در بخش اول این مقاله به بررسی پتانسیل های هوش مصنوعی پرداخته شد. اما با وجود این پانسیل ها، هوش مصنوعی آنچنان که در صنایع دیگر مانند پزشکی توفیق داشته است نتوانسته است در صنعت کشاورزی تحولات اساسی ایجاد کند و یا تبدیل به ابزاری کاربردی برای بهره برداران حوزه کشاورزی شود. سوال این جاست که چه چیزی کشاورزی را متفاوت می کند؟ در این قسمت از مقاله به پاسخ این سوال می پردازیم.
کشاورزی یکی از سخت‌ترین زمینه ها برای تعیین کمیت های آماری قابل کنترل است. حتی در یک محیط واحد، شرایط همیشه از یک بخش به بخش دیگر تغییر می کند. آب و هوای غیرقابل پیش‌بینی، تغییرات در کیفیت خاک و احتمال وجود آفات و بیماری‌ها موجب این تغییر می شوند. پرورش دهندگان ممکن است احساس کنند چشم انداز آنها برای برداشت آینده خوب است، اما تا زمانی که آن روز فرا نرسد، نتیجه همیشه نامشخص خواهد بود.
در مقایسه، بدن ما یک محیط محدود است. کشاورزی در طبیعت انجام می شود، در میان اکوسیستم‌هایی از موجودات و فعالیت‌های متقابل آن ها، و تولید محصول در آن محیط اکوسیستم ها اتفاق می‌افتد. اما این اکوسیستم ها محدود نیستند. آنها در معرض عوامل مختلفی هستند از جمله رویدادهای آب و هوایی که تاثیرات بسیار زیادی در این اکوسیستم ها خواهند داشت. بنابراین، درک چگونگی مدیریت یک محیط کشاورزی به معنای در نظر گرفتن صدها، بلکه هزاران عامل است.
آنچه ممکن است با برنامه بذر و کود یکسان در منطقه غرب ایالات متحده اتفاق بیفتد تقریباً به طور قطع با آنچه با همان برنامه بذر و کود در استرالیا یا آفریقای جنوبی رخ دهد متفاوت است. از جمله عواملی که می توانند تأثیرگذار باشند و باعث این تغییرات باشند معمولاً شامل اندازه گیری باران در واحد محصول کاشته شده، نوع خاک، الگوهای تخریب خاک، ساعات روشنایی روز، دما و غیره می باشند.
بنابراین مشکل به کارگیری یادگیری ماشین و هوش مصنوعی در کشاورزی این نیست که دانشمندان ظرفیت لازم برای توسعه برنامه‌ها و پروتکل‌ها را برای شروع رسیدگی به بزرگترین نگرانی‌های تولیدکنندگان ندارند. مشکل این است که در بیشتر موارد، هیچ دو محیطی دقیقاً شبیه هم نیستند، که آزمایش، اعتبارسنجی و عرضه موفقیت‌آمیز چنین فناوری‌هایی را بسیار پر زحمت‌تر از سایر صنایع می‌کند.
در عمل، گفتن اینکه هوش مصنوعی و یادگیری ماشین می توانند برای حل تمام مشکلات مربوط به محیط فیزیکی ما توسعه یابند، اساساً به این معنی است که بگوییم ما درک کاملی از تمام جنبه های تعامل فعالیت فیزیکی یا مادی روی این سیاره داریم. به هر حال، تنها از طریق درک ما از «ماهیت اشیا» است که پروتکل‌ها و فرآیندها برای تحقق قابلیت‌های منطقی سیستم‌های شناختی طراحی می‌شوند و اگرچه هوش مصنوعی و یادگیری ماشین چیزهای زیادی را در مورد چگونگی درک محیط خود به ما می آموزند، ما هنوز از توانایی پیش بینی نتایج حیاتی در زمینه هایی مانند کشاورزی صرفاً از طریق توانایی شناختی ماشین ها فاصله داریم.
