Ingeniører ved Massachusetts Institute of Technology har utviklet en kunstig intelligent "matcomputer" som automatisk optimaliserer forhold, som fuktighet og lys, for å produsere de ønskede kvalitetene i planter. I motsetning til andre lignende utviklinger er systemet åpen kildekode, og ingeniører har lagt ut instruksjoner om hvordan de skal monteres og konfigureres på egenhånd. En detaljert beskrivelse og dokumentasjon er tilgjengelig på MIT Media Lab-nettstedet, og Fast Company skriver også om det.
For å øke effektiviteten til voksende planter ved å redusere den plassen som kreves for dette, utvikles ulike konsepter, for eksempel vertikale gårder og dyrking i et kontrollert miljø. I motsetning til konvensjonelt jordbruk blir plantene ikke opplyst av sollys, men av lysdioder. Noen prøver å tilpasse dem for masseutplassering og selvmontering.
MIT-ingeniører presenterte en prototype av systemet sitt tilbake i 2015, og kalte det OpenAg. Prototypen besto av en metallbeholder, inne i den var det sensorer, lysdioder, pumper for tilførsel av vann og gjødsel, og andre komponenter som gjorde det mulig å endre klimaet inne i beholderen. De presenterte også en mer massiv versjon, plassert i en standard lastcontainer, og bestående av flere celler, hvor hver av de separate forhold ble opprettholdt. Opprinnelig analyserte forskere dataene uavhengig og valgte de beste, etter deres mening, forholdene.
I midten av 2016 begynte forskerteamet å samarbeide med et kunstig intelligensfirma. Målet med partnerskapet var å øke hastigheten og automatisere utvalget av nødvendige forhold. Forskerne valgte basilikum som modellplante. Systemet analyserte kontinuerlig tilstanden til plantene fra de parallelle arbeidscellene og justerte forholdene for å dyrke neste avling.
Array av flere isolerte celler med forskjellige forhold / Open Agriculture Initiative, MIT Media Lab (openag.mit.edu | CC-BY-SA 4.0)
Forskerne klarte å optimalisere algoritmen for å multiplisere syntesen av spesifikke molekyler i planten som er ansvarlige for smak. I fremtiden planlegger de å trene systemet for å optimalisere forholdene for mange forskjellige egenskaper, for eksempel smak, størrelse eller pris. Forskerne understreker at, i motsetning til andre kjente utviklingstrekk i dette området, er deres system helt åpent og tilgjengelig for selvkonstruksjon eller modifikasjon.
