跨国深谈← 返回←用 AI 让牛自己「搬家」：把 LLM 塞进牧场轮牧

用 AI 让牛自己「搬家」：把 LLM 塞进牧场轮牧

关联

人物 Cody Menefee

公司 Firecrawl · OpenPasture · Holter · NoFence · Pasture Bird

概念 LLM · 上下文 · 轮牧 · vibe coder

这场演讲聊的不是软件，而是牛和草。说话的人叫 Cody,在 Firecrawl 的增长团队——但他自我定位是「你们大多数人害怕的那种 vibe coder」:整天用 AI 智能体写代码,不背语法、不精通任何语言,周末照样能搞出东西。

他没有农业资历,却在纳什维尔的住宅区后院偷偷养过 10 只火鸡,还把它们装上特斯拉车顶开了三小时送去加工厂,车顶玻璃至今留着一道裂痕。他差点真去当农民,但发现靠种地赚钱太难,于是转向:不亲自养殖,而是想办法把畜牧业本身规模化。

他开场就说「你们想得不够大」:开发者社区花了太多时间在「为造软件的人造软件」上循环——又一家公司、又一个 SaaS、又一个 MCP。他想挑战的是:还有真实世界的物理问题值得解决。

瓶颈:轮牧太费人工

他的前提是:牲畜应该待在草地上,这对动物、消费者、农民和生态都更好。但目前 97% 的肉牛仍在饲养场育肥,只有 3% 在牧场。

为什么?劳动力是瓶颈。

把牧场做对,意味着「轮牧」:把草场划成一个个围场(paddock,用围栏隔出的一小块放牧区),每块的草够牛吃一天,然后每天移动牛群,让草轮流休养,牧场效能会随时间提升。但这是大量体力活——每天要挪围栏、赶动物、送水、做记录。

为什么不能让牛随便吃?因为牛只挑爱吃的草、反复踩踏某些区域,牧场质量会迅速退化。而且草有生长周期:割太短恢复很慢,长太老又变苦牛不爱吃,要让草保持在「幼年期甜点区间」,牛群就得不断移动又不断回来。

已有方案差了「眼睛」

市场上已有虚拟围栏公司:一家叫 Halter(获得 Peter Thiel 20 亿美元估值的投资)和一家叫 NoFence。它们给动物戴上连 GPS 卫星的项圈,让你画出虚拟边界、远程移动牛群。

但有个关键缺口:你得知道该把牛移到哪儿。这不是一门精确的科学——草每天长势都不一样,受干旱、降雨、放牧压力影响。

如今这个决策靠农民走到草地上,用眼睛看草,凭直觉决定下一步。所以核心问题变成:如何取代农民在牧场上的眼睛。

Cody 评估了几条路:

• 无人机正射影像图:图像保真度高,但要教农民飞无人机、有视线内飞行等监管问题,且目前世界上没有任何司法管辖区批准自主无人机用于这类应用——是个大瓶颈。
• 卫星:他目前最喜欢的选项。

有一家叫 Planet 的公司每天以 1 米×1 米分辨率拍整个地球,但卫星太高,有些决策需要的信息分辨不出来。

• 参照物相机:他朋友在密苏里林肯大学做研究助理,思路是在树旁放个追踪相机加测量装置,以参照物判断草的高度、观察草长回来的情况。

把 LLM 放进循环中心

如果草情数据和项圈问题都解决了,就可以把一个 LLM 放进循环中间,做自主放牧:由它每天给出「牛群下一个最佳位置」的建议。这是多变量分析——输入包括牛群 GPS 位置、昨天在哪、明天可能去哪、当地干旱状况、全农场的草高;而且决策分多层次:某头牛的最佳位置、牛群相对牧场的最佳位置、相对整个生态系统的位置。

这些因素互相反馈,优化整幅图景后,你就能在更少的英亩上养更多的牛——这才是草饲系统能与饲养场模式竞争、实现规模化的方式。

要做成这件事,他认为有三个主要阻碍:

1. 知识库:大量关于何时移、为何移、怎么移的知识,全锁在 YouTube 视频里——密苏里、田纳西、肯塔基那些老农民每天移动牛群、边做边讲。他用 Firecrawl 抓取这些视频和存档中的研究论文,建了开源项目 OpenPasture 来存放,供农民使用。
2. 可视化层:要用传感器替代农民的直觉,弄清两件事——生物量(有多少植被可供食用)和牧场的生物多样性。过度放牧会让草场过度偏向某些冷季草、暖季草或豆科植物;理想状态是一片均衡多样的牧场,牛从草本身获得全部宏量和微量营养素,不用补充干草和矿物,整个系统无需人工干预。
3. 开放的项圈:他对 Halter、NoFence 有强烈不满——要用它们的软件就必须买它们的项圈,且不许接入你自己的软件。商业上他理解,行业上这很碍事。他想在软件层创新,把 LLM 预测的 GPS 位置推到项圈上。所以这是一次行动号召:「我需要有人给我做一个开放的项圈,API 开放、专利开放,让我们在软件层竞争。」他还提到农民对 John Deere 和「维修权」问题的普遍敌意。

不止牛:叠加物种

这套轮牧逻辑还能叠加物种。一家叫 Pasture Bird 的公司(让 Cody 对这个想法着迷的催化剂)把鸡舍装上大轮子,自动化移动,每 24 小时在牧场上爬行移动一个自身宽度。鸡是杂食动物,营养靠谷物饲料补充,所以可以这样机械化;鸡粪里的氮又成了草的肥料。

把反刍动物和鸡叠起来还有额外好处:牛先吃掉草的顶端,鸡跟在后面从牛粪里啄食寄生虫,整个农场的寄生虫负荷下降,药费随之减少;长期还会得到更强健的种畜,需要更少干预,放着吃草就行。

本集带走

• 轮牧是草饲畜牧的核心,但劳动力是瓶颈:把草场划成围场、每天移动牛群,能让草轮流休养、持续高产,但每天挪围栏、赶牛、送水的活没人爱干。
• 虚拟围栏项圈(GPS 项圈画虚拟边界、远程移牛)已有公司在做,缺的是「眼睛」:远程决策需要知道草的高度和长势,而今天的解法还是农民用肉眼+直觉。
• LLM 适合这类「无标准答案」的问题:下一块草场该去哪,不存在确定性算法能算出的最优解,只有基于多变量(草高、干旱、牛群位置)的最佳猜测——让 LLM 给建议、人来做确认,就能突破农民个人劳动力的上限。
• 数据收集本身就是头号问题:Cody 用 Firecrawl 抓 YouTube 老农民的经验视频和研究论文,建了开源知识库 OpenPasture——「给智能体它们所需的上下文」正是通用问题。
• 开放生态的呼吁:现有虚拟围栏公司软硬件捆绑,他呼吁有人做专利和 API 都开放的项圈,让创新发生在软件层。

我今天来真的就是想挑战你们:除了在又一家公司为另一个 SaaS 方案再做又一个 MCP 之外,还有其他问题值得解决。
And I really am just here to challenge you that there are other problems to solve than just another MCP for another SaaS solution at another company.
—— Cody Menefee · [04:17]

我需要有人给我做一个项圈。它得是开放的,API 也得是开放的。
I need someone to make me a caller. I need it to be open. The APIs need to be open.
—— Cody Menefee · [13:57]

我听到很多工程师谈论如何把 LLM 变成确定性流程,而我的主张是:有很多问题是确定性算法无法解决的。
I hear a lot of engineers talk about how we turn LLMs into deterministic processes, and my contention is actually there’s a lot of problems that you can’t solve with deterministic algorithms.
—— Cody Menefee · [16:22]

头号问题实际上就是给智能体提供它们所需的上下文:收集数据、打包数据,然后以一种 LLM 可以推理的方式呈现出来。
The number one problem is actually just giving the agents the context they need, gathering the data, packaging that data, and then presenting it in a way that the LLN can reason over.
—— Cody Menefee · [17:15]

我整天都在用 AI 智能体,我没有任何语法是背下来的。
I use AI agents all day long. I don’t have any syntax memorized.
—— Cody Menefee · [02:01]