AI大模型+开源硬件：如何重构传统草饲牧场

在 AI Engineer 大会上，来自 Firecrawl 增长团队的 Cody 带来了一场出人意料的演讲。他没有讲又一个 SaaS 的 MCP 插件，也没有讲某个新框架，而是把话题拉到了一个大多数工程师从未想过的领域——养牛。更准确地说，是用 AI 大模型和开源硬件自动化「草饲牲畜的轮牧系统」。

Cody 的核心主张只有一句话：你想得还不够大。他认为整个 AI 工程圈花了太多时间「给写软件的人写软件，再给这些人写软件」，而现实世界里有大量值得用 AI 去解决的物理问题被忽视了。

为什么牲畜应该待在草地上

Cody 从一个基本假设出发：牲畜应当在草地上生活。他认为这对动物、消费者、农户和生态系统都更好。但现实是，目前约 97% 的牛在育肥场（feedlot）完成育肥，只有 3% 真正在草地上放养。

他并不反对圈养农业，但他相信更多动物本可以待在草地上。真正的瓶颈是什么？答案是——劳动力。

草饲远比想象中复杂。很多人以为「100 头牛放到 100 英亩草地上吃一年草就有牛肉了」，但这样做会迅速摧毁牧场质量：牛只吃自己喜欢的草，忽略该吃的，反复踩踏同一片区域。

草饲牛的常见误解：100头牛放100英亩草地

轮牧的难题：每天都要移动

解决办法是轮牧（rotational grazing）——把牧场切分成一个个小围栏（paddock），每块地只放足够牛群吃一天的量，然后每天移动一次。这样能让部分区域休养、部分区域被啃食，长期提升牧场产能。

但这意味着农户每天都要移动围栏、动物、水源，并持续追踪状态。工作量极大。

目前已有公司在尝试解决这个问题。Cody 提到了近期获得 Peter Thiel 以 20 亿美元估值投资的 Halter，以及另一家 No Fence。它们通过给动物佩戴连接 GPS 卫星的项圈，让农户远程绘制虚拟边界、遥控移动牛群。

他认为这是正确方向，但仍有硬伤：你依然得知道该往哪里移动。而这并非一门精确科学——草不会每天均匀生长，干旱、降雨、某片区域被踩踏的程度都会影响判断。今天这个决策靠的是农户亲自到牧场「用眼睛看草」，凭直觉做出下一步安排。

于是核心问题变成：如何替代农户在牧场上的那双眼睛，让他们能远程做出有依据的移动决策？

Halter 成立于新西兰，2024年获得 Peter Thiel 旗下 Valar Ventures 领投的融资，估值约20亿美元，是目前智能畜牧项圈领域融资规模最大的公司之一。其核心产品是一种带GPS、太阳能充电和音频震动模块的牛项圈，通过在牛耳附近发出不适音调来「驱赶」牛只朝指定方向移动或离开虚拟边界，无需物理围栏。No Fence 则是挪威公司，技术路径类似，主打羊群和山地地形适用性。这两家公司共同验证了「虚拟围栏（virtual fencing）」这一技术方向的商业可行性，但它们均采用封闭硬件+订阅软件的商业模式，农户无法将自有算法或第三方软件接入项圈控制层，这也是 Cody 批评其生态锁定的根本原因。

用 LLM 做多变量决策

Cody 提出了几种「替代农户眼睛」的技术路径：

无人机正射影像图：飞过牧场拍高分辨率草地图像。缺点是需要培训农户飞行、监管限制多，且全球尚无司法辖区批准此类自主无人机应用。
卫星影像：他最青睐的方案。有一家名为 Planet 的公司每天以 1×1 米分辨率拍摄整个地球。但卫星距离太高，难以捕捉判断所需的细节。
低成本地面参照：他在密苏里的朋友（林肯大学研究生助理）用一个简单方案——在树旁放一个红外相机加测量装置，通过参照物判断草高。

如果能解决草高测量与项圈控制问题，Cody 设想在整个循环中「放入一个 LLM」，开启自主放牧运营。

以卫星和影像判断草地生物量，实现规模化竞争育肥场

这本质上是一个多变量分析问题。LLM 需要综合大量输入：动物当前 GPS 位置、昨天在哪、明天可能去哪、当地干旱情况、全场草高等。而且决策要在多个层级同步进行——单头牛的最佳位置、牛群相对牧场的最佳位置、牧场相对整体生态的最佳位置。这些因素相互反馈，一旦整体优化，就能在更少的土地上养更多动物，从而真正与育肥场模式竞争。

Planet Labs 是一家美国商业卫星公司，运营着目前地球上规模最大的光学遥感卫星星座，旗下 PlanetScope 卫星群可实现每日一次对全球陆地的完整覆盖，分辨率约3-5米（Cody 此处引用的「1×1米」为近似或理想值）。相比传统政府卫星每周甚至每月一次的重访周期，Planet 的「每日存档」特性使其在农业监测领域具有独特价值——可以追踪植被指数（如 NDVI，归一化植被指数）的逐日变化，从而推断草地生长速率与生物量分布。NDVI 通过比对近红外与红光波段的反射率差异来量化植被健康程度，数值越高代表植被越茂盛，这正是判断「哪块围栏可以进牛、哪块需要休养」的关键数据输入。

三大待解障碍与开源硬件呼吁

Cody 提出实现这套系统需要突破三个障碍：

1. 知识库

关于何时移动、为何移动、如何移动的知识，大量分散在 YouTube 视频和研究论文中——密苏里、田纳西、肯塔基那些「老农」的实践经验尚未被结构化。这正是他在 Firecrawl 和其开源项目 OpenPasture 上做的事：用 Firecrawl 抓取 YouTube 视频、arXiv 论文等数据，构建知识库并开放给农户使用。

2. 可视化层

需要量化两件农户靠直觉获取的信息：生物量（biomass）（可供啃食的植被总量）和生物多样性（biodiversity）。过度啃食某些区域会破坏冷季/暖季草种和豆科植物的平衡；理想的多样化牧场能让牛从草中获取全部宏量与微量营养，减少铜、铝等人工补充，趋近一个「无人干预」系统。

Cody 希望在软件层创新，而非受限于封闭项圈

3. 开放硬件（项圈）

这是他对现场观众最直接的呼吁。他认可 Halter、No Fence 推动的技术，但强烈反对其封闭生态：使用它们的软件必须买它们的项圈，且无法接入自己的软件。

「我想在软件层创新，把我的 LLM 预测出的 GPS 位置推送到项圈上，而不必依赖它们的软件。」

他呼吁有人做一个专利开放、API 开放、最好是现成组件拼装的项圈——考虑到农户素来动手能力强、对 John Deere 的封闭和「维修权」问题积怨已久，开放硬件才能让大家在软件层公平竞争。

Cody 提及的「维修权（Right to Repair）」问题在农业机械领域已是长期争议。以 John Deere 为代表的大型农机厂商通过软件锁定限制农户自行维修设备——即便拥有硬件，也需要授权诊断工具才能重置故障代码或更换零部件，农户被迫依赖官方授权经销商，维修成本与等待周期大幅上升。美国多个州已就此立法，2023年纽约州通过了全美首部针对农业设备的维修权法案，John Deere 也随后与美国农业局签署了自愿协议承诺开放部分维修数据。这一背景使得「开放硬件项圈」的呼吁对农户群体具有天然的情感共鸣——他们对封闭生态的戒心早已被耕作经历磨砺出来，而非单纯的技术偏好。

叠层放牧：反刍动物 + 鸡

Cody 还剧透了这个系统超越单一软件的潜力——多物种叠层放牧。

牛、羊、山羊都是反刍动物（ruminants），能消化草。而他提到一家启发了他的公司 Pasture Bird：把传统鸡舍装上大轮子，自动化移动，每 20 分钟挪动一个身位，24 小时匀速爬过牧场。因为鸡是杂食动物、主要靠谷物补充营养，所以可以这样精确移动，其粪便中的氮还能给草地充当肥料。

叠层放牧带来更强健的种群与更低干预成本

更妙的是叠层协同：反刍动物先「剪掉」草的顶部，鸡跟在后面从粪便中啄食寄生虫，从而降低全场寄生虫负荷、减少用药成本。长期下来能培育出更强健的种畜——只需吃草，少干预，最终变成肉。

反刍动物（ruminants） 拥有多腔室胃（牛为四个胃室：瘤胃、网胃、瓣胃、皱胃），能通过微生物发酵将纤维素分解为可吸收的挥发性脂肪酸，因此可以从草等高纤维植物中获取能量，而单胃动物（如猪、鸡）则无法高效消化草料。叠层放牧的生态逻辑建立在不同物种对同一牧场资源的「时间错位利用」上：牛先啃去草的顶部（偏爱嫩叶），留下茎秆与粪便；鸡随后进入，从粪便中啄食蛆虫与寄生虫幼卵（打断寄生虫生命周期），同时鸡粪富含氮素，可促进牧草再生。这种协同不仅减少驱虫药使用，还将两种养殖产品（牛肉与鸡肉/鸡蛋）的生产成本分摊到同一片土地上，是再生农业（regenerative agriculture）实践中的经典范式。

演讲的三个 takeaway

Cody 最后总结了希望听众带走的三点：

去解决更大、真实、物理世界的问题——那些需要多变量分析、而非「是/否」二元判断的问题。他反驳了「把 LLM 变成确定性流程」的思路：很多问题根本没有确定性算法，轮牧就是其一，不存在「下一块最佳围栏」，只有「你认为它们该去哪的最佳猜测」。
把这类多数据输入系统交给 LLM 推理，给出建议由人确认或否决，就能突破农户个人劳动与决策力的天花板。
而这一切的第一难题，正是为智能体收集、打包并呈现上下文——这恰是 Firecrawl 在做的事。

Cody 坦言，这场演讲也是一次面向工程师的招募与召集：无论是来做那个开放项圈，还是加入 Firecrawl 一起把网络数据变成智能体的上下文，他都欢迎。这个看似「离经叛道」的养牛话题，最终回到了一个朴素的信念——AI 工程师的想象力，不该只停留在下一个 SaaS 工具上。