У моего фикуса Бенджамина на листьях появились тёмные пятна с жёлтой каймой. Часть листьев осыпалась за неделю. Интернет-поиск по запросу «пятна на листьях фикуса» выдал три десятка болезней, каждая со своим лечением. Перебирать все варианты вручную — занятие сомнительное. Тогда я решила проверить, справится ли нейросеть с задачей, которую обычно решают агрономы и опытные цветоводы.
Что я сделала
Сфотографировала три поражённых листа крупным планом при дневном свете. Один снимок — лист целиком, второй — пятно вблизи, третий — обратная сторона листа. Это важный момент: чем больше визуальной информации получит модель, тем точнее будет ответ.
Первым делом загрузила фото в ChatGPT на базе GPT-4o. Написала промт: «Посмотри на фото моего фикуса Бенджамина. На листьях появились тёмные пятна с жёлтой каймой, листья опадают. Что это может быть? Предложи варианты болезни и лечение».
Ответ пришёл через несколько секунд. Нейросеть предположила три варианта: антракноз (грибковое заболевание), бактериальную пятнистость и последствия переувлажнения почвы. Первым и наиболее вероятным вариантом был назван антракноз — из-за характерной формы пятен с концентрическими кольцами и жёлтым ореолом.
Проверка результата
Я отнесла фикус в цветочный магазин с агрономом-консультантом. Диагноз специалиста — антракноз. Совпадение с первым вариантом нейросети оказалось точным.
Но одного эксперимента мало для выводов. Тогда я загрузила те же фото в Google Lens. Сервис определил растение как фикус Бенджамина и показал ссылки на статьи о болезнях фикуса. Прямого диагноза Google Lens не поставил — это визуальный поисковик, а не диагностический инструмент. Зато в выдаче нашлись фото с похожими симптомами, и большинство вели к статьям об антракнозе.
Как нейросеть «видит» болезни растений
GPT-4o — мультимодальная модель, которая обрабатывает текст и изображения одновременно. Она не «знает» ботанику в привычном смысле. Модель обучена на огромном массиве данных, включая научные статьи, справочники по растениеводству и фотографии с описаниями болезней. При загрузке изображения она сопоставляет визуальные признаки с текстовыми описаниями из обучающей выборки.
Отсюда следует ключевое ограничение. Нейросеть распознаёт паттерны, а не проводит лабораторный анализ. Если болезнь редкая или симптомы нетипичные, модель может ошибиться. Два разных заболевания с похожими внешними проявлениями — серьёзный вызов для любого визуального распознавания.
Ещё один нюанс — качество фото. Размытый снимок при искусственном освещении снижает точность. Тени и блики на листьях модель может интерпретировать как повреждения.
Какие инструменты можно попробовать
ChatGPT (GPT-4o). Бесплатная версия позволяет отправить ограниченное количество запросов с изображениями. Подписка Plus стоит $20 в месяц. Преимущество — можно задавать уточняющие вопросы в диалоге: «А если я поливаю раз в неделю, это меняет диагноз?» Модель учтёт контекст.
Google Lens. Полностью бесплатный. Не ставит диагноз, но находит визуально похожие изображения и связанные статьи. Работает как отправная точка для самостоятельного поиска.
PictureThis. Специализированное приложение для определения растений и их болезней. Базовая идентификация бесплатна, диагностика болезней — по подписке. Заточено именно под эту задачу, что даёт преимущество перед универсальными моделями.
PlantNet. Бесплатное приложение для идентификации видов растений. Определяет вид, но не диагностирует болезни. Полезно, если непонятно, что за растение, — а это первый шаг к правильному диагнозу.
Где нейросеть ошибается
После удачного опыта с фикусом я провела ещё несколько экспериментов. Загрузила фото орхидеи с пожелтевшими нижними листьями. ChatGPT предложил четыре варианта: естественное старение листа, избыточный полив, недостаток азота и фузариоз. Первый вариант оказался верным — старые нижние листья орхидеи желтеют и отмирают в норме. Но без контекста (возраст растения, условия содержания) модель не могла уверенно выбрать между вариантами.
Третий эксперимент — фото суккулента с белым налётом. Нейросеть определила мучнистую росу. Фактически оказался солевой налёт от жёсткой воды. Визуально эти явления выглядят похоже, и без тактильного контакта или микроскопа различить их сложно даже специалисту по фотографии.
Практические выводы
Нейросеть — полезный инструмент первичной диагностики. Она сужает круг возможных проблем с нескольких десятков до двух-трёх вариантов. Это экономит время и помогает задать правильный вопрос при обращении к специалисту.
Но полагаться на ИИ как на единственный источник диагноза не стоит. Три правила, которые подтвердились на практике:
- Делать несколько фото с разных ракурсов при естественном освещении
- Описывать условия содержания текстом — полив, свет, температура, возраст растения
- Проверять результат хотя бы одним дополнительным источником — специализированным приложением или консультацией
Технология распознавания изображений дошла до уровня, когда домашний диагноз растения перестал быть фантастикой. При этом нейросеть остаётся инструментом, а не заменой профессиональной экспертизы. Граница между полезным помощником и ненадёжным оракулом проходит именно через понимание того, как работает модель и где заканчиваются её возможности.