Naukowcy z arXiv opublikowali pracę dotyczącą autonomicznych asystentów opartych na LLM do zarządzania uprawami w kontrolowanych warunkach. Zamiast tradycyjnego podejścia, gdzie człowiek analizuje dane i podejmuje decyzje, system przetwarza dane z 49-kanałowej sieci sensorów - mierzącej parametry multispektralne, elektrochemiczne i dielektryczne - i bezpośrednio steruje urządzeniami w systemie roślinnościowym. LLM interpretuje sygnały biofizyczne, diagnozuje stan fizjologii rośliny i autonomicznie moduluje oświetlenie (pełne spektrum, 450 nm, 660 nm) co 2 godziny, aby zoptymalizować wzrost.
Ramework został przetestowany w trzech scenariuszach: na fermach wielokondygnacyjnych i systemach jednoroślinnościowych. Agenci zainstalowani w systemach produkcyjnych w pełnej skali wykonywali optymalizację wieloparametrową, balansując przyrost biomasy, zawartość chlorofilu i zużycie energii. W trybie minimalnego czasu cykl produkcji został skrócony o 35 procent w porównaniu ze sterowaniem okresowym, co sugeruje znaczące zwiększenie wydajności.
To przełom w zastosowaniu LLM poza tradycyjnym przetwarzaniem tekstu. Zamiast analizy i wspomagania decyzji człowieka, system tworzy zamkniętą pętlę: sensory pozyskują dane, model je interpretuje i bezpośrednio wystawia komendy dla Hardware'u. Dla rolnictwa precyzyjnego oznacza to potencjał automatyzacji eksperymentów biologicznych, optymalizacji zasobów i skalowania produkcji bez ciągłego nadzoru człowieka.