AI 在溫室裡做什麼？從光譜、溫度到灌溉決策

上午九點，陽光穿過溫室頂棚，葉片開始迎光伸展。到了中午，室內溫度上升，蒸散加快；午後雲層移動，屋頂發電量又隨之改變。同一座溫室裡，光、水、熱與電從來不各自運作。要把它們一起照顧好，農民需要的也不是更多彼此孤立的數字，而是能夠回答「現在該做什麼」的判斷。

臺灣鈣鈦礦科技的「蓋亞」農電構想，正是從這個問題出發。透光型鈣鈦礦頂棚負責設計進入溫室的光，同時產生電力；感測器持續記錄作物周圍的環境；演算法把作物生理、現場條件與設備能力放在同一個決策框架。AI 在這裡有兩個工作時點：先參與材料和頂棚的設計，再參與溫室每天的運行。

示意圖｜透光創能頂棚、作物、感測與灌溉設備組成的智慧溫室情境。此圖為概念示意，非實際案場照片。

第一道決策 讓作物先說明自己需要什麼光

談農電時，人們常先問屋頂「透不透光」。但對作物而言，還得追問：透進來的是哪些波段？每天累積多少光？在什麼生長階段進來？小番茄等需光作物尤其不能只靠「看起來明亮」判斷環境。光合作用、株型、開花與結果，對光量和光質有不同要求；同一種頂棚，換了作物、季節或緯度，結果也可能不同。

鈣鈦礦材料具有可調整吸收光譜的設計空間。蓋亞系列將植物生理學的需求作為起點，再把材料組成、薄膜結構、製程條件與模組透光設計一起考慮。所謂「給植物要的光」，並不是宣稱只留下某一種波長就能讓作物長得最好，而是要在作物可用光、頂棚發電、室內熱負荷及材料穩定性之間找到適用的組合。這是台鈣科所稱 GigaGreen AI 的研發方向。

這項工作不能只用一條固定配方完成。不同組成的 ABX₃ 材料、膜層厚度與雷射圖案，都可能改變透光和發電的取捨。火種源研發平台可把實驗資料、製程參數與性能回饋連接起來，透過模型及貝氏優化安排下一輪試驗，逐步收斂適合目標作物與場域的 recipe。最後仍要回到實際種植，觀察植株表現，才能知道材料設計是否答對農業問題。

第二道決策 看見葉片周圍的微氣候

屋頂決定光怎麼進來，真正陪伴作物一整天的，卻是葉片周圍的微氣候。即使溫室外同樣是攝氏三十度，棚內不同高度、不同位置的溫度與濕度，也可能不一樣。單一溫度計很難代表整座溫室；只按時間表灌溉，遇到陰天或熱浪也未必合適。

因此，感測應同時看照度或光合有效輻射、空氣溫濕度、介質含水量與灌溉狀態，並記錄頂棚發電、儲能及設備用電。資料的用途不是把畫面塞滿儀表，而是幫助判斷：哪個區域正在升溫？作物目前需不需要水？打開通風設備會消耗多少電？屋頂當下的綠電和儲能夠不夠？蓋亞模組與低功耗溫濕度計等 IoT 展品，正好把「量得到」與「用得上」這兩個環節接起來。

第三道決策 決定何時通風 灌溉與用電

想像一個晴熱的午後。感測器顯示棚內溫度上升，介質水分下降，屋頂發電正在高點。管理系統可以比較幾種動作：先啟動循環風扇、調整通風，再依作物和介質狀態分區灌溉；若發電有餘，安排水泵運行或充入儲能。到了傍晚，光照下降，控制策略也應跟著變。這是 AI 能參與的具體決策場景，而非宣稱一套演算法能代替農民。

好的控制，至少要同時照顧四筆帳：作物生長、用水、用電與發電。若只追求節水，可能讓作物承受缺水壓力；只追求發電，可能遮掉必要的光。演算法的價值是預測短時間內環境會怎麼變，提出可檢驗的動作，再把結果回饋給下一次判斷。農民可以設定作物安全範圍與管理優先順序，系統則協助處理高頻且互相牽動的調整。

讓場域資料回到研發端

蓋亞的驗證不是停在模型畫面。臺灣鈣鈦礦科技表示，桃園豐藝電子場域、臺南沙崙的透光頂棚啤酒花栽培，以及自有農電場域的小番茄種植，提供了不同環境與作物條件下的觀察基礎。它們能回答的問題也各有不同：啤酒花如何適應高溫濕場域，小番茄在頂棚全覆蓋條件下的光環境與栽培表現如何，以及能源設備能否穩定支援日常管理。

這些場域真正珍貴的，是可以把每次種植都變成下一次設計的輸入。若記錄頂棚規格、透射光譜、栽培管理、產量與品質，也記錄對照條件，研發團隊才能分辨改善來自材料、微氣候控制、品種或栽培技術。全覆蓋場域種出小番茄是一個值得展示的進展；它是否能跨季節、跨作物複製，仍需持續累積可比較的資料。

從一座溫室走向可交付的農電系統

對農業經營者來說，購買頂棚只是起點。真正可交付的方案還要回答：適合種什麼、發多少電、用多少水，設備故障時誰維護，以及收益如何分配。蓋亞系列可以把透光模組、感測器、灌溉與通風控制、儲能櫃和能源管理平台組成一個場域方案；依不同作物與溫室條件設定服務與驗收指標，再用長期資料持續調整。



在 AI 時代，溫室不是一個被動承接陽光的屋頂。材料研發決定光如何分配，現場感測讓環境可見，演算法把觀察轉成可執行的選擇，綠電與儲能支撐設備運轉。當一束光進入棚內，作物需要它，電池也需要它；蓋亞要做的，是讓每一次分配都有理由，也能從結果學會下一次如何分配。