《All Life》：Artificial intelligence in aquaculture and fisheries: from precision breeding to environmental monitoring and intelligent health management
编辑推荐：
人工智能（AI）在水产养殖中的应用仍相对未被充分探索，尽管它们在提升可持续性、生产力和经济效率方面具有巨大潜力。传统水产养殖实践通常劳动密集、成本高昂且难以规模化，这就凸显了对先进技术解决方案的需求。本综述审视了AI在水产养殖和渔业中当前及新兴的应用，强调其在
人工智能（AI）在水产养殖中的应用仍相对未被充分探索，尽管它们在提升可持续性、生产力和经济效率方面具有巨大潜力。传统水产养殖实践通常劳动密集、成本高昂且难以规模化，这就凸显了对先进技术解决方案的需求。本综述审视了AI在水产养殖和渔业中当前及新兴的应用，强调其在提高运营效率和支撑可持续水生食品生产系统方面的作用。近期研究表明，AI驱动的方法，特别是深度学习（DL）模型和智能数字工具，可以显著增强监测、管理和决策过程，同时降低劳动力成本。然而，水产养殖行业仍面临若干挑战，包括可用于水产养殖的土地有限、水污染以及现有AI系统可扩展性有限。本综述综合了近期关于AI赋能技术（包括物联网（IoT）、区块链和数字监测平台）的研究，这些技术被用于鱼类生产、环境监测和供应链透明度。这些技术的整合可以提高水产养殖系统中的生产力、可追溯性和资源管理水平。此外，基于AI的工具支持可持续食品生产和全球粮食安全。与将这些应用孤立看待的早期综述不同，本综述将精准育种、环境监测和智能健康管理整合在同一综述框架中，并明确讨论了那些当前限制AI工具从研究原型转化为商业水产养殖实践的可扩展性、互操作性和采用缺口。未来研究应着重于集成云计算、智能决策支持系统和AI赋能的机器人技术，以提高可扩展性并加强AI在水产养殖和渔业管理中的应用。
引言（Introduction）
水产养殖是一个快速增长的产业，需要持续技术进步来提升养殖实践。传统养殖方式劳动密集、成本高、难以规模化，而人工智能（AI）可通过图像、语言和模式识别辅助决策，并在投喂效率、生物量估算、生长跟踪、环境监测、疾病早期诊断和循环水养殖系统（RAS）管理中降低人工成本。深度学习（DL）的出现拓展了智能水产养殖的能力。AI支持精准投喂、水质管理、鱼病防控与饲料配方优化，并在缓解过度捕捞和气候变化对渔业资源压力的同时，提高可持续性和经济效率。以往综述多聚焦单一方向，而本综述综合考虑精准育种、环境监测和智能健康管理之间的协同，并探讨这些AI工具从研究原型走向商业化应用中的可扩展性与采用障碍。
方法（Methodology）
识别流程（Identification process）
本综述遵循PRISMA 2020声明的四阶段流程，在Scopus、Web of Science、ScienceDirect和IEEE Xplore四个数据库中检索2000—2025年文献，结合AI与水产养殖关键词，初步获得1180条记录，剔除342条重复后，838条进入筛选。
筛选流程（Screening process）
根据标题和摘要排除不相关、非AI、非水产养殖或渔业主题及非原始文献的记录，剩余196篇全文报告。
资格评估（Eligibility assessment）
对196篇进行全文审查，按是否应用AI、机器学习（ML）或深度学习方法、是否聚焦水产养殖或渔业、方法细节是否充分、是否同行评议英文文献等条件剔除151篇，保留45篇。
纳入与排除标准（Inclusion and exclusion criteria）
纳入标准包括：原始研究、应用AI方法于水产养殖或渔业、提供充分的建模细节、以同行评议期刊论文或会议论文发表，且研究涉及基因组预测、性状选择、疾病检测、行为观察、生物量估计或环境评估等实用主题；不符合上述条件或属非原始文献者予以排除。
最终选择与数据提取（Final selection and data extraction）
45篇纳入文献被分为精准育种和遗传优化（14篇）、环境监测与智能水产养殖系统（17篇）、智能健康与行为管理（14篇）三大主题，并提取发表年份、国家、目标物种或生产系统、AI方法、研究范围、性能指标、验证策略和局限性。由于不同研究在数据集、AI架构和评价指标上差异较大，本研究采用定性综合而非定量荟萃分析。
AI在现代水产养殖中的作用（Role of AI in modern aquaculture）
AI技术可用于水质管理、水生环境监测、精准饲喂和疾病识别。以投喂为例，AI根据鱼群数量、平均体重和投喂率计算每日需求，机器人投喂系统通过分析鱼群位置确定饲喂点，并依据摄食行为实时调整，以降低饲料浪费。系统全流程包括数据采集、通信传输和决策处理；机器利用图像即时获取鱼体形态与体重、体长、摄食行为以及温度、pH、溶解氧等指标，经分析后判断生长是否正常并支持自动化运行。
AI在疾病检测与预防中的应用（Use of AI in disease detection and prevention）
AI系统通过传感器和水下摄像头持续获得鱼类行为数据，可识别游动减少、运动异常等应激或疾病征兆。图像上传云平台后，即便小规模养殖户也能早期发现风险并采取管理措施。基于深度学习的视频分析也被用于识别养殖场中的患病鱼类；AI结合实时数据与预设数据库可预测疾病暴发并启动预防，例如“Aquacloud”系统用于预防网箱海虱。融合行为、水质和投喂数据可提高诊断及时性，并有助于疾病防控；三维（3D）成像比二维（2D）成像更有利于捕捉鱼体空间行为变化，还可推动疫苗、治疗方法和预防措施的开发。
AI在推进预测性健康管理（PHM）系统中的作用（Role of AI in advancing predictive health management (PHM) systems）
预测性健康管理（PHM）系统利用数据分析和模式识别持续监测养殖环境与鱼群健康，在疾病出现前发出预警。云计算、数据科学和物联网（IoT）为PHM提供技术支撑，并提高了多源数据收集与分析效率。同时，AI还可实时监测温度、pH、溶解氧、浊度等水质指标，结合人工智能物联网（AIoT）应用实现自动计数、智能投喂和疾病检测，支持水产养殖的智能化管理。
基于AI的环境监测（AI-based environmental monitoring）
无人机等无人系统结合卫星遥感技术，可对养殖水体的电导率、浊度、水深、pH、温度、叶绿素、硝酸盐和溶解氧等参数进行地理参考数据采集，但飞行时长仍是主要瓶颈。云基自主无人机配合深度学习模型能够识别水面可疑目标（如人和船只）并支持鱼群追踪；计算机视觉技术则广泛用于鱼类计数、规格估计、疾病诊断、摄食监测和行为分析，从而提高养殖和捕捞作业的自动化水平。
AI在保护遗传学和育种计划中的应用（Application of AI in conservation genetics and breeding programs）
温度是鱼类繁殖的关键控制因子，AI可帮助优化繁殖环境，调控水质、投喂、种群密度和疾病风险。在育种方面，利用基因组大数据，AI可以建立性状预测模型，发现与生长速度、抗病力等相关的遗传变异，增强选育精准性。计算机视觉提供了低成本、非接触和连续观测手段，AI算法则能识别异常，为改善饲养条件和鱼类福利提供决策支持。
AI与区块链技术在水产养殖中的应用：增强鱼类养殖、种群管理和供应链效率（AI and blockchain technology in aquaculture: enhancing fish farming, stock management, and supply chain efficiency）
区块链提供去中心化、基于共识的分布式账本，可增强养殖数据安全、减少欺诈并实现“从养殖场到餐桌”的食品溯源，帮助减少食物浪费和食源性疾病。数字工具如云计算、区块链和物联网有助于评估渔业生产与消费对环境和经济的影响，提高水产品供应链的透明度。AI与区块链结合在虾类出口链中已有应用，有助于提升生产可追溯性和可持续管理水平。
利用AI和深度学习推进渔业（Advancing fisheries with AI and deep learning technologies）
深度学习模型可进行鱼种识别与分类、优化投喂时间、分析行为和追踪运动。基于计算机视觉的曝气系统可通过识别鱼类低氧行为自动运行；轻量YOLOv4等模型也被用于循环水养殖系统（RAS）中的死亡鱼检测。无人机与卷积神经网络（CNN）、混合CNN-XGBoost等模型组合可实现鱼体重自动估算；模型比较通常从计算速度、分类能力、可扩展性和现实可用性展开。AI在渔业中的推广还涉及数据隐私、安全与标准制定；联邦学习和边缘计算有望促进实时处理，并与机器人系统集成实现自动化作业。
AI在水产养殖中的利弊（Pros and cons of AI in aquaculture）
AI的有利之处在于提高管理效率、较准确地预测疾病暴发和水质恶化、减少饲料浪费、跟踪鱼类生长并提升存活率和饲料转化效率。它还可降低渔获处理中的投入浪费，支持智能养殖设备远程管控，并利用云平台辅助病害管理，减少昂贵处理和鱼类死亡。不利之处包括设备购置和维护成本高，可能造成失业，以及经济、环境、社会、伦理、算法和互操作性风险，尤其对中小型养殖场形成财务障碍。从技术权衡看，计算机视觉模型在受控条件下表现良好，但在浑浊水体、变化光照和高放养密度下较脆弱；IoT系统成本低且易扩展，但依赖传感器标定与稳定网络；深度学习疾病检测模型性能强，但数据需求大、可解释性弱，且多基于单点数据集验证；数字孪生等决策支持框架仍处于原型阶段，尚未在商业规模充分验证。总体而言，不同方法在准确度、数据需求、可扩展性和现场就绪性上存在折中。
通过AI塑造水产养殖的未来（Shaping the future of aquaculture through AI）
未来AI水产养殖的趋势是机器人、传感监测、云计算和智能决策支持系统深度融合，以实现投喂、病害防治和育种的更高精度。为让中小型养殖者受益，需要开发低成本、易使用方案，并建立标准化数据采集协议和互操作性标准，使模型能够跨场景迁移。AIoT的前沿方向包括多模态架构与数字孪生系统；共享基准数据集、多站点验证、可解释模型以及数据治理和政策支持将是连接实验室精度与实际应用的关键。这种集成有助于形成数据驱动、环境友好并能满足未来食物需求的水产养殖体系。
结论（Conclusion）
AI正在推动水产养殖向高效、可持续方向转型。通过机器学习、机器人和计算机视觉，AI能整合数据监测、决策分析与自动控制，覆盖投喂、育种和环境管理，并降低劳动力成本和生态影响。要让这些技术成果得到更广泛应用，不能仅依赖孤立的准确度演示，需要持续弥合原型与实践、大型养殖场与小型养殖户之间的差距，并通过合作和数据标准建设来实现AI在水产养殖价值链中的公平应用。
