从机器学习到智能体AI：水质监测与管理的新前沿

《Water》：From Machine Learning to Agentic AI: A New Frontier in Water-Quality Monitoring and Management

　　

水质监测正日益趋向数据驱动。现场与实验室测量技术、遥感以及人工智能（AI）模型的进步，显著提升了监测与预测水质的能力。这些进展在空间与时间上增加了环境数据的可获得性，为理解水质动态和识别新兴威胁创造了新机遇。然而，环境数据体量与复杂性的不断增长，也给数据整合、科学解释与决策带来了巨大挑战。将多样的观测与建模结果转化为可靠且可操作的信息，对水质监测与管理而言仍具不确定性。机器学习（包括深度学习）通过改进预测、分类与异常检测，显著推进了水质监测。可解释人工智能（XAI）有助于进一步解释模型预测并理解预测因子的重要性。然而，这些方法主要针对单项分析任务，并未协调水质监测中的多个步骤。例如，需要验证以判定传感器读数是否异常，或在证据不一致时是否需要进一步调查。所有这些任务都需要整合多来源信息并做出序贯决策。应对这些挑战需要更具适应性与协调性的分析方法。本专刊"水质与公共卫生先进数据分析"所刊载的六篇论文，凸显了基于传感器的监测、时空分析、机器学习、XAI、预测以及卫星遥感的应用。总体而言，这些论文展示了水研究中的一系列先进数据分析方法。这些论文为探索水质监测新方法提供了基础。一种新兴方法是智能体AI（agentic AI），它可将传统分析能力拓展至更集成、自适应且目标导向的监测方法[1,2]。本社论审视智能体AI的新兴潜力、其与既有分析方法的关系，以及改善水质监测与支持管理决策的机遇。智能体AI是指通过规划并执行一系列步骤、与外部工具交互、评估中间结果并调整后续步骤来追求特定目标的AI赋能系统[1,2,3]。其显著特征并非某种特定算法或对话界面的存在，而是一个目标导向的控制回路，系统可在证据变化时在允许的分析动作中进行选择。关于推理与行动语言模型智能体的研究为该方法提供了早期技术范例[3]。智能体AI系统通常涉及若干相互关联的功能，包括规划、工具使用、记忆、验证与适应[1,2]。规划将科学目标分解为若干具体任务并确定完成这些任务所需的步骤。工具使用使系统能够检索相关数据并执行分析模型或其他科学工具。记忆存储并保持先前步骤的信息。验证评估结果的可靠性并识别错误、不一致或缺失的证据。适应使系统能够根据新信息调整工作流程、执行额外分析或建议进一步行动[3]。这些功能在人类定义的目标、约束与监督下迭代运行。考虑一个指示有害藻华（HABs）风险升高的预报。常用的预测模型提供潜在风险的估计，而智能体AI系统可采取额外步骤评估风险估计并调查所采集的数据。例如，它可以检查传感器数据质量、检查近期卫星观测、评估天气与水文变量，并识别可能需要额外采样的位置。若现有观测无法证实所预测的藻华风险或相关毒素，系统可建议有针对性的采样以获取进一步评估所需的额外证据。由于卫星观测无法直接测量蓝藻毒素浓度[4]，在做出公共卫生决策前可能需要额外检测。智能体AI可支持这一过程，但关于公共卫生警示的决策仍属于人类职权。智能体AI并不必然要求应用大语言模型（LLMs）[1]。许多监测任务已可通过基于规则的系统、优化方法或既有分析工作流有效执行。当这些方法需要在新信息可用时进行协调与适应时，智能体AI提供了额外价值。然而，这些潜在收益应予以审慎评估[5]。自20世纪90年代以来，机器学习模型，特别是人工神经网络，已被用于预测水质[6]。在2000年代和2010年代，随着更多环境数据与计算工具的出现，其应用得以扩展。随着机器学习模型日益复杂，研究人员越来越多地采用XAI来理解模型预测并识别有影响的变量，尤其是在2010年代后期以来[7]。更近期，智能体AI已开始在水研究中受到关注，其应用涉及分析工具的协调与多步骤工作流[8]。图1展示了从预测与解释向协调行动的演进。三种方法服务于不同但互补的目的。机器学习可识别所采集水数据中的模式并预测水质状况或潜在风险。XAI可帮助用户理解预测如何生成以及哪些变量重要[7,9]。相比之下，智能体AI更进一步，不仅进行预测与解释，还选择并协调后续分析步骤[2]。主要区别在于分析结果如何被使用。机器学习提供预测、XAI帮助解释预测，而智能体AI可利用这些结果指导进一步分析、调查不一致或识别额外信息需求。这一演进并不意味着智能体AI将取代机器学习或XAI，也不意味着更大的自主性必然改善监测结果。许多监测任务可通过传统机器学习模型或基于规则的工作流有效解决。智能体AI的潜在优势取决于其能否在可靠性、效率或决策支持方面相较常用方法提供可衡量的收益[5]。智能体AI为推进水质监测与支持管理决策提供了机遇。一个有前景的应用是协调水监测工作流。水质调查通常涉及多个步骤，包括现场采样、实验室检测、处理卫星影像、评估模型输出，然后比较这些结果并识别不确定性来源。智能体AI可使用经过验证的工具（如统计模型与地理信息系统（GIS）或遥感软件）协调这些任务。例如，当HAB预报与现场观测冲突时，系统可检查测量时间、传感器校准与环境条件，以识别水质评估中出现差异的可能原因。这种协调可使水质监测与管理更加系统、透明与可重复。另一个机遇是自适应证据采集。传统监测计划往往依赖既定的采样位置与时间表，可能无法充分捕捉变化的环境条件。智能体AI可整合传感器观测、卫星数据、模型预测与不确定性估计，帮助确定何处何时需要额外测量。例如，当HAB正在发展时，智能体AI系统可结合现有监测数据与预报，帮助研究人员识别观测中的潜在缺口并考虑何处额外采样可能有用。既有的监测网络优化与自适应采样方法已有助于改善采样策略[10,11]。智能体AI可在这些方法基础上，将其与其他分析工具整合，以支持更协调、更自适应的采样决策。第三个应用是证据知情决策支持。监测结果可能指示潜在风险，但未确立是否需要干预。智能体AI可帮助汇集支持性证据、识别不确定性并呈现可能的应对措施供专家考虑。例如，在HAB事件期间，智能体AI系统可整合藻华预报、现场观测与毒素检测结果，以评估潜在风险并为公共卫生官员建议应对方案。此类系统应支持公共卫生决策，而负责官员仍拥有发布警示的职权。实现这些应用需要可靠的数据、经过验证的分析工具、透明的文档记录以及适当的人类监督。其性能应使用检测准确性、响应时间、采样效率、成本与决策质量等指标，与常规方法进行对比评估[5,12]。最终，智能体AI的价值应以其对水质监测与公共卫生保护的可证明益处来衡量。在此，研究人员提出智能体AI作为水质监测与管理的一种新方法。该方法在整合多来源数据、通过多个步骤处理信息并做出协调行动方面已显示出前景。确定这些能力是否改善监测效率与管理决策，需要进一步验证。未来研究应在特定水质问题上检验智能体AI，例如HAB及其他新兴污染物的监测与管理。其性能可通过若干指标评估，如减少检测延迟、提高采样效率以及与传统文化相比产生可靠结果。设计此类系统时应考虑若干因素，包括数据质量、不确定性与人类监督。目标不是构建更自主的系统，而是确定智能体AI能否帮助研究人员与水资源管理者在可用资源条件下做出更好的决策。

本文围绕水质监测与管理领域从机器学习向智能体AI（agentic AI）演进的新前沿展开论述。研究背景方面，水质监测日益数据驱动，现场与实验室测量、遥感及AI模型的进步显著提升了监测与预测能力，但环境数据体量与复杂性的增长给数据整合、科学解释与决策带来挑战，将多样观测与建模结果转化为可靠可操作信息仍具不确定性。机器学习（含深度学习）通过改进预测、分类与异常检测推进了水质监测，可解释人工智能（XAI）进一步帮助解释模型预测与理解预测因子重要性，但这些方法主要针对单项分析任务，未协调水质监测中的多个步骤，例如判定传感器读数是否异常或证据不一致时是否需进一步调查，均需整合多来源信息并做序贯决策。基于此，研究人员提出智能体AI作为新方法，旨在将传统分析能力拓展至更集成、自适应且目标导向的监测。研究人员通过社论形式系统阐述智能体AI的概念与能力、其与机器学习和XAI的关系，并提出其在水质监测与管理中的应用路径与评估方向。结论认为智能体AI在整合多来源数据、多步骤处理信息与协调行动方面已显示前景，但其是否改善监测效率与管理决策仍需进一步验证；未来应在HAB及新兴污染物等特定水质问题上检验，并以减少检测延迟、提高采样效率、产生可靠结果等指标评估，设计时需考虑数据质量、不确定性与人类监督，目标是帮助研究人员与水资源管理者在可用资源条件下做出更好决策，而非构建更自主的系统。其重要意义在于为水质监测与公共卫生保护提供了一种从"预测—解释"迈向"协调行动"的新分析范式。

本研究采用的主要关键技术方法包括：智能体AI系统框架，涉及规划、工具使用、记忆、验证与适应等相互关联功能的迭代运行；机器学习与深度学习模型用于水质预测、分类与异常检测；可解释人工智能（XAI）用于解释模型预测与识别重要变量；基于规则的系统与优化方法；卫星遥感与传感器观测数据整合；监测网络优化与自适应采样方法；以及大语言模型（LLMs）智能体的推理与行动技术。研究以社论与概念框架形式开展，未涉及具体样本队列来源。

研究结果方面：第一，理解智能体AI的概念与能力，通过概念界定与HABs预报案例得出智能体AI是以目标导向控制回路为显著特征、可在证据变化时选择分析动作的AI赋能系统，其功能在人类监督下迭代运行。第二，从机器学习到智能体AI，通过梳理20世纪90年代以来机器学习、2010年代后期XAI及近期智能体AI的发展脉络，得出三种方法服务于不同但互补的目的，智能体AI更进一步，可利用预测与解释结果指导后续分析，但并不取代机器学习或XAI。第三，使智能体AI服务于水质监测与管理，通过提出协调监测工作流、自适应证据采集、证据知情决策支持三类应用并辅以HAB案例，得出智能体AI可使监测更系统透明可重复、支持更协调的自适应采样并为公共卫生官员提供决策支持，同时强调需可靠数据、验证工具、透明文档与人类监督，并以检测准确性、响应时间、采样效率、成本与决策质量等指标评估。

讨论部分总结：智能体AI在整合多来源数据、多步骤处理与协调行动方面已显示前景，但其能力是否改善监测效率与管理决策需进一步验证；未来应在HAB及新兴污染物等特定问题上检验，以检测延迟、采样效率与结果可靠性等指标评估，设计时需考虑数据质量、不确定性与人类监督，核心目标并非构建更自主的系统，而是帮助研究人员与管理者在可用资源下做出更好决策。研究结论翻译：在此，研究人员提出智能体AI作为水质监测与管理的一种新方法。该方法在整合多来源数据、通过多个步骤处理信息并做出协调行动方面已显示出前景。确定这些能力是否改善监测效率与管理决策，需要进一步验证。未来研究应在特定水质问题上检验智能体AI，例如HAB及其他新兴污染物的监测与管理。其性能可通过若干指标评估，如减少检测延迟、提高采样效率以及与传统文化相比产生可靠结果。设计此类系统时应考虑若干因素，包括数据质量、不确定性与人类监督。目标不是构建更自主的系统，而是确定智能体AI能否帮助研究人员与水资源管理者在可用资源条件下做出更好的决策。