Vertical AI 系列（一）：最傳統的產業，是不是最大的機會？
AI 征服了研究分析、現在幾乎解決了寫程式。下一步很自然是進入各個 vertical。這個系列的第一篇，我選了農業，因為我在想：最傳統的產業，是不是反而最大的機會？
這是一個新系列的第一篇。
起心動念很簡單。過去一年，我觀察到一件事：AI 基本上已經 dominate 了所有跟「整理資訊、撰寫研究報告」有關的工作。你問我某個產業的 landscape、某家公司的競爭對手、某個市場的規模，AI 給你的答案已經比大多數初級分析師（aka 我本人）快得多、也好得多。
再來是程式碼。這件事的進展比很多人預期的還快。現在的 AI coding agent 已經可以獨立完成相當複雜的工程任務，寫程式這件事大概已經 95% 解決了。
那下一步呢？
我認為下一個很自然的 evolution，是 AI 開始進入各個 vertical，用領域知識解決那個 vertical 才有的問題。不是通用的 chatbot，是真的懂農業的 AI、懂牙科的 AI、懂工地的 AI。
在這個系列，我會挑幾個我自己研究過的 vertical，分享我的觀察和想法。第一篇，我選了農業。
選農業的理由說來有點第一性原理：最傳統的產業，是不是反而最有機會？ 越 analog 的行業，AI 帶來的 delta 越大；越少被 VC 關注的市場，越可能還有未被發現的 alpha。帶著這個問題去研究，發現農業 AI 的進展比我預期的有趣很多。
TL;DR
農業是全球最大的產業之一，但也是數位化程度最低的。AI 正在從幾個不同的切入點同時進攻這個市場：種子的基因工程、農機的自動化、農藥的精準施用，以及農業數據的整合。我認為這個 vertical 目前的發展遠比主流 tech 圈意識到的還要前沿，而且最有趣的商業模式問題是：農業 AI 的錢，最終是誰在付？誰又是真正的贏家？
先問一個問題：農業的問題是什麼？#
在講公司之前，我想先把問題說清楚。
農業面臨的困境，用一句話說就是：在資源越來越稀缺、氣候越來越不穩定的世界裡，要用越來越少的人養越來越多的人。
展開來看，有三個核心矛盾：
第一，人力荒。農業人口持續老齡化，年輕人不願意下田。日本農業從業者的平均年齡已超過 68 歲，台灣、韓國的情況類似。這不是短期現象，是結構性的人口問題。
第二，資源浪費。全球農業用水佔淡水總消耗量的 70%，農藥和化肥的有效利用率平均不到 50%。換句話說，超過一半的農藥噴到了不需要的地方，最終進入土壤和水源。這是錢的問題，也是環境問題。
第三，氣候不確定性。極端天氣讓產量預測越來越困難。農民每年在種什麼、種多少、什麼時候種的決策上，面對的不確定性正在系統性地升高。
把這三個問題攤開，你會發現 AI 其實對農業有非常清楚的 value proposition：用更少的人、更精準地使用資源、在更複雜的環境裡做更好的決策。
但真正有趣的問題不是「AI 能解決什麼」，而是**「誰在為這個解決方案付錢？」**
農民是一個非常難賺錢的 customer。利潤薄、付費意願低、對新技術的採用速度慢。你仔細看農業 AI 的幾家主要公司，會發現他們的客戶結構各自做了不同的選擇。有的直接賣給農民，有的繞過農民賣給農企業，有的索性把自己的產品做成農民不得不用的基礎設施。
這個選擇，決定了他們的 business model，也決定了他們的 moat。
Inari：從源頭改寫遊戲規則#
如果要找一家公司代表「農業 AI 走得最前面的可能性」，Inari 大概是最適合的例子。
Inari 做的事情，是用 AI 預測模型分析龐大的植物基因庫，再結合 CRISPR 基因編輯，開發出更高產量、需要更少水和化肥的種子。大豆、玉米、小麥，農業裡最重要的幾個作物，他們都在做。
2025 年 1 月，Inari 完成了 1.44 億美元的 Series G 融資，累計融資總額達 7.71 億美元。這個數字放在整個 AgriTech 圈，是極少數能達到的規模。背後的投資人是 Flagship Pioneering，也就是孵化了 Moderna 的那個公司。
Flagship 的邏輯一向是：找到真正的科學突破，然後用公司的形式把它產品化。Inari 被他們投資，本身就說明了一件事：這不是「把 AI 貼在農業上」的故事，而是「AI 真的在解決農業的核心問題」。
我認為 Inari 最有意思的地方，不在於技術有多厲害，而在於它的切入點。
傳統農業 AI 要進入市場，必須面對農民那一關，說服他們採用新技術，而這一關很難過。Inari 繞開了這個問題。他們賣的是種子，而農民每年都要買種子，這是剛需。更重要的是，如果 Inari 的種子確實讓農民在相同條件下收成更多、花費更少，這個 value proposition 非常直接，不需要太多教育成本。
當然，風險也在這裡。基因編輯種子在不同市場的監管環境差異很大。歐洲的限制遠比美國嚴格，亞洲的法規則各自不同。Inari 目前主要聚焦美國市場，但全球擴張的路上，監管是最大的 wildcard。
Monarch Tractor：讓農機自己開#
如果說 Inari 是在解決「種什麼」的問題，Monarch Tractor 解決的是「誰來做」的問題。
Monarch 做的是全球首款純電動 AI 自駕農用拖拉機（MK-V）。農民可以在遠端同時管理多台無人駕駛農機在田間作業，具備 AI 避障和路徑規劃能力，並且零碳排。
2024 年下半年，Monarch 完成了 1.33 億美元的 C 輪融資，是當時農業機器人領域最大的單輪之一。
但我認為 Monarch 最聰明的地方，不是自駕技術本身，而是它的定位策略。
Monarch 沒有試圖取代 John Deere 或 CNH Industrial 這些百年農機巨頭，那是一場你打不贏的仗。它做的是把自己定位成「農機界的 Tesla」：用電動化和軟體化重新定義農機的標準，讓傳統農機廠商追著它跑，而不是反過來。
這個邏輯如果成立，Monarch 的 moat 就不只是硬體，而是農機的作業數據。每一台 MK-V 在田間跑的每一小時，都在積累地形數據、作業效率數據、和作物生長數據。這些數據，是任何新進競爭者都沒辦法快速複製的。
亞洲的視角很有趣。日本的農業人力荒是所有已開發國家裡最嚴重的，政府有強烈的動機補貼農業自動化設備。台灣在高山農業、果園等地形複雜的場景，對小型自駕農機也有潛在需求。問題是 Monarch 目前的產品是針對美國大面積平地農場設計的，要進入亞洲市場需要做相當大的產品調整。
Carbon Robotics：用雷射殺草#
這家公司可能是這篇文章裡最容易讓人有「oh, you clever lil bitch」 moment 的案例。
Carbon Robotics 的主力產品叫 LaserWeeder。它的原理很簡單：一台搭載 AI 視覺系統的農機在田間緩緩前行，鏡頭即時辨識哪些植物是作物、哪些是雜草，然後用高功率雷射精準「燒死」雜草。整個過程不需要除草劑，不需要人工，速度比人工除草快幾個數量級。
2025 年 10 月，Carbon Robotics 完成 7,000 萬美元 D 輪，累計融資超過 1.2 億美元。
但為什麼這個商業模式有意思？
問題不在於雷射技術有多酷，而在於農藥的結構性困境。全球大量農田面臨「超級雜草」問題。長期使用除草劑，讓雜草產生了抗藥性，農民被迫噴更多、更強的化學藥劑，形成惡性循環。Carbon Robotics 的 LaserWeeder 不是在優化現有的農藥噴灑，而是在提供一個完全不同的解法，從根本上繞開了這個循環。
按照他們公開的數字，LaserWeeder 可以幫農民減少高達 80% 的除草相關費用。這個數字夠大，大到農民有很強的動機去計算 ROI、說服自己採用。
而且近期 Carbon Robotics 推出了一個更聰明的產品，可以把 AI 視覺套件安裝在現有的農機上，讓傳統農機「升級」成具備精準噴灑能力的智慧農機。這個策略很重要：它大幅降低了客戶的採用門檻，不需要農民換掉已有的機具，只需要加裝一個套件。
如果把分析層級再往下挖一層，你會發現 Carbon Robotics 的真正競爭對手不只是其他除草解決方案，而是整個農藥產業。Bayer、BASF 這些農化巨頭，在 LaserWeeder 普及的世界裡，賣出的除草劑會越來越少。這個 incumbent disruption 的角力，是未來幾年值得觀察的暗線。
Ecorobotix：把農藥噴在對的地方#
Ecorobotix 解決的問題跟 Carbon Robotics 高度相關，但路徑不同。
這家瑞士公司做的是 AI 精準噴灑系統。高解析度 AI 鏡頭即時辨識田間的作物與雜草，控制噴嘴只把除草劑或肥料噴在目標植物上，而不是整片田灑過去。這樣的做法，最高可減少 90% 的化學藥劑用量。
累計融資規模約 2.02 億美元，是歐洲 AgriTech 裡融資規模相當大的一家。
我認為 Ecorobotix 比 Carbon Robotics 更容易被主流採用，原因很直接：它不是要農民放棄農藥，而是幫農民把農藥用得更少、更準。這是一個「降低現有行為的成本」的 value prop，而不是「改變現有行為」。前者的採用阻力遠低於後者。
但如果從更宏觀的角度看，Ecorobotix 和 Carbon Robotics 其實是同一個趨勢的兩種表達：精準農業正在系統性地挑戰農藥產業的現有商業模式。 農藥公司靠的是農民大量使用化學藥劑，而精準農業的邏輯是讓農民用更少的藥。這兩件事的方向是相反的。
農藥產業當然不是傻瓜。Bayer 和 BASF 都在大規模投資數位農業和精準農業，試圖掌控這個轉型，而不是被它顛覆。Ecorobotix 和 Carbon Robotics 能不能在 Big Ag 的反撲之前建立夠深的 moat，是我對這個 vertical 最大的問號。
Cropin：亞洲的農業 AI 機會#
前面四家公司都是美國或歐洲的。在談亞洲機會之前，我想先說說 Cropin，一家印度公司，但做的事情對整個亞洲都有啟示。
Cropin 收集了全球數百萬英畝農地的氣候、土壤和衛星數據，建立 AI 預測模型，幫助農產品企業預測產量、監控病蟲害風險、最佳化水源和肥料的分配。客戶不是個別農民，而是農企業、食品公司、政府機構。這些組織需要掌握大量農田的數據，但自己沒有能力建系統。累計融資約 4,640 萬美元。
Cropin 的商業模式回答了我前面提出的問題：農業 AI 的錢誰在付？他們的答案是農企業，不是農民。農民是他們的數據來源，但不是他們的付費客戶。
這個邏輯在亞洲特別有趣。東南亞的農業規模龐大，越南、泰國、印尼的稻米、棕榈油、橡膠產業都有大型農企業存在，而這些企業的供應鏈管理問題非常真實。如果有人能幫這些企業把供應鏈的農業數據整合起來，做成可預測的系統，付費意願是存在的。
台灣的農業規模太小，不是做這個的好市場。但台灣有另一個角度——農業技術的出口。台灣在高價值農作物（芒果、鳳梨、高山茶）和設施農業（溫室、植物工廠）上有相當深的 know-how，如果能結合 AI 做成可複製的解決方案，在東南亞的市場機會比在台灣本地大得多。
Closing Thoughts#
把這五家公司看完，我有一個越來越清晰的感覺：農業 AI 的戰場，比表面上看起來複雜得多。
表面上，每家公司都在解決一個農業問題：種子、農機、除草、噴灑、數據。但如果把分析層級再往下挖，你會發現每家公司都在同時面對一個隱性的結構性問題：農業產業鏈的既有利益方，不見得希望農業變得更有效率。
農藥公司需要農民繼續大量用藥。農機巨頭需要農民繼續買新機器。種子公司需要農民每年回來購買。這些既有玩家的商業模式，有相當一部分建立在農業的低效率上。
AI 帶來的不只是效率，而是一場對農業產業鏈既有利益結構的重新分配。誰能在這場重分配裡站對邊，是接下來幾年最值得觀察的事。