笔者两年前拜访一家种企，谈起种业内卷时，聊到一个新品种能否推广成功。业内有个很朴素的判断：看前三年。
极端高温、干旱、暴雨等异常天气频繁出现，品种面对的“考题”越来越复杂。前两年表现不错，并不意味着第三年不会突然暴露短板。一旦企业已经扩大制种和推广，问题就可能从一次品种失利，变成一批难以消化的库存种子。
▲ 8月16-22日全国降水量。© 中央气象台
企业可以增加试验地点、拉长试验年份，却很难把未来所有可能出现的环境都提前“种一遍”。一个品种在真正下地之前，能不能先进入一个“数字田间”，提前看看它在不同环境下会表现如何？这正是Calice正在尝试解决的问题[1]。
01
先把“环境”变成可以计算的对象
传统农业试验谈“环境”，往往指某个地点、某个年份。Calice引入环境指纹（Environmental Fingerprint）重新描述农业环境[2]，将气候、土壤和作物生育周期结合起来，记录作物整个生长过程中经历的环境变化。同一个地点，播种日期不同，作物在开花、灌浆等关键阶段经历的温度和水分条件发生变化，这可能是不同的环境。不同地点、不同年份，如果作物经历了相似的环境变化轨迹，也可能被归入同一个“元环境”。
▲ 环境指纹。 © Calice
Calice提出：理解环境，应该像：“站在植物的角度看环境。”真正重要的不是“在哪里种”，而是“经历了什么”。不同作物对环境的敏感阶段也不同，比如玉米对开花期高温更加敏感，大豆可能在籽粒灌浆阶段更加敏感。
环境不再只是一个地点，变成了一条可以被描述和比较的“变化轨迹”。
02
品种为啥在这里产量高？
种企在品种试验和推广中积累大量大田间数据，比如某玉米杂交种在多个地点超对照几个百分点，这些数据只能告诉企业，结果是什么？缺很难回答：为什么会这样，因为温度，降雨，土壤条件还是品种自身某些特性。
Calice所做的，就是把产品/品种×环境×管理方式放在同一计算框架中。利用AI寻找历史数据中的相关性，其会进一步分析：“当温度、水分、土壤条件发生变化时，这个品种为什么会产生这样的变化？”例如：同样遭遇高温。一个玉米品种可能因为开花期耐热性更强，仍保持较高结实率；另一个品种可能因为花粉活力下降，产量明显降低。表面看，这是两个品种“抗逆性不同”。背后实际上是：品种自身生物特征与环境压力之间的复杂互动。
▲ P*E*M模型。 © Calice
它回答：“为什么它会在那里产量高？”这也是虚拟田间试验能够成立的基础。
03
虚拟田间试验如何做？
Calice的核心技术，是利用机器学习和深度学习构建环境响应模型，解析作物基因型与环境条件之间的复杂互作关系。该模型将品种特征数据、历史田间试验数据、气候数据、土壤数据以及农艺管理数据等多维信息进行融合，学习不同基因型在不同环境条件下的表现规律。随后，模型可在数字空间中模拟大量“基因型×环境×管理”的农业场景，预测品种在不同条件下的潜在表现。
如它可以模拟同一品种在东北春玉米区； 美国玉米带； 巴西二季玉米区不同年份、不同气候条件下的表现。
它最终输出是决策结果，它直接生成产品性能概率地图。告诉企业，在那里推广新品种，成功概率更高，告诉企业，为什么这里种植产量最高？还会告诉测试人员，哪些试验没有必要去做？哪些试验值得去做。
▲ 田间观测数据的地理分布。蓝色标记表示埃尔巴坦试验站，深绿色点表示 e-Agrology 数据集中的农场试验地点，浅绿色点表示其中在农场和埃尔巴坦试验站均测试过的玉米基因型试验点，用于开展不同环境条件下的表现比较。 © CIMMYT
04
Calice如何提供服务？
Calice主要通过三种方式服务客户：Web平台、决策报告和API接口，分别满足模型结果查看、品种筛选与试验设计，以及企业内部系统集成等需求。
▲Calice的Web平台、决策报告和API接口。© Calice
Calice不要求客户重新建立专门的数据采集体系，企业也可以用已有的历史试验数据和环境数据进行分析。其技术基础也并非全新的理论，将环境组学、环境分型等已有研究方法应用到实际业务中。如与CIMMYT合作的案例将El Batán的数据，一个地点，17年数据，427种环境，最终划分为12个元环境，并进行优化验证分析[2]。
▲El Batán的数据，一个地点，17年数据，427种环境，最终划分为12个元环境。© CIMMYT
目前每个项目仍需要科学家参与。为降低对人工专家的依赖，Calice正在开发Agentic Pipelines，让AI智能体能够自主运行完整推理流程，将分析周期从数周压缩至几分钟。这与科迪华在育种领域探索AI智能代理的方向类似。
05
Calice为谁在提供服务？
Calice目前主要通过平台授权服务农业企业和科研机构，应用场景已经从品种评价延伸到投入品研发和粮食供应链。
种子企业：提前发现品种的环境短板。Calice曾分析一款已经商业化的玉米品种，模型发现其与部分目标环境并不匹配。现实情况是：该品种后来确实在这些市场推广失败。
生物制剂企业：找到“产品为什么有效”。同一生物制剂在不同环境下效果可能差异明显。Calice通过环境建模，寻找影响药效的关键因素，帮助企业优化试验设计，并找到更适合产品发挥作用的应用环境。目前已与先正达、巴斯夫等企业开展合作。
▲Calice与巴斯夫合作。© Calice
粮食供应链企业：GrainCorp与Calice的合作[5]值得关注：应用场景从研发端进一步延伸到农产品采购和供应链，未来可用于品质预测、区域布局和采购决策。
Calice也面向科研机构提供相关分析能力，例如与CIMMYT等机构合作。
06
哪些企业需要重点关注Calice？
生物制剂和作物保护企业，与传统化学产品相比，许多新型的生物制剂对具体环境更为敏感，他们需要知道产品适合在哪里推广。类似：Mosaic； Yara这样的肥料企业也可能成为潜在客户。
Shane Thomas认为：最适合Calice的种企，是：拥有几十年试验数据，没有拜耳级别内部数据科学能力的企业。它们缺少将这些信息转化为商业洞察的能力。如GDM已经成为Calice客户[6]。
▲ GDM是Calice的客户。©Calice
农资经销商和农业零售商， 如果未来农业零售商希望从产品销售进一步走向农业服务，那就必须具备专业的判断力。以往判断更多依赖当地试验、经销商经验和厂家资料。未来经销商可以拿着自己的数据证明：某个产品在哪些地块有效。
农产品加工和采购企业：如果模型能够提前判断不同区域生产特定品质原料的可能性，就可以保证原料品质、产区和稳定性。
07
Calice潜在竞争对手？
Calice面临的竞争主要来自三个方向。
大型农化企业既可能是Calice的潜在客户，也可能是它未来最直接的竞争者。它们拥有庞大的历史试验数据、全球田间网络和成熟的数据科学团队，一旦内部能力逐渐成熟，就可能自己搭建类似的环境计算体系。
如果这套能力真正形成差异化，大型农化企业拥有它，比长期租用它更有价值。他们可能不希望一个同时服务竞争对手的平台，深度进入自己的核心业务。
▲ Calice业务布局。©Calice
专业农业数据与AI初创企业。这些公司通常：聚焦某些特定作物； 业务范围较窄； 需要客户提前提供大量数据或测序资源。 相比之下，Calice的优势在于不需要客户额外生成大量新数据，服务范围更广。
第三类竞争来自通用人工智能平台。Calice目前的竞争优势建立在：将机器学习嵌入具有生物学结构的模型体系中。未来，如果基础模型在：科学推理； 模拟能力；数据理解能力； 方面持续提升，那么Calice这种专业化架构也必须不断进化。
▲ Calice合作客户。Calice
08
Calice真正值得中国种业关注的是什么？
它真正改变的，可能不是“怎么做试验”，而是怎么快速淘汰材料。过去，育种竞争更多比拼材料多、试验多、经验多。未来，可能还要比拼另一种能力：谁能更快判断哪个材料值得试、在哪种环境下试。
虚拟试验不是替代田间。它把田间试验前置一轮筛选，先用模型缩小材料和环境范围，再把有限的田间资源用在最关键的验证上。
种企并不缺数据。几十年积累的品种试验、区域试验和生产试验，本身就是“数据矿山”。真正的挑战，是把：历史数据 → 环境建模 → 虚拟试验 → 育种决策，让过去的数据开始服务于未来的选择。
未来的育种竞争，可能不仅是材料之争，也是计算与判断能力之争。
让每一次真正下地，都更有价值。
（农业产业化分析师-高洪昌）
声明：本文部分图片素材来源于网络，旨在服务信息传递与行业学习交流，其版权归原作者所有。我们尊重知识产权，并严格遵循非商业性使用原则。若任何图片存在版权争议，请版权方及时与我们联系（微信：zzxjl2026），我们将在第一时间进行处理。
参考资料：
1.Calice官网。
2.Unlocking the Value of FAIR Data at CIMMYT An Environment-Centric Demonstrative Analytical Implementation December 2025
3.Startup argentina cria plataforma de previsões para o agro e mira crescer no Brasil
4.Modelos computacionales, un camino para acelerar y fortalecer el desarrollo de biológicos en el agro
5.Beyond field trials – GrainCorp Ventures invests in Calice
6.Calice and Virtual Field Trials.Shane ThomasAug 15, 2026
