《animal》：Review: Understanding cattle social behaviour in modern penned production systems with AI technology: Are we tracking welfare indicators?
编辑推荐：
这篇综述聚焦于现代圈养生产系统中的牛群社会行为与人工智能监测技术的交叉点。文章系统回顾了超过180篇文献，批判性地评估了当前AI系统在捕捉与动物福利相关的复杂社会动态和情境化信号方面的能力与不足。作者指出，现有技术虽然能有效检测基本活动（如躺卧、进食），但在解释行为背后的“原因”及其与福利状态（如疾病、不适）的联系上存在显著鸿沟。为此，他们提出了一个以福利为中心的AI框架，强调多模态数据整合、情境感知建模、共享行为本体论、人在回路设计和可解释AI（XAI）五大原则，旨在推动建立更具可解释性、相关性和可信度的牲畜监测系统，以实现更精准的早期福利风险检测和决策支持。
牛是高度社会化的动物，其社会行为（如相互理毛、同步活动、争斗）是评估其生理健康和心理健康状态的关键窗口。在现代集约化圈养生产系统中，由于高饲养密度、频繁并群和空间限制等因素，牛自然社会行为的表达受到抑制或改变，这对传统的、依赖人力的观察方法构成了巨大挑战。近年来，人工智能（AI）技术，特别是计算机视觉和传感器技术，为自动化、连续、客观地监测牛行为提供了有前景的工具。然而，当前大多数AI系统主要聚焦于识别动物“正在做什么”（例如站立、行走、躺卧、进食），而无法解释行为背后的“为什么”，即一个姿势是代表休息、不适还是疾病。这种对行为情境的忽视，使得从可观测行为到动物福利状态的推断变得脆弱甚至可能产生误导。这篇综述系统性地探讨了这一关键问题。
理解牛的社会行为：生物学与福利视角
牛具有复杂的社会组织结构，包括亲和行为（如相互理毛、近距离休息）和争斗行为（如顶撞、驱赶），这些行为对于建立和维护社会等级、促进群体凝聚力至关重要。亲和行为通常与积极的情绪状态和良好的福利相关联，而持续或过度的争斗行为则可能预示着社会不稳定、资源竞争或环境不适。值得注意的是，社会动态的微妙变化往往是疾病或应激的早期预警信号，例如理毛频率的下降、采食点驱赶事件的增加或长时间离群索居。因此，牛的社会行为本身就是一类核心的福利指标。
现代生产系统对社会行为的影响
从传统放牧转向集约化圈养系统，显著改变了牛的社会环境。空间限制减少了动物通过保持距离来避免冲突的能力，从而可能导致争斗行为频率增加。频繁的并群会打破稳定的社会等级，引发攻击行为高峰和生理应激。此外，资源（如饲料、卧栏）竞争加剧，优势个体可能垄断资源，导致从属个体采食效率下降、休息不足，增加跛行或乳腺炎的风险。这些环境约束不仅抑制了自然社会行为的表达，也使得基于行为的福利评估变得更加复杂和困难。
用于牲畜行为监测的人工智能技术
人工智能，尤其是基于计算机视觉和可穿戴传感器的系统，已成为自动化行为监测的强大工具。计算机视觉系统通过摄像头和深度学习模型，可以实现牛只检测、姿态估计、活动识别（站立、行走、躺卧）、个体重识别、面部识别、多目标跟踪乃至社交互动（如攻击行为）检测。可穿戴设备（如加速度计）则通过分析运动时间序列数据来分类行为，如反刍、行走和躺卧。更先进的系统尝试融合视觉和传感器数据（多模态整合），或利用无监督学习进行异常检测，以识别偏离正常模式的行为。然而，这些技术仍面临诸多挑战。
将人工智能输出映射到福利指标：我们进展如何？
尽管技术进步显著，但在行为检测与有意义的福利评估之间仍存在关键缺口。核心问题在于，行为本身往往是模糊的，其福利含义高度依赖于情境。例如，长时间的躺卧可能意味着舒适的休息（积极福利），也可能意味着因跛行或疾病导致的嗜睡（消极福利）。现有的AI系统大多缺乏整合环境、社会和个体历史等情境信息的能力，因此难以进行准确的福利推断。此外，当前AI模型的“黑箱”特性使得其决策过程不透明，降低了用户在做出福利相关决策时的信任度。将AI检测的行为与已验证的福利指标（如体况评分、皮质醇水平、跛行记录）相关联的研究正在兴起，但多数仍处于早期发展阶段。
当前人工智能方法的局限性与不足
当前AI方法存在几个主要局限：1) 数据局限：训练数据集通常来自有限农场，多样性不足，导致模型在不同环境、光照、品种下的泛化能力差；2) 标准缺失：缺乏统一、标准化的行为定义和标注协议，不同研究间难以比较和整合；3) 技术瓶颈：在实际农场环境中，遮挡、光照变化、复杂背景等问题仍严重影响系统性能；4) 解释性差：深度学习模型缺乏可解释性，用户难以理解行为分类的依据；5) 孤立分析：多数系统将行为作为孤立事件分析，忽略了个体行为在时间和群体中的动态模式，而这些模式对于理解慢性应激或社会结构变化至关重要。
福利中心型人工智能监测系统的未来方向
为了克服上述局限，实现真正服务于福利评估的AI监测，需要构建一个以福利为中心的新框架。该框架基于以下五大设计原则：多模态数据整合（融合视觉、传感器、环境、生理等多源数据，提供更全面的动物状态视图）；情境感知行为建模（将行为置于时间、环境和社会背景中解读，区分适应性行为和病态行为）；共享行为本体论（建立基于行为科学的标准术语和分类体系，确保数据和研究间的互操作性）；可解释人工智能（XAI）（开发能解释其推理过程的模型，增强透明度和用户信任）；人在回路设计（将养殖者、兽医的专业知识整合到系统中，实现人机协作决策）。这些原则共同指向下一代AI监测系统的发展方向：它们不仅是高效的行为探测器，更是理解动物需求、预警福利风险、支持循证决策的智能化伙伴。未来的研究需要在系统验证、伦理共设计以及动物科学家与AI工程师的跨学科合作上投入更多努力，以确保AI技术能够在畜牧业中负责任地规模化应用，最终提升动物福利水平。
