AIは誰のために働くのか――農業AIが映す「デジタル植民地主義」の影

北米の森林データで訓練されたAIは、インドの木を半分以上見落とした。

これは比喩ではない。インドの環境保護団体「Farmers for Forests」が人気のオープンソースAIモデルを使ってマハラシュトラ州の森林データを分析しようとしたとき、AIは現地の樹木の過半数を認識できなかった。「西洋のAIをグローバルサウスにそのまま持ち込んでも機能しないという明確な教訓でした」と、共同創設者のアルティ・ダール氏は語る。

この失敗談は、今や3兆円規模（約300億ドル）に達し、2034年までに約8.4兆円へ拡大が予測される農業テック市場が抱える根本的な矛盾を浮き彫りにしている。

「ローカルデータ」なき農業AIは、なぜ機能しないのか

ケニア西部で作物マッピングに取り組む科学者、キャサリン・ナカレンベ氏は、衛星画像データは豊富にあったが、それを分析するAIが現地の作物を認識できないという壁にぶつかった。解決策は泥臭いものだった。数十人のボランティアにGoProcカメラを装着させ、2週間で500万枚以上の画像を収集。トウモロコシ、豆、キャッサバを識別できるよう、AIを一から訓練し直した。

メリーランド大学の助教授でもあるナカレンベ氏は言う。「西洋で構築されたAIシステムは、高いインターネットコスト、限られた通信帯域、ラベル付き訓練データの不足といったグローバルサウスの文脈を考慮していません。適応されなければ、それは無意味なものとなり、富と資源へのアクセスにおける既存の不平等をさらに深める可能性があります」

この問題の背景には、AIの訓練データが持つ「地理的偏り」がある。現在流通している主要なAIモデルの大部分は、欧米のデータで訓練されている。農業のような「超ローカル」な分野では、土壌の種類、降雨量、標高、病害虫、市場環境が村ごとに異なる。画一的なモデルが通用しないのは、ある意味で当然だ。

インドの農業支援アプリ「FarmerChat」を展開するデジタル・グリーンの共同創設者リキン・ガンジー氏は、16の現地語に対応し、農家が「実際に話す言葉」——種子や化学物質の正式名称を使わない表現——でAIを訓練し直した。農家からの12万件以上のクエリと農学者・獣医師が開発した回答でモデルを強化し、現在は南アジアとアフリカの100万人超の農家にリーチしている。

誰がデータを持ち、誰が利益を得るのか

広告

広告掲載について

[email protected]

広告

しかし、技術的な課題が解決されたとしても、より根深い問題が残る。

Google、Microsoft、Amazon、IBM、Alibabaといった巨大テック企業はすべて、この成長市場を狙った農業AI事業を展開している。専門家たちが警戒するのは、AIが「新たなデジタル植民地主義」の形をとるリスクだ。貧困コミュニティからデータを収集して独自モデルを訓練し、そのサービスを彼らに売り返すという構造である。

持続可能な食料システムに関する国際専門家パネルによれば、テック企業はすでに大手農業企業と連携して、どの作物をどのように栽培するかに影響を与えている。収益性の高いトウモロコシ、米、小麦、大豆、ジャガイモだけに最適化が進めば、地域の食料システムが崩壊し、農家が打撃を受ける可能性がある。

ガンジー氏は警告する。「AIが短期的な収量だけに最適化し、水の枯渇、土壌劣化、エネルギー消費といった大きな問題を無視すれば、長期的な回復力を損なう。技術的に優れたAIシステムも、経済的・生態的現実を無視すれば農家を失望させる」

ブラジルのパラー州では、リアルタイムの沿岸データをWhatsApp音声アラートに変換して漁師や養殖業者に届けるAIが稼働している。Farmers for Forestsのチームは、Metaの「Detectron2」をベースにカスタム訓練したAIで農場の3Dマップを作成し、木の高さや樹冠を計測して炭素固定量を算出、農家の収入源を生み出している。いずれも「現地に根ざした」アプローチだ。

日本への問い――農業大国の隣人として

この問題は、日本にとって対岸の火事ではない。

日本は農業テック分野で独自の強みを持つ。クボタやヤンマーはスマート農業機器で世界市場に展開し、富士通やNTTも農業DXに注力している。しかし、これらの企業が東南アジアやアフリカ市場へ進出する際、同じ「ローカルデータ不足」の壁に直面するリスクは十分にある。

日本自身も農業の文脈では「ローカル適応」の重要性を熟知している。棚田や多品種少量栽培という農業文化は、欧米型の大規模農業モデルとは根本的に異なる。その知見を、グローバルサウスとの技術協力に活かせるか。

さらに、日本が直面する農業従事者の高齢化と労働力不足は、AIによる農業自動化への需要を高めている。しかし国内で開発されたAIモデルが日本の農業現場に適合しているかどうか、その検証は十分に行われているだろうか。ローカルデータの問題は、途上国だけの話ではない。

UN（国連）の2030年持続可能な開発目標では「ゼロハンガー（飢餓ゼロ）」が掲げられているが、現在も世界人口の約28%にあたる23億人が中程度または深刻な食料不安にさらされており、目標達成は難しい見通しだ。農業AIが本当にその解決策になり得るかどうかは、技術の精度よりも、誰のために、誰と共に設計されるかにかかっている。