《Fisheries Research》：Use cases, challenges, and opportunities of AI-based tools for reducing bycatch and discards in fisheries
编辑推荐：
人工智能（Artificial Intelligence, AI）用于管理渔业副渔获物（bycatch）和丢弃物（discards）的兴趣日益增长。然而，尽管AI在渔业中具有预期效益，其实施仍面临挑战。本研究采用技术—组织—外部商业环境（Technology-
人工智能（Artificial Intelligence, AI）用于管理渔业副渔获物（bycatch）和丢弃物（discards）的兴趣日益增长。然而，尽管AI在渔业中具有预期效益，其实施仍面临挑战。本研究采用技术—组织—外部商业环境（Technology-Organization-External business environment, TOE）框架，评估采用AI减少副渔获物和丢弃物的应用、挑战与机遇。研究人员通过文献综述识别利用AI管理副渔获物和丢弃物的项目，与渔业利益相关者开展17次深度访谈，并通过参加两个渔业创新相关活动补充相关见解。研究人员识别出AI管理副渔获物和丢弃物的若干应用场景，包括捕捞过程中的实时物种识别与渔获登记、通过传送带和机器人技术在船上自动分拣物种、AI与智能渔具的集成、环境DNA（environmental-DNA, e-DNA）采样，以及捕捞中的数据驱动决策。若干挑战阻碍渔业采用基于AI的工具。第一，多数应用场景处于开发、试点或原型阶段，表明该技术尚未完全成熟。第二，渔民对基于AI工具的接受度有限，原因涉及信任、隐私、安全、缺乏激励以及人力替代等关切。第三，高质量大数据的需求以及生态系统建模的复杂性使AI模型受到质疑。本研究提出三项建议：（1）通过跨部门合作促进信任、支持基于科学的政策与决策，并使基于AI的工具对渔民更可行；（2）将针对副渔获物和丢弃物的经济工具与AI采用相结合，使其对渔民更具吸引力；（3）利用数据管理技术建立数据共享中的信任。
研究背景方面，渔业对全球粮食安全、生计和营养具有重要意义，2022年约34亿人以鱼作为主要蛋白质来源，海鲜初级生产部门就业约6200万人；随着人口增长和海产品需求上升，有效渔业管理对保护生态系统和维持韧性食物系统至关重要。副渔获物（bycatch，意外捕获的非目标或不想要渔获）和丢弃物（discards，因低于最小保护参考尺寸或配额耗尽而被回抛的目标种）威胁海洋多样性和生态系统稳定；底拖网以及依赖鱼类聚集装置（Fish Aggregating Devices, FADs）的围网等会提高副渔获物风险，丢弃还造成经济和生态浪费。传统监管措施如网目尺寸、渔具限制、时空禁渔、配额、上岸义务（Landing Obligations, LOs）和保护种上岸限制，以及市场工具和渔具创新，均存在合规有限、选择性渔具采用较低和社会经济影响等问题。AI在监测和管理副渔获物与丢弃物方面受到关注，但既有研究多聚焦技术可行性或概念与文献层面，较少同时整合技术、组织和外部商业环境因素及利益相关者经验。因此，研究人员采用TOE框架，评估AI工具减少渔业副渔获物和丢弃物的应用场景、挑战与机遇，并为渔业管理者、政策制定者、渔民、研究者、技术提供者和NGO等提供依据，以促进AI负责任使用和可持续结果。
研究人员开展了一项定性现象学研究。文献综述用于识别全球利用AI管理副渔获物和丢弃物的项目；2024年10月至2025年1月对17名直接参与AI项目的利益相关者进行深度访谈，受访者包括技术提供者6名、研究者5名、渔业行业代表1名、政策制定者2名、NGO代表1名、独立专家2名，主要来自荷兰、丹麦、比利时、法国、英国、挪威、苏格兰以及美国、加拿大；采用滚雪球抽样，线上线下结合，并参加两个渔业创新相关活动补充见解。访谈转录后导入MAXQDA进行主题分析，按TOE因素编码，并使用响应计数以避免统计泛化。研究结论是：AI应用场景较多但多处于开发、试点或原型阶段；组织因素中的信任、激励和人力替代问题是渔民采纳AI工具的主要障碍；外部商业环境中的数据共享、生态建模复杂性、科学建议接受速度和补贴依赖也影响采纳。研究意义在于提出跨部门合作、经济工具与AI采用结合、利用数据管理技术建立数据共享信任三项建议。
关键技术方法上，研究采用现象学定性研究范式；通过文献综述识别AI管理副渔获物和丢弃物的项目；于2024年10月至2025年1月对17名直接参与AI项目的利益相关者进行深度访谈，样本来源包括荷兰、丹麦、比利时、法国、英国、挪威、苏格兰以及美国、加拿大，受访者为技术提供者6名、研究者5名、渔业行业代表1名、政策制定者2名、NGO代表1名、独立专家2名；采用滚雪球抽样，线上线下结合；参加两个渔业创新相关活动补充见解；访谈转录后使用MAXQDA进行主题分析，按TOE因素编码并辅以响应计数。
研究结果如下。4.1 渔业副渔获物和丢弃物管理中AI的应用场景：通过访谈，研究人员识别六类应用场景，包括捕捞中实时物种识别与渔获登记、电子监测（Electronic Monitoring, EM）合规检查与AI辅助报告、传送带AI图像识别分拣、机器人视觉分拣、e-DNA采样，以及利用机器学习和历史渔获与环境数据进行捕捞决策支持；技术提供者和研究者提及最多，政策制定者和专家认可其潜力，文献项目映射显示应用集中于实时识别、合规透明和决策支持。4.2 AI采纳用于副渔获物和丢弃物管理的挑战：通过访谈并按TOE框架归纳，组织因素最突出；挑战主要由技术提供者和研究者识别，渔民、政策制定者、NGO和专家也识别部分挑战。4.2.1 技术挑战：多数技术处于探索、原型或概念阶段，商业化应用有限，技术和成本尚不成熟，人类观察员仍被需要；高质量大数据可得性、数据治理和物流困难；船上恶劣条件使系统寿命约4—5年，安装还占用船上空间。4.2.2 组织挑战：76%的受访者提及渔民信任不足，涉及隐私、安全、持续监测和监管增加等担忧；数据所有权和访问协议被视为建立信任的组成部分；经济激励缺乏，商业方案不稳健且依赖政府补贴，开发阶段智能系统成本可达约25,000欧元；部分渔民不信任AI模型；人力替代担忧涉及渔民和人类观察员岗位。4.2.3 外部商业环境挑战：生态数据建模复杂且需大量数据，渔民不愿共享数据；AI用于配额等科学建议的接受较慢；多数AI项目依赖政府补贴。4.3 采用AI的机遇：通过访谈按TOE识别，机会主要由研究者和技术提供者提出，政策制定者和专家认可多数机会，渔业协会代表强调较少；机会主要位于组织或渔民层面以及政府等外部环境。4.3.1 技术机遇：工具多较用户友好，渔民反馈可优化AI逻辑和设计，Fully Documented Fisheries等项目算法可从识别扩展到尺寸和体重计算，与产业共同设计可提高接受度。4.3.2 组织机遇：AI可提高作业效率、减少燃油消耗、改善配额管理并缩短作业；实时决策可提高合规性；加拿大案例显示船上摄像可用于减少员工盗窃和资源误用；美国部分电子监测项目由渔民发起并自管配额、自付监测成本，依赖信任和责任。4.3.3 外部商业环境机遇：AI可提高报告和文档透明度；政府补贴可作为产业采用AI的过渡步骤并降低财务风险；AI资助项目可增加生态知识并支持政策；市场可通过价格溢价和运营许可奖励透明且可持续的捕捞实践。
讨论部分总结：技术层面，AI在渔业中的全面实施仍需多年，治理、信任、隐私和伦理是数据收集的关键问题，密码学和混合区块链等数据管理技术可提供细粒度访问并兼顾隐私与透明；组织层面，信任、隐私安全伦理和经济激励是核心，AI宜作为现有渔业管理工作的补充工具，经济工具可包括副渔获物惩罚、税收、配额、成本分担、捕捞份额管理、补贴和保险；外部商业环境层面，跨部门合作、渔民参与共同开发、监管与其他机制结合、渔民主导和自管配额可提高接受度，小规模渔业虽数据缺乏也具相关性但需成本效益分析。局限包括定性研究、样本主要来自发达国家、样本量较小且利益相关者分布不均，技术提供者和研究者占比较高，TOE框架的“组织”层面存在方法学限制，研究聚焦捕捞环节；未来可扩展至加工、物流和零售，关注其他可持续问题，覆盖小规模和 large-scale 渔业，并应用于区块链、数字孪生和物联网（Internet-of-Things, IoTs）等技术及森林、地下水盆地和牧场等公共池资源。
研究结论翻译：本研究使用TOE框架分析AI在渔业副渔获物和丢弃物管理中的实施应用场景、挑战与机遇。基于结果形成三个主要见解。第一，与技术因素相关，存在多种AI应对副渔获物和丢弃物挑战的应用场景，但这些场景大多处于开发、试点或原型阶段。第二，与组织因素相关，缺乏信任、缺乏激励以及AI替代人力等社会相关问题似乎是渔民不采纳基于AI工具的主要原因。第三，与外部商业环境因素相关，在创新实施中考虑所有利益相关者至关重要——行动者、实施方法和渔业规模。这些见解提出以下建议：（1）加强跨部门合作以促进信任、支持基于科学的政策和决策，并使基于AI的工具对渔民更可行；（2）将针对副渔获物和丢弃物的经济工具与AI采用相结合，使其对渔民更具吸引力；（3）利用数据管理技术建立数据共享中的信任。
