《SCIENCE ADVANCES》：Unlocking biodiversity data with robotic imaging and AI-driven transcription of natural history collections
编辑推荐：
摘要：自然历史标本标签元数据的数字化仍是生物多样性研究的关键瓶颈。研究人员提出了一种变革性工作流，将机器人成像与人工智能（AI）驱动的转录相结合，以实现从标本标签中快速、全面地提取数据。研究人员将包含标本及相关标签的单个高分辨率图像提交至Gemini 2.5
摘要：自然历史标本标签元数据的数字化仍是生物多样性研究的关键瓶颈。研究人员提出了一种变革性工作流，将机器人成像与人工智能（AI）驱动的转录相结合，以实现从标本标签中快速、全面地提取数据。研究人员将包含标本及相关标签的单个高分辨率图像提交至Gemini 2.5 Flash和GPT-4 Turbo，以提取逐字文本信息。该方法每小时可产生约600条逐字转录，相较于传统人工方法每小时约20条转录的效率提升了30倍。释放历史标本元数据促进了信息的可访问性，并为各类分析提供了时间和空间背景。研究人员的方法有助于重新连接此前因部门或机构分隔而孤立的分散生物数据集，从而整合生态上相互依存的组成部分（如宿主/寄生虫、传粉者/植物），以更全面地理解生物多样性动态。
论文解读：利用机器人成像与AI驱动转录加速自然历史藏品数字化
本研究发表于《SCIENCE ADVANCES》，聚焦于解决自然历史藏品（Natural History Collections, NHCs）中蕴含的海量生物多样性数据难以被高效挖掘的难题。研究通过整合机器人成像技术与先进的人工智能（Artificial Intelligence, AI）光学字符识别（Optical Character Recognition, OCR）技术，构建了一套可扩展的工作流，旨在突破标本标签元数据数字化的瓶颈。
研究背景与必要性
过去三十年间，自然历史藏品的科学价值发生了显著转变。博物馆标本不再仅被视为具有物理和遗传特征的静态实体，其跨越数十年的关联数据（associated data）现已被公认为理解物种分布、丰度、健康及生物多样性的关键。然而，尽管全球自然历史博物馆估计保存了约30亿份标本，但仅有约2.25亿个基于标本的数据点被录入全球生物多样性信息设施（Global Biodiversity Information Facility, GBIF）和综合数字化生物收藏（Integrated Digitized Biocollections, iDigBio）。这一巨大差距主要源于历史元数据的捕获挑战：标签往往为手写，字迹微小、褪色或被标本遮挡。传统的手动转录过程极其缓慢且劳动密集，导致大量有价值的生态数据被锁定在物理标签中，无法用于宏观生态学和进化研究。
关键技术方法
研究人员在美国自然历史博物馆（American Museum of Natural History, AMNH）无脊椎动物学部（Division of Invertebrate Zoology, IZ）开发并实施了该工作流。首先，利用GIGAmacro Magnify2（GMM）机器人成像系统对标本及其标签进行自动化高通量成像，该系统能够垂直采集图像堆栈并通过水平移动覆盖网格中的多个单元，随后进行焦点堆叠（focus-stacking）以生成高分辨率合成图像。其次，将处理后的图像输入至商业AI模型——Google Gemini（Gemini 2.5 Flash）和ChatGPT（GPT-4 Turbo），利用其增强型OCR功能提取逐字（verbatim）文本。研究人员通过迭代的提示词工程（prompt engineering）优化转录准确性，并利用数据矩阵（data matrix）标签实现图像与标本目录记录的系统关联。样本来源于美国国家科学基金会资助的三个项目中的目标分类群，涵盖针插干燥标本和乙醇浸泡标本。
研究结果
成像与转录效率
研究人员的工作流在转录速度上实现了显著提升。AI-OCR工作流产生的转录速率是人工转录的30倍。具体而言，四名志愿者使用Gemini 2.5 Flash和GPT-4 Turbo在19小时内从标签图像中生成了11,142条逐字转录；相比之下，同样四名志愿者通过手工录入生成6,896条转录需要9.85周（315小时）。
转录准确性
AI转录的准确性表现卓越。历史笔迹、罗马数字日期及性别符号的正确转录率达到96.85%，略高于人工转录的93.34%。虽然AI转录在需要修正的记录中，出现20个以上字符修正的比例显著高于人工转录（χ2= 52.33, df = 1, P < 0.0001），但这些需要大量修正的记录（50条）仅占总AI转录量的不到1%。
讨论与结论
本研究证明，结合高分辨率机器人成像与先进AI辅助OCR转录，以一种增强且经济实用的方式加速了自然历史藏品的数字化进程。这种集成工作流高效且迅速，将静态标签元数据转化为可搜索的数字记录，其高基线准确率加上通过迭代模型训练实现的持续改进，使AI转录成为解锁历史档案中生物多样性数据的可行解决方案。
尽管AI在处理某些历史标签的特殊性（如模糊的日期格式或区分采集者与鉴定人姓名）时仍存在困难，且人类审阅仍是必要的，但通过人机反馈循环可以不断优化模型识别模式。此外，将AI-OCR工具与机器人成像、关系型藏品管理系统（如Axiell EMu）及全球聚合平台（如GBIF和iDigBio）相结合，为全球范围内快速现代化改造藏品库提供了可扩展的模型。
总之，该研究通过弥合物理与数字鸿沟，将脆弱的档案记录转化为全球互联、数据丰富的环境挑战应对基础，其应用范围远超生物多样性科学本身。这不仅扩大了全球对标本元数据（如物种鉴定、采集地点和日期）的访问权限，使得能够分析物种分布、物候和群落丰度的长期趋势，还通过将原本孤立的生态相互依存数据集（如寄生虫与宿主、传粉者与植物）重新连接，加深了对生态网络的理解。
