Das amerikanische Startup Electric Plant hat der Welt ein KI-Modell namens Bombadil vorgestellt, das den Gesundheitszustand einer Pflanze direkt aus ihrer eigenen elektrischen Aktivität abliest. Es leitet ihn also weder aus dem Boden noch aus dem Wetter oder dem sichtbaren Erscheinungsbild ab. Das Unternehmen hat das System auf kostengünstigen Sensoren aufgebaut, die in die Rinde eines Baumes geschraubt oder in einen Stängel gesteckt werden. Anschließend senden sie die Daten in die Cloud, wo das Modell sie in eine für den Anbauer verständliche Form übersetzt. Anhand der Ergebnisse kann dieser entscheiden, wann bewässert oder gedüngt werden soll.
Alles begann mit einer Pflanze auf Rädern
Mitgründer und Firmenchef Justin Mast stieß zufällig auf das Thema. Beim Lesen von Fachliteratur entdeckte er eine Studie, in der Wissenschaftler eine Zimmerpflanze mit einem motorisierten Untersatz verbunden hatten. Wenn die Pflanze mehr Licht benötigte, flossen elektrische Signale durch ihr lebendes Gewebe. Eine Steuerplatine erfasste den Strom und bewegte die Pflanze näher an die Lichtquelle.
Mast nahm daraufhin Kontakt zum Neurowissenschaftler Lee von Kraus auf, der mit der US-Militärbehörde DARPA zusammenarbeitete. Gemeinsam gründeten sie Electric Plant und sammelten drei Jahre lang Daten, aus denen Bombadil hervorging. Der Name des Modells verweist auf eine Figur aus Tolkiens Der Herr der Ringe, einen Sonderling, der im Wald lebt und die Bäume versteht.
Pflanzen senden einander elektrische Nachrichten
Die Vorstellung, dass Pflanzen Elektrizität nutzen, ist keineswegs neu. Die Autoren der Fachstudie zu dem Modell erklären, dass Pflanzen als Reaktion auf Reize aus ihrer Umgebung elektrische Signale erzeugen und diese Signale vom Ort des Reizes in entfernte Körperteile wandern. Wissenschaftler unterscheiden drei Haupttypen. Das Aktionspotenzial ist schnell, dauert etwa eine Sekunde und wird ausgelöst, wenn ein Reiz einen bestimmten Schwellenwert überschreitet. Das Variationspotenzial ist langsamer und länger und tritt gewöhnlich nach einer Verletzung auf. Das Systempotenzial ist eine wandernde, kurzzeitige Spannungsänderung in entgegengesetzter Richtung. Die Gesamtheit all dieser Signale bezeichnen Wissenschaftler als Elektrom der Pflanze.
Diese Nachrichten zu lesen, ist jedoch nicht einfach. Die Signale sind schwach und werden leicht von elektrischem Rauschen überlagert. Eine Pflanze, die bereits zuvor Stress ausgesetzt war, reagiert auf denselben Reiz anders. Zudem unterscheidet sich die Form des Signals je nach Art, sodass das, was bei einer Pflanze funktioniert, bei einer anderen häufig versagt. Bisherige Modelle des maschinellen Lernens waren deshalb stets auf eine einzige Aufgabe spezialisiert. Meist wurden sie anhand einer Art in einer bestimmten Umgebung trainiert, und jede neue Nutzpflanze oder Bedingung erforderte neue Daten und ein neues Modell.
Ein Sensor von der Größe eines Smartphones
Electric Plant hat eigene Hardware entwickelt. Der Außensensor namens Bud ist so groß wie ein gewöhnliches, längs in der Mitte gefaltetes iPhone und wird mit Edelstahlschrauben an der Pflanze befestigt. Die Schrauben müssen bis in das Kambium, also die Schicht lebenden Gewebes direkt unter der Rinde, eindringen, um Spannungsänderungen im Mikrovoltbereich zu erfassen. Pflanzen mit weichen Stängeln verbindet das Unternehmen mit einem dünnen Draht.
Bud misst einmal pro Sekunde, überträgt die Daten drahtlos und läuft mit einer Batterie. Für Labore und Gewächshäuser bietet das Unternehmen das leistungsfähigere Gerät Stem an, das acht Elektrodenpaare überwacht und 120-mal pro Sekunde misst. Laut Mast genügen für einen Acre Feldfläche nur wenige Sensoren.
Entscheidend ist der Preis. Heutige Geräte kosten üblicherweise Tausende Dollar, während ein Sensor von Electric Plant laut Mast nur einige Dutzend Dollar kostet.
Wie Bombadil lernte
Das Modell basiert auf demselben Architekturtyp wie Sprachmodelle à la ChatGPT, also auf einem sogenannten Transformer. Statt Wörter liest es jedoch Abschnitte elektrischer Aufzeichnungen. Kontinuierliche Aufzeichnungen teilt es in 16-minütige Abschnitte auf, sodass ein Tag von 90 Abschnitten abgedeckt wird.
Die erste Lernphase erfolgte ohne menschliche Hilfestellung. Die Entwickler des Modells verbargen einen großen Teil der Abschnitte in den Aufzeichnungen und ließen es erraten, was in den Lücken fehlte. Bei jedem Schritt sah es nur 40 Prozent der Daten, die restlichen 60 Prozent musste es ergänzen. Auf ähnliche Weise lernen Sprachmodelle, bei denen Menschen einen Teil eines Satzes verdecken. So verstand Bombadil nach und nach, wie das elektrische Leben einer Pflanze aussieht.
Dafür benötigte es eine enorme Datenmenge. Die Studie nennt mehr als 4 Millionen Stunden an Aufzeichnungen von über 1400 Pflanzen aus 100 Arten, die an zehn Standorten zwischen November 2024 und Juli 2026 gesammelt wurden. Dazu gehören Labore, Gewächshäuser, kommerzielle Obstplantagen und natürliche Wälder. Seitdem hat das Unternehmen den Datenbestand erweitert, und Mast sprach bei der Vorstellung des Modells von mehr als 7 Millionen Stunden aus 125 Arten. Die Vielfalt ist tatsächlich groß: Das Modell kennt Farne, Mammutbäume, Tomaten und Dahlien.
Sieben Vitalfunktionen aus einem einzigen Signal
In der zweiten Phase lernte das Modell, was die Signale tatsächlich bedeuten. Die Entwickler nahmen einen kleineren Teil der Daten, etwa eine Million Stunden von mehr als 400 Pflanzen und 35 Arten, und kombinierten sie mit über 41.000 Messungen des Handgeräts MultispeQ. Dieses misst, wie effizient ein Blatt Licht verarbeitet, und überwacht seine Temperatur.
Aus dem elektrischen Signal schätzt Bombadil anschließend sieben Kennwerte, die die Entwickler mit Vitalfunktionen vergleichen. Fünf davon beschreiben die Photosynthese, also wie gut die Pflanze Licht nutzt. Zwei erfassen die Blatttemperatur und den Wasserstress. Fehlt einer Pflanze Wasser, schließt sie ihre Spaltöffnungen, kühlt sich nicht mehr durch Verdunstung ab und das Blatt erwärmt sich im Vergleich zur Umgebungsluft. Der Großteil des Trainings fand daher an Pflanzen statt, deren Bewässerung die Wissenschaftler absichtlich eingeschränkt hatten.
Die Ergebnisse sind vielversprechend, aber nicht perfekt. Das Modell konnte Veränderungen bei allen sieben Kennwerten verfolgen, die Genauigkeit unterscheidet sich jedoch stark je nach Art. Am besten schnitt die Gemeine Fichte ab, während es beim Kroton überhaupt nichts aus den Daten herauslesen konnte. Die Autoren führen dies auf die geringe Zahl der getesteten Pflanzen zurück. Auch ein zweiter Sensor an derselben Pflanze hilft und verbessert das Ergebnis bei nahezu jeder Pflanze.
Wichtiger ist, dass Bombadil auch Arten lesen kann, die es während des Trainings nie gesehen hat. Die Wissenschaftler testeten es außerdem mit Stressfaktoren, auf die es überhaupt nicht trainiert worden war. Pflanzen der Afrikanischen Buntnessel wurden Salzbelastung und dem Herbizid Glyphosat ausgesetzt, und die Schätzungen des Modells bewegten sich genau in die von der Fachliteratur vorhergesagte Richtung. Den Autoren zufolge deutet dies darauf hin, dass das Modell tatsächlich den Zustand der Pflanze erfasst und nicht nur ein erlerntes Muster für Trockenheit.
Weniger Wasser, mehr Ertrag
Das Hauptziel ist die praktische Anwendung. Laut Mast waren Landwirte, Gärtner und Forstwirte bislang auf grobe Hilfsmittel angewiesen. Bodensonden, Handspektroskope und Satellitenbilder funktionieren zwar, bieten jedoch nur geringe Einblicke in das Innere der Pflanze und bleiben hinter ihren tatsächlichen Bedürfnissen zurück. Bombadil soll einen Blick von innen ermöglichen. Mast behauptet, das System könne den Ertrag steigern und gleichzeitig den Wasserverbrauch um 20 Prozent oder mehr senken. Seinen Worten zufolge verbrauchen Land- und Forstwirtschaft das meiste Süßwasser der Erde, dennoch kümmern wir uns um Pflanzen von außen.
Die Entwickler planen, das Modell mit der Zeit um weitere Fähigkeiten zu ergänzen. Eine neue Aufgabe erfordert ihnen zufolge kein neues Modell, sondern nur eine zusätzliche Erweiterung. Zu den Plänen gehört auch, dass Bombadil eines Tages selbst die Bewässerung steuert. Die Gründer träumen von einem noch gewagteren Schritt: einem Werkzeug, mit dem Menschen mit Pflanzen sprechen könnten. Mast dämpft diese Erwartungen jedoch vorerst mit dem Hinweis, dass sie mehr zuhören als sprechen, das Zuhören aber der erste Schritt sei.
Quellen: techcrunch.com und arxiv.org
