La predicción del crecimiento del arroz (L.) es clave para una producción precisa de arroz. Sin embargo, el modelo tradicional de pronóstico lineal del crecimiento del arroz es ineficaz bajo condiciones climáticas cambiantes rápidamente. Aquí mostramos que la tasa de crecimiento (Gr) puede ser bien predicha por redes neuronales artificiales (ANN) basadas en inteligencia artificial (AI) y programación de expresión génica (GEP), con temperaturas acumuladas del aire basadas en el día de crecimiento (GDD). En total, se obtuvieron 10,246 Gr de 95 cultivaciones con tres variedades, TK9, TNG71 y KH147, en Taiwán Central y del Sur. El rendimiento del modelo fue evaluado por el coeficiente de correlación de Pearson (r), el error cuadrático medio (RMSE) y el RMSE relativo (r-RMSE) en todo el período de crecimiento (ciclo de vida), así como en las etapas clave promedio y específicas (trasplante, 50% de macollaje inicial, iniciación de panícula, 50% de espigamiento y madurez fisiológica). Los resultados en la modelización del Gr del ciclo de vida mostraron que los modelos de ANN y GEP tenían un r comparable (0.9893), pero el modelo GEP tenía el RMSE más bajo (3.83 días) y el r-RMSE (7.24%). En las etapas clave promedio y específicas, cada modelo tiene su propio período de crecimiento mejor ajustado. En general, se recomienda el modelo GEP para la predicción del crecimiento del arroz considerando el rendimiento del modelo, la aplicabilidad y el trabajo agrícola de rutina. Este estudio puede llevar a una producción de arroz inteligente debido a la capacidad mejorada para predecir el crecimiento del arroz en el campo.