Electric Plant Company ha presentato Bombadil, un foundation model sviluppato per interpretare i segnali elettrici prodotti dalle piante e ricavare informazioni sulle loro condizioni fisiologiche. La società statunitense ha annunciato contemporaneamente un finanziamento seed di 11,2 milioni di dollari, destinato a sostenere lo sviluppo della propria tecnologia di plant intelligence. L’azienda è stata fondata nel 2023 da Justin Mast, imprenditore precedentemente impegnato nella creazione della piattaforma di vendita online di piante Bloomscape, e dal neuroscienziato Lee von Kraus, che aveva collaborato con la Defense Advanced Research Projects Agency statunitense. Bombadil nasce dall’applicazione di metodi di apprendimento automatico allo studio dell’elettrofisiologia vegetale, disciplina che analizza le variazioni del potenziale elettrico all’interno dei tessuti delle piante. Tali variazioni possono essere associate alle risposte dell’organismo a cambiamenti ambientali e condizioni di stress, incluse disponibilità idrica e nutrizionale. La piattaforma intende utilizzare queste informazioni per ottenere misurazioni continue dello stato delle colture, integrando gli indicatori tradizionali basati sul terreno, sulle condizioni meteorologiche e sull’osservazione delle foglie.
La differenza principale rispetto ai precedenti sistemi di analisi elettrofisiologica riguarda l’impiego di un modello di base addestrato su più specie e ambienti. Le applicazioni precedenti erano spesso costruite per riconoscere un singolo fenomeno in una determinata pianta, rendendo necessario raccogliere nuovi dati e addestrare nuovamente il sistema quando cambiavano specie, condizioni di coltivazione o obiettivi di misurazione. Bombadil è stato invece progettato per apprendere rappresentazioni comuni dei segnali elettrici vegetali, utilizzabili successivamente per differenti attività di valutazione. Il preaddestramento è stato effettuato su oltre quattro milioni di ore cumulative di registrazioni, raccolte da circa 1.400 esemplari appartenenti a 100 specie vegetali. I dati provengono da dieci siti comprendenti laboratori, serre, frutteti commerciali e foreste naturali, così da includere condizioni ambientali e organismi differenti. Il numero di ore indicato rappresenta la somma delle registrazioni effettuate dai sensori, non la durata cronologica di una singola sperimentazione.
La procedura di addestramento utilizza apprendimento autosupervisionato, una tecnica nella quale il modello impara a rappresentare le caratteristiche dei dati senza dipendere esclusivamente da grandi quantità di esempi annotati manualmente. Nel caso di Bombadil, alcune porzioni dei segnali elettrici vengono nascoste e il sistema deve ricostruirle utilizzando le informazioni disponibili nel resto della sequenza. Questo processo costringe il modello a individuare relazioni temporali e strutture ricorrenti nei segnali acquisiti. La rappresentazione così appresa può essere utilizzata come base per moduli specializzati nella stima di determinati indicatori fisiologici, evitando di ricominciare ogni volta l’intero processo di addestramento. L’architettura è stata concepita per favorire il trasferimento delle conoscenze tra specie differenti e per consentire l’aggiunta progressiva di nuove capacità di analisi, anche se la generalizzazione effettiva deve essere verificata sulle singole colture e condizioni applicative.
Nella configurazione presentata, Bombadil è in grado di stimare sette indicatori fisiologici, tra i quali efficienza della fotosintesi, temperatura delle foglie e indice di stress idrico delle colture. La raccolta dei dati avviene attraverso Bud, un sensore a basso costo applicato direttamente alla pianta per registrarne continuamente l’attività elettrica. Le informazioni vengono successivamente elaborate dal modello e presentate attraverso dashboard e notifiche, permettendo agli operatori di osservare variazioni dello stato fisiologico nel tempo. La misurazione diretta dei segnali vegetali viene proposta come integrazione alle tecniche di monitoraggio già utilizzate in agricoltura, perché può fornire informazioni interne all’organismo prima che determinati fenomeni producano sintomi visibili. Nei frutteti, per esempio, il sistema può essere impiegato per individuare segnali compatibili con stress idrico e supportare le decisioni di irrigazione; negli ambienti forestali, l’obiettivo è rilevare condizioni di carenza d’acqua e possibili segnali di indebolimento degli alberi.
Justin Mast ha dichiarato che l’utilizzo della tecnologia potrebbe permettere di aumentare le rese agricole riducendo contemporaneamente il consumo d’acqua di oltre il 20%. Si tratta di un beneficio prospettato dall’azienda e non di un risultato generalizzabile già dimostrato per tutte le colture. Le prestazioni operative dipendono infatti dalle caratteristiche delle specie vegetali, dalla disponibilità dei dati, dalle condizioni ambientali e dalla capacità di collegare le misurazioni elettrofisiologiche a decisioni agronomiche appropriate. Electric Plant Company considera l’attuale sistema uno strumento prevalentemente orientato all’ascolto e all’interpretazione delle risposte delle piante. Il programma di ricerca prevede, nel lungo periodo, lo sviluppo di strumenti che permettano un’interazione più articolata con gli organismi vegetali, ma le capacità attualmente documentate riguardano la raccolta dei segnali, la loro analisi mediante AI e la stima degli indicatori fisiologici. Bombadil rappresenta quindi una piattaforma sperimentale per associare registrazioni elettriche multispecie a informazioni utilizzabili nel monitoraggio agricolo e ambientale, con un’architettura concepita per ampliare progressivamente le funzioni senza ricostruire integralmente il modello per ogni nuova applicazione.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)