《Big Data and Cognitive Computing》：Driving Simulator Performance After Acquired Brain Injury: A Comparative Study of Neuropsychological Predictors
编辑推荐：
这篇综述系统梳理了人工智能（AI）在渔业遗传学、监测、水产养殖、管理及传感技术中的前沿应用。文章重点探讨了计算机视觉（CV）、环境DNA（eDNA）、声学推断和人工智能物联网（AIoT）等关键技术如何提升物种识别、精准投喂、水质（DO/pH/NH3）预测及非法（IUU）捕捞检测的效能，同时指出领域适应性差、数据偏见及不确定性量化不足等核心挑战，为构建可靠、公平的水生资源管理基础设施指明了方向。
人工智能（AI）技术正在深刻变革全球渔业和水产养殖业的管理模式。面对气候变化、过度捕捞和生物多样性丧失等多重压力，传统监测方法如拖网调查、船上观察员和人工分类已显得力不从心。AI凭借其在机器学习（ML）、深度学习（DL）和强化学习（RL）方面的优势，为自动化感知、短期预测和实时控制提供了全新解决方案。
人工智能在渔业遗传学与监测中的应用
在物种检测与分类方面，卷积神经网络（CNN）和YOLO等高效检测器在受控环境下可实现超过95%的识别准确率。然而，当面临水体浊度、光照变化以及季节性差异时，其性能会出现显著下降，尤其对稀有和受保护物种（如板鳃类）的识别效果不佳。DeepFish等包含约4万张图像的大规模基准数据集揭示了模型在复杂生境中的系统性性能退化问题。
迁移学习和领域自适应技术通过微调预训练CNN模型，能将新生境的标注需求降低50%-80%。但水下特有的色彩投射和背散射等偏差会严重影响稀有物种的召回率。新兴的立体视频和多鱼追踪数据集，结合同步定位与地图构建（SLAM）或神经辐射场（NeRF）风格的几何先验，有望提升模型在长期部署中的跨域迁移能力。
环境DNA（eDNA）宏条形码技术作为一种敏感、非侵入性的方法，能够有效评估群落组成和季节更替，其检测结果与传统指标具有高度一致性。挑战在于如何将读取计数与物种丰度相关联，并克服参考文库不完整的问题。
声学推断与多传感器融合是另一个重要方向。机器学习流水线正在向调查级集成演进，有线观测站证明同步的视频和声学流能提供互补的生物多样性信号。将声学、成像和eDNA与不确定性输出进行协调整合，是实现生态系统级操作监测的实用途径。
基因组学和育种技术发展迅速，但基因组资源在商业和生态重要物种间的分布并不均衡。多标记和多组学方法在阐明种群结构、局部适应性和连通性方面展现出潜力。基因组编辑技术（如CRISPR/Cas）正被探索用于增强水产养殖的抗病性和生产性状。
人工智能在水产养殖中的革新
在自动化投喂系统领域，集成计算机视觉和序列模型（如CNN和门控循环单元GRU）的AI投喂器，能够精准预测短期饲料需求和生长情况，减少浪费并提高饲料转化效率（FCR）。然而，大多数评估周期短、物种特异性强，且局限于水槽环境，限制了其在网箱和混合群体中的应用。
监督机器学习技术，如梯度提升、支持向量回归（SVR）和弹性网络集成，通过整合食欲信号、生长史和环境协变量来优化投喂策略。但这些模型容易对单一场地的遥测数据过拟合，且在传感器覆盖范围、密度或饲料配方发生变化时性能下降。
在循环水养殖系统（RAS）中，强化学习（RL）控制器已用于共同优化投喂和水质控制。但训练过程数据需求量大，奖励函数设计敏感，且对于曝气故障等罕见灾难性事件的安全保障措施不足。整合离线强化学习预训练、动作裁剪和严格的安全规则是提升样本效率和安全性的关键。
基于密集物联网（IoT）数据流的深度学习可实现溶解氧（DO）、pH和氨氮（NH3）的提前数小时预测，从而实现主动增氧和资源管理。但传感器污损、数据缺失以及随着生物量和温度变化带来的概念漂移是其脆弱点。
视觉流水线正从生物量和长度估计转向基于行为的福利指标，如异常游动和集群。然而，能见度差、拥挤和商业农场稀疏的事件标签阻碍了其泛化能力。集成被动视频、多目标跟踪和低成本环境传感可提升可靠性。专注于疾病的检测器（如YOLO变体）在严格条件下病变和疾病检测率超过90%，但需要大量的标注工作。
整合生长历史与投喂和环境数据的时间序列AI可以预测最佳收获期，并使物流与市场品质同步。但现有研究多为回顾性分析，且很少量化决策不确定性。将生长集成模型纳入数字孪生仪表盘，显示置信区间并根据天气和价格情景模拟替代收获日期，可以提升盈利能力。
人工智能在渔业管理中的赋能
基于自动识别系统（AIS）轨迹的机器学习分析能有效识别行为异常（如航向和速度变化、边界徘徊、可疑静默），有助于将执法工作优先指向高风险事件。但其效果依赖于信号的完整性和已验证标签的准确性，AIS欺骗和关闭以及区域采用率低是主要挑战。多源融合（整合AIS、卫星检测如SAR/VIIRS和VMS）并结合登船检查的人工反馈是实用方法。
全球AIS绘图显示工业捕捞活动覆盖超过一半的海洋，但未能充分体现个体和小规模渔船活动，导致对足迹和公平性的评估存在偏差。整合AIS与VIIRS夜间灯光、SAR等互补传感器，并提供指示努力量可能被低估区域的不确定性图层至关重要。
电子监控（EM）视频中的计算机视觉模型能有效识别捕捞事件、量化渔获物并检测兼捕物种，从而扩大覆盖范围，减少对人类观察员的依赖。但标签稀缺、遮挡、摄像机位置多变和混合渔获阻碍了泛化能力和物种级准确性。程序需要实施主动学习以处理困难帧，促进船队间的迁移学习，并建立结合算法输出和快速专家裁决的标准化标注与审计协议。
EM与AI结合有潜力标准化记录与受保护物种（如海龟、海鸟和海洋哺乳动物）的相互作用。对于稀有或隐秘类群，由于类别不平衡和训练集不足，其性能受限，需要专家验证和严格的质量保证/质量控制（QA/QC）。优化审查协议和分诊可以减轻分析员工作量，但若没有精细的流程设计，成本和积压问题可能转移至岸上。
夜间灯光（VIIRS）和卫星雷达（SAR）能有效识别不广播的“暗船”，但检测受天气和月光条件影响，且将检测结果与特定身份或活动关联具有挑战性。最佳方法涉及在时空框架内整合VIIRS和SAR数据的跨传感器融合，利用现有AIS/VMS信息，并通过针对性巡逻进行概率匹配验证。
AIS轨迹分析可检测渔船与运输船之间的海上会合，从而加强检查针对性，打击非法渔获物的洗钱活动。但良性接近和不完整的AIS历史可能导致误报。风险评分必须结合移动特征（如速度、航向、持续时间）与背景先验（如船旗和所有权历史、港口国、先前行为），并对照登船结果进行审计以优化阈值。
人工智能在传感与渔业技术中的基础作用
声学回声轨迹分类方面，弱监督CNN经过最小标注的回声图训练，可自动化回声轨迹标记，减少多物种中上层环境中专家的工作量。主要瓶颈在于缺乏标准化的多频率语料库，存在跨渔具、频率和区域的域偏移，以及分类误差向生物量指数传递不明确。
基于YOLO的声谱图鱼类检测显示，对商业回声探测仪数据的YOLOv5修改能准确识别个体鱼和鱼群，并有助于仪器校准，实现近实时操作应用。实际限制包括数据强度、对缺失 ping 或未校准仪器的敏感性，以及小型平台上的计算需求。解决方案包括物理感知增强（如模拟噪声/缺失线）、多频率输入、时间跟踪和边缘推理。
从检测到丰度估计是一个重大挑战。将基于机器学习的结果整合到现有的丰度估算过程中，高精度（如F1分数）是必要的，但如果分类偏差影响生物量指数，则不足以支持管理决策。将深度学习声学目标分类（ATC）集成到调查估算过程中的框架表明，模型预测应根据其对最终调查估计值的影响进行评估，而不仅仅是图像级指标。
轻量级目标检测模型，如为小声谱图目标设计的YOLOv8-SBE，以更少的参数提供了有利的精度-延迟权衡，便于在船载和边缘部署。但跨频率、跨流域的鲁棒性以及噪声条件下的性能仍未得到充分记录。建议实践包括剪枝和量化，同时明确报告延迟和能耗，并将检测与时间跟踪耦合。
基础模型，包括多模态和具身AI系统，代表了AI在水生科学中从狭窄的、监督架构向通用基础模型的转变，其特点是多模态推理、零样本泛化和语义理解。这标志着与先前主导的特定任务范式的根本性背离。
大型语言模型（LLM）如面向海洋科学的OceanGPT和面向水产养殖与渔业的AQUA表明，领域特定的指令微调和检索增强生成可以帮助研究人员、监管者和农民进行文献综合、方案总结和情景探索。但将这些模型整合到明确的咨询工作流程中至关重要，该流程应包括可追溯的来源、考虑不确定性的输出和定期审计，而不是将其用作通用对话工具。
视觉-语言模型（VLM）通过对齐图像和视频流中的视觉和文本表示来增强这些能力。通用模型如对比语言-图像预训练（CLIP）已展示出开放词汇识别和零样本迁移的能力，但其在水下场景中的有效性受到预训练数据集中水生环境表征有限和存在偏差的限制。海洋特定基础模型，如MarineInst和AquaticCLIP，通过利用包含底栖、远洋和工业影像的大规模多模态数据集填补了这一空白。
视觉-语言-动作（VLA）模型将感知和语言整合用于控制，使自主车辆能够理解高级自然语言指令并产生低级驱动命令。最近的水下框架，如带有U0控制器的水下系统集成与管理（USIM）和UnderwaterVLA，表明VLA架构可以通过整合多模态融合与任务级推理，促进多任务导航、检查和操作，同时在实际水动力和通信约束下运行。AquaChat和AquaChat++展示了LLM引导规划在水产养殖中协调多个远程操作车辆的应用。这些系统主要处于原型阶段，验证仅限于模拟或受控环境中的短暂活动。
跨领域挑战与未来展望
结构性障碍阻碍了AI从实验室验证的原型向可靠操作系统的转变。数据构成和基准标准方面，普遍存在小而精的数据集伴随虚高的准确度指标，在域偏移下不足，对具有商业价值物种的表征存在偏见，且包含全面元数据的公共基准有限。
模型架构和训练协议方面，算法选择受实际约束（如延迟、功耗、维护）影响大于准确度的边际提升，训练决策往往比架构的新颖性对性能影响更大。
系统级设计考虑，如数字孪生、AIoT平台和数据协作联盟仍处于早期阶段，需要完善的治理、维护和商业模式。
度量与不确定性量化方面，普遍报告点估计准确度而无伴随的置信区间或向评估端点的误差传递。
存在操作鸿沟：需要在正式决策框架内进行前瞻性的管理者在环验证，将算法输出与种群状况、福利、盈利能力和监管合规性的可量化改进联系起来。
展望未来，AI有望从诊断工具演变为水生资源管理的可靠框架，但这需要通过前瞻性、多站点的实际验证；开放、版本化的包含稀有、隐秘和地理多样性类群的基准数据集；以及解决时间漂移、量化全生命周期成本、并将算法输出与渔民和农民生计的可测量改善联系起来的部署框架。优先考虑这些方面，AI才能从有限试点项目中的前沿技术转变为支持可持续渔业和水产养殖的全球基础设施中可靠、公平的组成部分。
