领衔，落在耕地监管与生产决策；2026年5月17日的农业人工智能发展大会一次发布知天世界大模型、育繁推一体化管理大模型、荔知君大模型与智慧棉田精准管控系统四项成果。

以通用模型为底座的条目在数量上最多：农知大模型以华知大模型为底座，龙江农知在其上再融地方文献，iMAP结合中国移动九天等模型做多尺寸融合，雄小农融合DeepSeek-R1的推理能力，WBLM小麦育种多模态大模型以InternVL2-8B为基座。参数披露率是这批条目里最一致的特征，27条里只有神农大模型3.0的32B、7B、1B，司农大语言模型的8B、32B与百图生科的2,100亿参数给出数字，其余条目在公开材料里没有参数档；发布主体越靠近田间，参数越少出现在对外材料里。训练数据一侧同样稀薄，能查到具体内容的只有神农系列的学科与场景覆盖率、爱思大语言模型的十年生猪产业数据、北大荒覆盖耕地4,874.4万亩与48颗卫星长势监测，其余条目只写高质量数据集一类说法。语料来源的差别比参数差别更能解释能力差距：高校与院所用公开文献、品种审定资料、试验站历史记录与合作农场样本，自有连续地块记录最薄；央企与国企用自有耕地与托管合同，语料随服务网络生成；机器采集商用航拍影像与作业轨迹，密度高但缺产量标签。

3.4 多模态与智能体两条路线的数据基础已经具备遥感与田间图像是中国数据产出最厚的一块。第二篇数据银行的条目显示，植保无人机保有量25万架，大疆与极飞两家合计份额约76%（来源：第二篇数据银行；厂商份额口径）。国家统计局农村社会经济调查的低空样方采用人工智能与视觉大模型分割技术，官方统计口径已经使用大模型（来源：国家统计局，2026-04；官方技术实施路线口径）。多模态遥感智能解译大模型在2026年4月引入组策略优化强化学习，一次推理可同时支持区域级与地块级输出（来源：河海大学，2026-04-28；机构发布口径）。

智能体这条路线的门槛落在工具与接口上。南京农业大学“神农慧种”系列智能体的做法是把领域大模型、数据集、知识图谱与机理模型组合成一条链（来源：南京农业大学，2026-05-18；机构发布口径）；神农大模型3.0把36个农业智能体作为交付形态（来源：中国农业大学，2025-10；发布方口径）。

四条路线里，多模态与智能体两条的单位投入产出最高，因为它们复用了机器采集已经产出的数据，不需要重建语料口径；领域原生预训练这条路在中国最不划算，因为语料分散在气象、农机、农技与市场四类系统，口径统一的工作量超过训练本身，而这条路的收益要等语料治理完成之后才出现。

四条路线的差别落在数据门槛这一层。参数只在第二条路线上是主变量，而第二条恰恰是中国最少走的一条，美国公开案例里也没有以领域原生预训练做规模应用的主体（检索范围为本轮公开渠道与高校、国企发布信息，未发现规模案例）。

表3-4 农业开源模型与数据集清单（国际口径）

模型或数据集机构参数许可用途来源------------------司农大语言模型1.0南京农业大学8B／32B开源，权重发布于魔搭社区与GitHub农业领域通用问答中国发展网与魔搭社区，2026-01Prithvi（含Prithvi-EO-2.0）美国国家航空航天局与IBM—开源，权重发布于Hugging Face与TerraTorch地球观测与农业遥感下游任务IBM新闻稿2023-08-03与模型页，2023—2025SatlasPretrain美国艾伦人工智能研究所—公开数据集Sentinel-2与NAIP影像配3.02亿标签，遥感迁移学习论文与遥感基础模型综述，2024—2025AgriFM论文作者团队—论文与代码公开多源时序遥感基础模型，面向作物制图arXiv:2505.21357，2025AgriLLM国际农业研究磋商组织（CGIAR）相关项目—开源面向小农的农业基础模型，语料来自机构整理的农业科学文献公开项目介绍，2025—2026WBLM小麦育种多模态大模型论文作者团队（以InternVL2-8B为基座）8B—小麦育种多模态问答与性状分析对地观测驱动数字农业综述，2024—2025WAGRI农业数据连携基盘日本农业与食品产业技术综合研究机构等—政府主导的协同领域数据平台以接口提供农地、气象、生育预测等数据与程序WAGRI官网与农林水产省资料，2025—2026欧盟农业数据共享行为准则（EUCC）欧盟农业食品链相关协会—自愿性准则，以合同约定约定农场数据的采集与分享条件欧盟委员会资料与期刊研究，2018（口径：欧盟按2018年发布的行为准则计；日本WAGRI为政府主导的数据连携基盘，不是大模型本体；司农是按中国侧口径收录的开源条目，其余为国际供给。来源：各机构公开资料，检索日2026-09-22）

开源供给是这批清单里最薄的一块，也是最容易验证的一块。南京农业大学把司农大语言模型1.0的8B与32B两档权重公开到魔搭社区与GitHub，是中国农业大模型里公开权重的一例；其余可用的开源件集中在遥感与对地观测这条线上：美国国家航空航天局与IBM自2023年8月起发布Prithvi系列，以Harmonized Landsat-Sentinel影像预训练，Prithvi-EO-2.0的权重发布于Hugging Face与TerraTorch；美国艾伦人工智能研究所的SatlasPretrain把Sentinel-2与NAIP影像配上3.02亿个标签；论文作者团队的AgriFM面向多源时序遥感的作物制图。国际机构的AgriLLM以多年整理的农业科学文献为语料，不做网页规模的抓取。日本与欧盟没有推出农业大模型本体，日本以农业数据连携基盘WAGRI用接口提供农地、气象与生育预测数据，欧盟在2018年发布农业数据共享行为准则，用合同约定农场数据的采集与分享条件。开源与国际这一侧的通行做法是把数据接口与许可条款做深，模型本体交给使用方在自己的数据上继续训练。

3.5 对中国意味着什么对中国，2026—2028年把资源压在多模态与智能体两条路线上，用机器采集的实时数据补标注短板，是单位投入产出最高的选择；领域原生预训练可以作为科研课题保留，不适合作为产业投入的主线。对美国，路线收敛在种子、农机与保险绑定的专用决策上，通用农业助手不在其产品谱系里，技术优势体现在作物识别与作业执行的精度，而不在模型尺寸。

第四章 数据基础（中国侧）：机器采集解决了产出口径，标签供给没有跟上地块级、连续、可标注这三条里，中国已经有前两条的存量。地块级由确权给了主键，连续由机器采集给了时间密度，卡住的是可标注——标签从哪来、谁出钱标。这一章按三类数据各自的字段结构，看每一类离训练集还有多远。

4.1 确权的主键与机器采集的记录在多数项目里还没有挂到一起2018年底，全国15亿亩承包地完成确权、向2亿农户颁证、颁证率超过96%（来源：第1篇数据银行，2018年底口径）。地块有了法定编号，训练集有了主键字段。同时期，全国植保无人机保有量25万—30万架（两个统计口径：数据银行条目25万架、第2篇正文30万架，均截至2025年），北斗农机终端与遥感星座每年产出大批像元与作业轨迹。第2篇把这条路径概括为“One Plot, One File”，逐地块建档。

建档与可训练之间隔着一道加工。记录挂到主键上，只回答“这是哪块地的数据”；要变成训练样本，还需要同一地块在同一生育期内的过程与结果配对——用了什么投入、遇到什么天气条件、收获时得到多少产量。机器采集产出的是过程记录，监督训练用的是过程与结果的配对，缺的是后半截。

4.2 三类机器采集数据对训练的可用度差一个加工档位植保作业数据带地块边界、飞行轨迹、作业时间与药剂用量四个字段，时空主键完整，标签是作业动作。同一块地打了药，产量反应要到收获才出现，动作标签无法反向校验作业质量。

遥感影像的分辨率与重访频率足够支撑长势特征提取，缺的是结果标签。影像上的绿度差异要跟实测产量、土壤样本与农事记录对齐，才有监督价值；这一步在国内多数项目里靠人工抽样，抽样量比影像量小两到三个数量级。

北斗农机终端产出轨迹、工况与面积核算，字段规整、连续性强，是三类里唯一接近可直接训练的一类，覆盖范围限于耕、种、管、收的机械环节，触不到产量与品质。

表4-1 中国机器采集三路径对模型训练的可用度

数据路径主键字段标签形态可用度口径与时间---------------植保作业地块边界、飞行轨迹、作业时间、药剂用量作业动作需加工保有量25万—30万架（两口径），截至2025年遥感影像像元、时相、地块范围长势特征，缺实测产量需加工高频重访，实测标签靠抽样北斗农机终端轨迹、工况、面积核算作业计量可直接训练，限机械环节覆盖耕种植管收机械作业来源：第2篇数据银行（保有量，截至2025年）；字段结构据三类作业数据的公开技术资料对照。

图4-1 中美农业数据供给结构对照（三类来源相对强度）

注：相对强度指数（0—10），结构性对照口径，非统计口径；美国统计资产含1840年起每5年的农业普查与月度供需平衡表，平台私有数据池以田块级数据许可协议归集；中国机器采集含植保作业、遥感影像与北斗农机终端数据。数据来源：美国农业部国家农业统计局项目说明、Climate Corporation 官方披露（2022年）、第2篇数据银行（截至2025年）

编制：Agritoken 产业研究，2026年9月

4.3 官方统计侧已把大模型用进地块分割，产出的是统计口径的标签国家统计局农村社会经济调查的技术实施路线里，“低空样方AI＋视觉大模型分割”已进入作业流程（来源：国家统计局农村社会经济调查，2026年4月，技术实施路线文件口径）。统计系统用大模型识别地块与作物，图斑带行政区、带作物类别，标签由官方口径统一，这是农业领域标签一致性最高的一批数据。

这条线的覆盖边界也清楚：它服务于统计需要的类别（面积、作物、种植结构），不覆盖种植决策需要的类别（投入、产量反应、品质）。官方口径做的是分母，模型要的是分子。

4.4 标注卡在标准、成本与付费方三处标准层面，农业工程学报以15个国内代表性农业大模型为样本，分析架构、技术路线与场景适配，把数据治理列为独立议题（来源：农业工程学报《中国农业大模型数据治理、核心技术与应用挑战》，2025年，DOI 10.11975/j.issn.1002-6819.202505226）。政策层面，国家数据局把数据标注界定为把知识与经验注入训练数据的过程，要求推进行业高质量数据集建设，同时点出数据采集成本高的问题（来源：国家数据局《关于推进行业高质量数据集建设行动的实施意见》，2026年6月8日，政策原文口径）；同期求是网文章要求把农业经验、生产记录、遥感影像、农机轨迹与气象环境转化为可计算、可训练、可验证的数据（来源：求是网，2026年7月13日，官方媒体口径）。中国信通院把数据设计、采集汇聚、预处理、标注与质检并列为数据集建设的共性环节（来源：中国信通院《人工智能高质量数据集建设指南》，2025年8月，研究机构技术文件口径）。三份文件把标注放在公共品环节上，与平台建设本身分属两类投入。

成本层面，农业标注的对象是作物、区域、生育期的三层组合，换一个作物或换一个积温带，标签要重做一遍。服务商的公开报价按张或按帧计，单价随质检要求上浮（来源：农业AI数据标注服务商公开报价说明，2026年；企业口径，无统一价目）。

付费层面，标注费在政府采购里没有独立科目，通常被打包进平台建设或示范项目。买设备、买平台、买带宽都有对应科目，雇人标地没有。采集量涨，标注量不跟着涨，原因在预算表上。

表4-2 农业大模型训练数据的缺口清单

缺口表现证据来源口径与时间------------结果标签影像齐、实测产量与品质缺农业工程学报15个代表模型综述学术口径，2025年标注标准作物类别与农事类别各自定义国家数据局数据集建设文件政策原文，2026年6月标注主体无独立标注服务方，靠项目内临时组织标注服务商报价说明企业口径，2026年标注付费方标注费无独立预算科目智慧农业基地类项目以工程类立项中标公示口径，2025年11月来源：见各行；智慧农业基地类项目样本见中央政府采购网中标公示（项目编号 GC-GGG251168B）。

4.5 模型先停在识别层，进决策层要看标注费谁来认账政策把人工智能与智能装备应用列进任务（来源：《国务院关于深入实施“人工智能+”行动的意见》，2025年9月1日，政策原文口径；2026年中央一号文件，2026年2月），经营主体买设备（国资农场、农服公司、飞防服务商），设备自动产数（轨迹、影像、工况），模型因为缺结果标签只能做识别（地块、作物、长势、病虫害），识别层的准确率可以写进验收文件，决策层需要的结果校验写不进去，而付费方（财政与国企）的采购口径是准确率、覆盖面积与类别数，标注没有对应的验收条目，标签因此不回流，下一轮训练还是同一批数据。

对中国的一句判断：数据量由设备先顶着，能不能进决策层取决于标注费有没有人认账。对美国的一句判断：标签来自公共统计与平台协议这两条通道，设备普及只是给通道加密度，不改变标签的归属。

对采购方，选模型时问三件事比问参数有用——训练数据覆盖到哪个作物、哪个积温带、哪个年份；产量标签有多少个实测点；错误由谁负责。对渠道与服务商，标注是可承接的活，手里有飞防队、农机队与基层农技员的主体就有标注产能。对种植主体，能验证的建议才有用，同一块地第二年结果对不上第一年建议的模型，不进作业清单。对政策与项目验收，把标注量与地块主键挂接率写成硬指标，比抬高准确率门槛更能筛出可用的供给方。对技术供给方，识别层的产能供给已经密集，下一步的边际回报集中在结果标签上。

第五章 数据基础（美国侧）：分类标准固化让数据自带标签，标签留在平台私有池美国侧的形态与中国不同：它不缺标签，缺的是标签在谁手里。地块级与连续这两条美国早就满足，可标注这一条也满足，标签被锁在平台的合约池里。这一章看美国的标签从哪里来、由谁持有、又从哪里开始漏损。

5.1 1840年开始的普查周期把分类标准固定下来美国国家农业统计局自1840年起每5年开展一次农业普查，农业资源管理调查逐年采集生产成本与经营数据，世界农业供需预测按月发布平衡表（来源：美国农业部国家农业统计局普查与调查项目说明，1840年起；世界农业供需预测，月度口径；均机构口径）。分类标准与报送口径固定了一百八十多年，任意一年的数据都能与上一年对齐：单位统一、地理层级统一、作物编码统一。模型拿到的是带标签的时间序列：单位、地理层级与作物编码都能与上一年对齐。

美国农场199万—204万个，平均规模441—446英亩（来源：美国农业普查，2022年，普查口径）。农场是独立核算的企业主体，一份数据许可协议可以把地块边界、机具作业、投入品与产量归到同一个记录下，跨年连续，签约对象是一个法人。数据单元的范围与法律主体的范围重合，这是美国能做农场级许可协议的前提。

5.2 公共统计之外还有一个平台私有数据池Climate FieldView 覆盖1.8亿英亩（来源：Climate Corporation 官方披露，2022年；企业口径，其后年度未更新该数字）。农户与平台签数据许可协议，田间作业与产量记录进入平台账户，平台用这些记录为同一批农户生成建议。

产业链资本把AI嵌进既有的付费链：Deere 的自主8R拖拉机与 See & Spray 视觉除草按机具与作业收费，Corteva 与 Deere 合作提供定制农艺方案（来源：Deere 产品页，2026年；Corteva 与 Deere 合作公告，2026年；企业公告口径）。农户为机具与种子付钱，AI随服务附带上车，没有单独的AI账单。政府一侧同样是采购制，联邦农业服务部门的数据整合采购额约3亿美元（口径承第1篇数据银行，截至2026年）。

表5-1 美国农业数据资产与AI应用清单

主体数据资产AI应用形态口径与时间------------美国国家农业统计局5年周期普查加年度调查，1840年起—机构口径世界农业供需预测月度供需平衡表公开预测基准月度口径美国农业部部门数据整合与遥感影像卫星影像加机器学习改进播种面积与产量估计部门人工智能战略页，2026年Climate CorporationFieldView 覆盖1.8亿英亩田间记录加作物模型建议企业口径，2022年John Deere机具作业与传感数据自主拖拉机、视觉除草企业产品页，2026年Corteva种子与农艺数据与机具方联合的定制农艺方案企业公告，2026年来源：各主体公开信息；美国农业部人工智能战略见部门官网战略页。

5.3 采纳率随农场规模上升，小农场留在数据池外经济研究局的图表说明给出精准农业采纳率随农场规模上升、小农场最低的结构（来源：美国农业部经济研究局《图表说明》第110550号，调查口径）。美国政府问责局同期发布的精准农业报告指出技术成本与收益在大小农场之间不对称（来源：美国政府问责局 GAO-24-105962《精准农业》，联邦审计报告口径）。

规模与数据互为因果：面积大，设备成本可以摊薄，平台优先覆盖大农场；被覆盖的农场贡献数据，数据反过来让建议更准；小农场既没有可摊薄的面积，也没有进入训练集。平台覆盖的是付费客户，训练集合等于客户集合。

5.4 同一件事有多个并行的公开口径美国国家统计局《农场计算机使用与所有权》2025年报告显示，50%的农场用互联网采购农资，比2023年高18个百分点（来源：美国农业部国家农业统计局，2025年，抽样调查口径）。

互联网接入比例有两个数：85%（经济研究局口径）与55%（国家农业统计局口径）（来源：机构口径汇编引美国农业部两个机构，2025年；85%为经济研究局口径、55%为国家农业统计局口径，两个口径并列）。

AI使用频率与信任度之间存在落差：39%的农民以每日或每周的频率使用农业平台内置的AI功能，其中多数对给出的结果持怀疑（来源：Iowa Capital Dispatch，2026年6月24日，问卷调查口径）。

南部各州的农业技术采纳率约25%，全美约29%（来源：Southern Ag Today，2025年10月20日，调查口径）。

四个数字各自成立，指向的对象不同：接入是网络覆盖，采购是交易方式，使用是行为频率，采纳是田间实际采用程度。用其中任何一个单点描述美国农业AI的普及程度都会失真，这也解释了数据充足与信任不足可以并存。

5.5 产权结构决定标签能不能跨主体流动美国没有强制平台开放农业数据池的联邦规则，农户与平台之间的数据使用由合同约定。欧盟的对照是2018年发布的《农业数据共享行为准则》（EU Code of Conduct on Agricultural Data Sharing by Contractual Agreement，2018年，自愿性质），由欧盟委员会、农民组织与农业企业共同签署；2025年生效的是欧盟《数据法》。两条路径都把数据的组织权放在合约与市场主体手里。

对中国的一句判断：中国要建的是美国已经建成的部分——统一口径的标签体系，以及跨主体可用的地块主键。对美国的一句判断：标签够用，标签的跨主体流动性不足，模型的能力增长被限制在单个平台的用户池内。

统计制度固定口径与周期（1840年起）→ 平台通过数据许可协议接入农场记录 → 记录进入私有数据池 → 模型在池内训练 → 付费由种子、农机、保险与农资企业在既有服务价格里回收 → 结果验证留在平台内部，跨平台不复用。这条链条解释了美国的农业AI为什么表现为增强件：训练集合等于付费方的客户集合，模型为客户集合优化，客户集合之外的农田拿不到同等精度。

对采购方，这类产品在中国应用时缺两样东西：统一的地块主键与跨主体的标签口径，采购谈判要把数据迁移与导出条款写进去。对渠道，美国把AI打包进种子与机具价格，中国的农资渠道没有这条打包路径，AI要么单独定价，要么被项目预算吸收。对种植主体，接受附带AI的服务不额外增加支出，但要看清数据许可的范围与期限。对政策，把标签口径做成公共品，比补贴模型研发更能拉动采纳率。对技术供给方，跨平台数据不可复用，每进入一个市场就要重新组织一次训练集合，成本按市场数量计。

第六章 训练与成本结构：成本曲线由标注决定，算力只影响部署形态参数规模能买到，标注产能买不到。这一章把模型成本分成训练与推理两段，看每一段的边际成本随什么变化，以及中美的成本各自被压在哪一头。

6.1 参数已经分档，档位对应的是部署位置神农大模型3.0给出32B、7B、1B三档参数，配套36个农业智能体，官方提法是“小体积、高智能、低成本”，技术路径写明动态稀疏机制与增量压缩（来源：中国农业大学发布信息，2025年10月；发布方口径，压缩率与性能指标据发布方披露）。中国农科院农业信息研究所的农知大模型在2024年发布，称我国首个农业通用大语言模型；中化 iMAP 农业种植大模型在2025年8月发布，称在MAP技术服务中心应用后节水肥10%—20%、增产8%—10%（前两项来源：公开报道，2024年；第三项据企业披露，2025年8月，无外部对照）。参数往下探的产业含义落在部署位置：1B档能进农机终端与手持设备，7B档进县场级服务器，32B档留在云上。

表6-1 模型规模—算力—成本结构表

参数档部署形态算力位置推理成本训练成本数据要求口径与时间---------------------1B端侧农机终端、手持设备低，本地完成低单一作物、单一区域神农3.0三档口径，2025年10月7B边缘县级或场级服务器低，需本地运维中多作物、多区域同上32B云数据中心低，依赖网络高跨作物、跨区域、长时序同上更大规模云数据中心高极高通用农业语料参数与成本均未披露来源：中国农业大学发布信息（三档参数与压缩技术）；训练与推理成本的具体金额没有公开口径，表内为量级排序。

图6-1 模型参数档位与部署形态成本对照（相对指数）

注：相对指数为量级排序示意，非实测成本数据；基准＝1B档云部署＝1.0；参数档取自神农大模型3.0发布口径（2025年10月），成本指数依训练数据规模与部署算力要求排序。数据来源：中国农业大学发布信息、公开技术资料

编制：Agritoken 产业研究，2026年9月

6.2 标注成本随作物、区域、生育期的组合线性增长通用文本标注能把一类任务摊销到海量样本上，农业标注的对象是作物、区域、生育期的三层组合，换一层要重标一遍，标注量随组合数乘算，成本随组合数线性增长。国家数据局把数据标注界定为把知识与经验注入训练数据的过程，同时点出数据采集成本高的问题（来源：国家数据局《关于推进行业高质量数据集建设行动的实施意见》，2026年6月8日，政策原文口径）。中国信通院把数据设计、采集汇聚、预处理、标注与质检并列为数据集建设的共性环节（来源：中国信通院《人工智能高质量数据集建设指南》，2025年8月，研究机构技术文件口径）。环节数固定，对象数乘算，这是成本曲线的形状。

服务商的公开报价按张或按帧计，单价随质检要求上浮（来源：农业AI数据标注服务商公开报价说明，2026年；企业口径，无统一价目）。全国层面没有标注成本的公开统计，亩均标注成本的实测值目前没有公开口径。

表6-2 农业数据标注的对象与计价口径

标注对象计价单位公开性用途口径与时间---------------遥感地块分割按帧官方统计侧已用于低空样方分割面积与作物识别国家统计局农村社会经济调查，2026年4月长势与病虫害识别按帧服务商报价，无统一价目识别层模型训练服务商公开报价，2026年产量与品质实测按样本点与测产、土壤采样同源结果标签成本随样本密度上升农事操作记录无独立计价随作业记录生成过程标签需经营主体配合来源：国家统计局农村社会经济调查技术实施路线；标注服务商公开报价说明；第2篇作业数据路径。

6.3 训练成本是前期沉没投入，推理成本是持续的正成本第1篇把农业AI大模型放在第四象限，判断依据落在推理侧的单位成本上。训练成本在模型上线前一次性付清，额度大、回收周期长，属前期沉没投入；推理成本随每次调用持续发生，由算力、能耗与显存带宽构成，是持续发生的正成本。单位成本随规模扩张与优化下降——Gartner预测，到2030年1万亿参数大模型的推理成本比2025年降低90%以上（Gartner，2026-04-16，新闻稿；口径：生成式AI提供商的推理成本）；成本总量随调用量线性增长，规模化之后推理在总成本中的占比上升——生产环境下推理占AI系统全生命周期总成本的80%—90%（多项独立研究综述，Hitachi Vantara 引述，2026年；口径：全生命周期成本占比）。算力与能耗构成硬约束：Gartner预计2026年数据中心用电量565TWh、同比增26%，其中AI优化服务器占31%（Gartner，2026年；数据中心用电口径）；国际能源署预计2026年全球数据中心耗电量突破1000TWh（国际能源署，2025年4月）。把模型服务的成本记作零，只在软件复制的语义下成立——软件多复制一份不额外消耗算力；这条类比搬到算力与能耗约束下不成立，第1篇第十一章图11-1的相对成本指数按软件复制语义取示意值。可核依据：单位价格仍为正——主流厂商的 API 价目表按 token 计价，标价仍为正数（OpenAI API 官方定价页，2026年9月；口径：每百万 tokens 美元标价）；国产大模型在 2026年6月的多轮调价中降幅超 90%，计价方式未变（人民网，2026-06-16，媒体转述口径）。推理占比上升——2026年推理工作负载约占 AI 计算资源的三分之二，2023年约三分之一、2025年约一半（Gartner 口径，经 Introl 2026年引述）。训练成本内部同样分叉：算力是采购得到的标准化资源，价格随市场下行；数据与标注是组织出来的非标准资源，价格随质检要求上行。两端走势相反，成本结构的天平向标注一侧倾斜。

企业自报的效果口径要与成本结构一起看。中化 iMAP 的节水肥10%—20%、增产8%—10%（据企业披露，2025年8月）没有公开的对照田数据；北大荒大模型1.0称覆盖4,800万亩耕地、建成48个农业模型、多项识别准确率90%以上、数字农服平台服务60万家（据企业披露，2026年9月，世界农业科技创新大会农业人工智能论坛）。两项披露里，准确率的测试集构成与效果的对照设置均未公开，这些数据能说明模型的覆盖规模，不能说明建议的被采纳程度。

6.4 付费方决定成本被压在哪一头中国付钱的是财政专项与国企数字化投资，采购口径写的是准确率、覆盖面积与识别类别数，三项都落在识别层（口径承第1篇第十一章；已披露的智慧农业基地类项目以工程类立项，来源：中央政府采购网，2025年11月中标公示，项目编号 GC-GGG251168B）。美国付钱的是种子、农机、保险与农资企业，模型效果进入这些企业的服务价格，付费方有动力把标注做到结果层（口径承第1篇第十一章；企业产品形态见表5-1）。

成本结构由此分叉：中国的成本压在平台与设备上，标注被省掉，模型停在识别层；美国的成本压在数据协议与结果验证上，研发投入换到的能力留在平台内部。

对中国的一句判断：标注单价与标注主体是成本表上的两个空格，填上之后模型才可能进决策层。对美国的一句判断：成本结构已经把验证环节压进企业的服务价格，这条曲线既让平台有动力持续标注，也让数据更难离开平台。

付费方决定验收口径（准确率与面积）→ 验收口径决定标注做到哪一层（识别层）→ 标注层级决定训练集能带什么标签（动作与类别）→ 标签层级决定模型能出什么建议（识别结果与产量决策）→ 建议层级决定付费方是否复购。这条链上，标注是唯一没有市场价的环节。

对采购方，把标注量与实测标签点数写进需求文件，比抬高准确率门槛更能筛出能进决策层的供给方。对渠道与服务商，飞防队、农机队与基层农技员是现成的标注产能，这部分人力可以单独定价。对种植主体，不必看参数档，看的是建议能不能对上一季的实测结果。对政策，标注环节的公共投入需要独立科目，混在平台建设里会随项目结束一起停。对技术供给方，1B档模型是端侧部署的现实尺寸，参数继续放大换不到田间采纳率，压缩技术与稀疏机制是把智能放进田间的现实路径。

第七章 中国案例图谱：四类主体的四种打法7.1 高校与科研院所：模型发布最密，自有数据最薄2023年12月29日中国农业大学发布神农大模型1.0，2024年7月13日迭代到2.0，2025年10月发布3.0，给出32B、7B、1B三档参数与36个农业智能体（来源：中国农业大学新闻与公开报道，2025年10月；发布日口径）。中国农业科学院农业信息研究所2024年发布农知大模型，2026年与黑龙江省农业科学院联合推出龙江农知大模型。中国农业科学院生物技术研究所推出面向基因挖掘与性状预测的农业科学发现大模型，支持用自然语言驱动的分析流程。南京农业大学2026年5月18日发布神农慧种系列智能体，配套领域大模型、高质量数据集、知识图谱与机理模型（来源：南京农业大学官网，2026-05-18；发布日期口径）。

这一类主体的产出节奏最快，公开成果最集中，自有地块记录最薄。训练语料来自公开文献、品种审定资料、试验站历史记录与项目合作农场的样本；合作农场样本随项目起止，跨年连续、带产量标签的地块记录不在自己手上。发布量最大的一类，恰好是自有数据最薄的一类。把同一个数据源持续产出、口径统一、标签能被作业结果反向校验的一整条链作为判据，高校与科研院所的成果落在链的模型端，数据端不在自己手里。

这一类的清单在2026年继续加长，结构没有变化。中国农业大学在神农3.0之后推出神农4.0、神农·农业世界模型1.0与工耕农业机器人大模型，南京农业大学在2026年1月发布司农大语言模型、5月发布神农慧种系列智能体，华中农业大学有华农智能体1.0与粮策大模型，中国农科院系统有农知大模型、龙江农知、农业科学发现大模型与农耕大模型1.0。发布密度最高的这一类，语料来源仍是公开文献、品种审定资料、试验站历史记录与合作农场样本；司农把权重公开出来，等于把模型能力交给使用方在自己的数据上继续训练，代价是自家数据端的短板被摆到台面上。以通用模型为底座的条目把训练成本压到最低——农知以华知为底座、雄小农融合DeepSeek-R1、iMAP结合九天——代价是能力上限受基座约束，能改的是知识与接口，不是农艺判断的精度。

7.2 央企与国企：模型挂上已经存在的服务网中化农业2025年8月发布iMAP农业种植AI大模型，称业内首款，在MAP技术服务中心应用后节水肥10%—20%、增产8%—10%（据企业披露，中化农业官网，2025年8月）。同一主体的数字农业系统另外公布两组规模数字：线上活跃用户超30万人、线上服务面积超1亿亩；MAP中心与900余个MAP农场、直接服务耕地1162万亩、联农带农145万余户（据企业披露，21世纪经济报道口径，2025年）。两组数字的统计对象不同，前者按线上系统的服务覆盖计入，后者按直接经营与托管耕地计入，相差接近一个数量级，企业对外披露时未作合并说明。服务面积是可以随口径调整的指标，用它判断集中度会得到两个不同的答案。

北大荒集团2026年9月在世界农业科技创新大会农业人工智能论坛发布北大荒大模型1.0，覆盖4800万亩耕地，已建48个农业模型，多项识别准确率90%以上，数字农服平台服务60万（据企业披露，中国农业大学新闻与WAFI2026论坛口径，2026年9月）。北大荒的耕地由集团统一经营，地块边界、作业记录与产量结果在同一个主体内部归集，依托一张图建设的规模化种植管理平台直接对着这4800万亩耕地与60万种植户（来源：北大荒集团公开报道，媒体口径）。训练样本与考核对象是同一批地，反馈环能闭合的条件在这一类主体身上最容易满足。

山东省属国资国企2025年10月31日发布智慧农业AI大模型，称中国首个智慧农业AI大模型（来源：山东省国资委发布，国务院国资委网站转载，2025-10-31；发布日口径）。

国企与央企的模型不靠订阅收费，成本摊在已经存在的托管合同、投入品供应与农服体系上，付费方是财政专项与国企数字化投资，验收标准写进项目文件，模型要对的指标是覆盖面积、识别准确率与节本幅度。

央企与国企这一类的清单在2026年变长，付费结构没有变。中化iMAP在MAP技术服务中心使用，模型体系由多尺寸模型融合而成；北大荒大模型1.0覆盖耕地4,874.4万亩、已建48个农业模型；山东省属国资国企在2025年10月31日发布智慧农业AI大模型。农耕大模型1.0由中国工程院院士唐华俊领衔攻关，落在耕地监管与生产决策，验收对象是耕地监测的图斑与口径，不是单季产量。这一类的共同点是把模型挂上已经存在的服务网络或监测体系，效果指标写成覆盖面积、识别准确率与节本幅度，付费方是财政专项与国企数字化投资。

7.3 平台与大厂：供给算力与算法，不持有地块记录京东科技生物资产监管平台用物联网采集与算法服务农业信贷的贷前、贷中、贷后，把在栏牲畜的数量与状态变成可核查的授信依据（来源：京东科技公开页面，产品口径）。这一类主体提供的是通用能力：算力、模型工具链、算法工程。它们不缺模型能力，缺的是耕地与作业的一手记录；信贷风控对数据的连续性与可核性要求高，正好用得上自有的设备与风控模型，不必涉入农事决策。付费方是金融机构与农业企业，不经过农户。模型能力留在工具层，数据留在客户侧，两头不连成一条链。

7.4 机器采集运营商：作业数据在手，模型能力最薄田间作业记录按地块与日期自动生成，是当前中国最连续的一类地块级数据（来源：第二篇已固化条目，无人机保有量25万架，大疆59%、极飞17.1%，截至2025年）。这种记录回答哪块地、哪一天、做了什么，回答不了结果如何——产量、品质与投入产出比要靠另配的测产与收购记录。采集侧的强项是密度与时效，弱项在模型侧的人才与算力积累。作业数据要变成训练样本，中间隔着测产标注与口径对齐两道工序，这两道工序不在采集商的收入结构里。

采集侧的模型能力在2026年有了可核的数字。极飞智慧农业大脑XAI用真实生产场景数据训练，地块边界、作物定位识别准确率98.60%；大疆农业以航测无人机巡田图像驱动农田与作物自动化监测，两家把识别精度做进产品交付。识别能力与决策能力不在同一层：前者出错可以由人工复核，后者出错直接落在当季投入与产量上，采集侧目前只在第一层有交付物。

7.5 付费方决定四类主体各自的数据标到什么精度四类主体的起点相同，落点不同。政策与确权决定谁能合法持有地块记录；主体行为决定记录被不被采集；数据产出决定模型能吃到什么；模型能力决定建议的精度；付费决定链条能不能转起来；反馈决定标签对不对。高校与科研院所的付费方是科研经费与地方专项，验收对象是成果与项目结题，模型对作业错误的负责机制最弱。央企与国企的付费方是财政与国资投资，验收对象是覆盖面积、识别准确率与节本幅度，反馈来自托管地块的收成。平台与大厂的付费方是金融机构与企业客户，验收对象是风控指标。机器采集运营商的付费方是农户与服务组织，按作业亩次结算，验收对象是作业质量。

四类主体能走多远，取决于各自手上有多少带产量标签、跨年连续的同一块地的记录。

7.6 中国还没有一家主体把地块记录与产量结果连成一条链四类主体的商业模式互不替代，谁也没有把地块记录与产量结果连成一条链。中化农业线上服务面积超1亿亩与直接服务耕地1162万亩相差近一个数量级（均据企业披露，2025年），集中度指标本身没有统一口径，按任何一套算法都得不出头部锁定已经发生的结论。中化iMAP的节水肥10%—20%、增产8%—10%与北大荒的识别准确率90%以上均属企业自报，出数方式是应用统计，未见同地块对照田块设置与样本量的公开说明（据企业披露；2025

8080-70-（非=60(0005040-3030-201210-420服务规模1X服务规模5X服务规模10X服务规模50X服务规模100X数据来源：口径承第1篇第十一章图11-1；纵轴为相对边际成本指数，100=基准；示意值，非实测序列，不含实测金额。取该业态一条曲线作放大呈现。美国中