（媒角抵加／林承志綜合報導）植物是否承受缺水壓力，可能從體內電訊號找到線索。Electric Plant研究團隊10月19日提交AI模型Bombadil研究，用感測器取得植物訊號，估計光合作用與水分壓力等七項指標，讓種植者參考讀數安排照護。研究已有跨物種測試，但部分植物表現較弱，新場址與自動灌溉仍待驗證；台灣交付及價格尚未公布。

關鍵資訊

  • 怎麼運作：電極讀取植物訊號，由Bombadil估計生理指標，再交給種植者決定照護方式。
  • 研究規模：預訓練使用100種植物、逾400萬電極小時紀錄；有葉片實測標註的資料涵蓋35種。
  • 目前限制：不同物種與感測器表現有差距，研究未納入完全未參與訓練的新場址測試。
  • 採用方式：公司提供現地安裝與校準；台灣交付、完整費用及繁體中文介面未列於公開產品頁與FAQ。

電極接上植物，模型把電壓變化轉成壓力讀數

依Electric Plant公開白皮書，研究團隊使用兩種自製設備：Bud用於戶外，Stem用於實驗室與溫室。成對電極插入植物的導電組織，持續記錄電位差；木本植物使用不鏽鋼螺絲，肉質莖植物使用細線電極。

訊號經整理後送入模型，估計葉片光合作用及蒸散相關的生理狀態。公司的產品頁把後續服務列為儀表板、警示與依場域設定的應用；FAQ則明訂，由使用者決定如何處理植物狀況。

用電訊號研究缺水已有先例。Daniel Tran等人於2019年發表的溫室番茄研究，便以電極持續記錄訊號，再用機器學習辨識水分壓力。Bombadil這次嘗試的，是讓同一個模型從多種植物學習，再處理不同物種的生理讀數。

先學100種植物訊號，再用葉片量測校對

白皮書記載，預訓練資料來自逾1,400株、100種植物，涵蓋實驗室、溫室、商業果園與自然森林等10個場址，累計超過400萬「電極小時」。一組電極記錄一小時，就算一個電極小時，多組電極的紀錄會累加。

研究先遮住部分訊號，讓模型練習補回缺漏，學習電訊號隨時間變化的結構；之後再用35種植物的葉片儀器量測，訓練它估計七項生理壓力指標，包括光合作用效率、葉片與空氣的溫差，以及作物水分壓力指數。

在研究團隊合併評估35種植物的結果中，預訓練模型估計的七項指標，與儀器讀數的一致程度都優於未經預訓練的比較模型。模型輸出的是生理數值；灌溉量、施肥量與照護決定仍由種植者判斷。

Bombadil將植物電訊號轉為生理指標估計，照護決定仍由人員核對；新場址與自動灌溉仍待驗證（AI生成流程示意）

水分壓力讀數仍有誤差，變葉木表現較弱

白皮書的詳細追蹤測試集中在六種標註較密集的植物，不同指標使用24至35株測試資料。模型對各項指標的掌握程度有差距；其中，作物水分壓力指數的估計誤差，高於只用該物種平均值作答的簡單基準。

變葉木（Codiaeum variegatum）在這組測試中表現最弱，多項指標的變化追蹤相關性接近零或為負。作者同時指出，該物種的測試只有四株、八個感測器，資料量與個別感測器差異，都可能影響結果。

這些差異會影響現場使用：追蹤同一株植物的讀數如何升降，以及比較不同植物誰承受較大壓力，是兩項不同的任務。研究發現，新物種缺少校準資料時，不同植物之間的數值比較尤其容易失準。

新果園與跨季節表現待測，自動灌溉列未來工作

研究以植物個體區分訓練與測試資料，也做了排除特定物種的實驗；但白皮書的限制章節寫明，沒有把某個場址完全排除於訓練之外，再測試模型能否適應。資料中的同一物種也沒有跨場址紀錄，場址差異與物種差異仍無法分開衡量。

單株植物最長只記錄三個月，完整生長週期與季節變化仍待補齊。把模型接上灌溉設備、由AI自動控制照護並蒐集運轉資料，也被作者列在未來工作，而非本次研究完成的驗證。

執行長Justin Mast接受TechCrunch採訪時，未透露初期客戶身分。

台灣業者洽談前，先確認作物校準與完整費用

截至10月21日，Electric Plant的產品頁與FAQ列出的流程，是先聯絡公司討論場址，再由團隊協助現地安裝與校準；兩頁未公布台灣交付安排、完整服務價格或繁體中文介面。

對想試用的台灣果園、苗圃或園藝業者，洽談可先聚焦自己的作物：是否有對應的葉片實測資料、如何確認模型在本地場址的誤差，以及安裝、通訊、維護和模型服務各計多少費用。

試用時可保留原有灌溉紀錄，將模型讀數與現場量測、植株狀況並列核對，再由管理人員決定是否調整澆水。這樣的評估才能回答，新增的電訊號是否提供了原有土壤、天氣或人工巡查資料以外的照護依據。

資料來源與更新紀錄