综述：缓解动物养殖中与人工智能相关的动物福利风险

《Computers and Electronics in Agriculture》：Mitigating artificial intelligence-related animal welfare risks in animal farming

　　

文献检索显示，针对人工智能（AI）相关养殖风险的缓解策略较为缺乏。
生成式人工智能（generative AI）可能增加福利洗涤（welfare washing）、物化（objectification）和去技能化（deskilling）的风险。
计算机视觉（computer vision）的进步减少了精准畜牧业（PLF）中一些先前已识别的风险。
可审计性（auditability）和行为验证（behavior validation）可以缓解嵌入式价值层级（embedded value hierarchies）带来的风险。

**1. Introduction**

随着全球对动物产品需求的持续增长，技术创新在提高农业效率方面发挥了重要作用。精准畜牧业（precision livestock farming, PLF）作为技术创新的重要领域，最初旨在降低劳动力成本，如今已转向通过摄像头和传感器对动物进行持续监测，以改善生产力、健康水平和福利。人工智能（artificial intelligence, AI）的快速发展进一步推动了技术解决方案在动物健康、福利和环境问题中的应用。已有研究表明，AI可被用于减少温室气体排放、识别动物疾病和提高生产率，并有望通过早期识别福利问题来改善动物福利。然而，AI的引入也可能带来新的风险，例如大语言模型（large language models, LLMs）作为“虚拟农场助手”可能影响养殖决策，而现有文献对这些技术相关风险及其缓解策略的关注不足。本文旨在通过文献检索和定性分析，绘制动物养殖中与技术和AI相关的福利风险图谱，识别AI放大风险的具体领域，并提出针对若干尚未充分研究的AI驱动的动物福利风险的潜在解决方案。

**2. Methods**

本文采用文献检索、关键词共现分析和定性分析三种方法。文献检索在Web of Science和Scopus数据库中进行，使用布尔字符串检索与精准畜牧业、智能养殖、人工智能等相关的英文文献，并遵循PRISMA指南进行筛选，最终保留72篇论文进行关键词共现分析，其中52篇纳入定性分析。关键词共现分析利用VOSviewer软件，基于作者提供的关键词识别领域内的主题和联系。定性分析则聚焦于论文中讨论的PLF或AI技术相关的动物福利风险及缓解策略，通过作者间的迭代讨论将风险归为四大类。

**3. Results and discussion**

**3.1 Literature mapping**

关键词共现分析显示，过去五年中PLF和动物福利是文献中紧密相连的主题，但动物福利与AI之间的联系相对较弱。与“人工智能”、“深度学习”等术语相比，“伦理”、“负责任创新”和“人与动物关系”等术语出现时间更早，且与AI相关术语的共现频率较低，表明对AI带来的伦理和福利风险的讨论不足。这种时间上的脱节提示，AI相关风险及其潜在的福利提升机会尚未得到充分探索。

**3.2 PLF and AI related animal welfare risks**

研究识别出13项与使用技术相关的动物福利风险，将其归为四大类：1）技术故障（technology failure）：包括有害硬件、技术故障和网络攻击、狭窄或模糊的福利定义、算法不准确和验证不足、嵌入式价值层级；2）对农民生活的非预期后果：包括传统农民技能退化、农民身份转变、人-动物关系削弱、对AI的过度或不足依赖；3）社会对动物和养殖业认知的改变：包括物化、工具化和物种歧视，以及“福利洗涤”（humane washing）或“福利漂洗”（welfare washing）；4）养殖系统变化：包括为优化AI而调整的养殖环境，以及加剧的集约化。其中，计算机视觉的进步降低了一些先前与硬件相关的风险，例如非侵入性技术正在取代耳标等潜在有害的个体识别方法。然而，AI可能放大算法不准确、验证不足、技术故障、技能退化、身份转变、人-动物关系削弱、过度或不足依赖、物化、福利洗涤以及集约化等风险。特别值得注意的是，嵌入式价值层级问题在基础模型（foundation models）类AI工具中变得尤为突出，但在动物语境下很少被讨论，且缺乏缓解策略。

**3.3 Underexamined AI-driven animal welfare risks**

在识别出的风险中，