《Smart Agricultural Technology》：Decision support in recirculating aquaculture systems (RAS): A case study of a human–AI interface in prawn hatchery operation
编辑推荐：
**摘要**
可持续且负责任的养殖生产需求，促使人们创新性地采用循环水养殖系统（recirculating aquaculture systems，RAS），该系统极为复杂，需要整合多个科学技术领域才能达到预期的生产能力。在本案例研究中，研究人员报告了一项为
**摘要**
可持续且负责任的养殖生产需求，促使人们创新性地采用循环水养殖系统（recirculating aquaculture systems，RAS），该系统极为复杂，需要整合多个科学技术领域才能达到预期的生产能力。在本案例研究中，研究人员报告了一项为期四个月的观察，使用一种大语言模型（large language model，LLM），与人类专业知识协作，分析并解决了罗氏沼虾（*Macrobrachium rosenbergii*）RAS育苗场中的复杂挑战。不可接受的幼虫和后期幼虫死亡率促使研究人员将人工智能决策支持系统作为战略管理伙伴整合到育苗场管理中，使之能够在化学、生物、物理、工程和行为等领域进行探索。人工智能体提出的关键干预措施包括矿物质平衡重新校准、微生物负荷诊断、行为模式解码以及光照与水流工程优化。结果以幼虫死亡率降低和幼虫向后期幼虫变态率提高来评估。该过程的核心是存在一个具有引导作用的人类实体，通过审慎提问和情境构建来引导人工智能的分析能力。本案例研究表明，人工智能有潜力改善集约化水产养殖系统。然而，人工智能体倾向于过度简化复杂系统，这需要人类专家主导人机对话，提供方向与引导。在基于RAS的水产养殖中采用LLM，可弥合原始数据与可操作见解之间的鸿沟，有望推动水产养殖业的效率和长期可持续性。
**论文解读：循环水养殖系统中人机协同决策支持——基于罗氏沼虾育苗场的案例研究**
**1. 研究背景与问题**
罗氏沼虾（*Macrobrachium rosenbergii*）是全球水产养殖中的重要经济物种，其市场需求持续增长。育苗场需要稳定供应幼虫和后期幼虫，尤其是单性群体，以满足养殖户和消费者的需求。成功的商业化育苗场运营需要管理水化学、幼虫生物学、微生物生态学和系统工程等多维复杂因素的交互作用。然而，传统标准化方案虽然提供了水质、投喂和系统运行的常规参数，但持续的幼虫死亡和性能不稳定表明存在难以独立解决的隐性应激源和动态相互作用。同时，罗氏沼虾作为降海洄游物种，繁殖和幼虫发育需要咸淡水，而其余生活史阶段需要淡水，这增加了育苗管理的复杂性，并给循环水养殖系统（recirculating aquaculture systems，RAS）的整合带来挑战。水流状态、水化学和光照强度等因素若调控不当，均可能导致存活率下降、发育不良和应激增加。已有研究表明，不当水流会诱发应激、造成物理损伤并降低摄食效率；钙离子浓度不足会干扰蜕壳并抑制生长和存活；错误的光照条件也会对摄食和发育产生负面影响。
**2. 研究目的与方法**
尽管人工智能（artificial intelligence，AI）技术在方法学上快速进步，但精准决策支持在水产养殖中的应用仍处于起步阶段。为了应对上述多因素挑战，研究人员开展了一项案例研究，旨在探讨将大语言模型（large language model，LLM）形式的人工智能体整合到罗氏沼虾RAS育苗场的全面管理中，形成一种人机交互决策支持界面。研究在泰国佛统府（Nakhon Pathom Province）西部的一家商业化室内罗氏沼虾全雌性育苗场进行，该设施年产约7.2亿只幼虫和2.4亿只后期幼虫，由5条生产线共55个养殖池（每池3 m3）组成，系统通过生物滤器以约每三小时一次的水体周转率循环。养殖密度为每升水50只幼虫。研究采用分层的对话式AI方法，包括系统映射、问题映射、领域深潜、假设检验、科学交叉参照和系统反馈整合。所使用的AI体为ChatGPT（GPT-4o版本，付费订阅）。研究期间为2025年1月至4月，共四个月。主要干预措施的评估依据为幼虫死亡率、后期幼虫变态成功率、行为异常改善等运营性观察指标。由于在商业化生产条件下开展干预，各措施为序贯实施而非独立受控实验。
**3. 主要技术方法**
研究人员采用了基于大语言模型（LLM）的对话式人工智能决策支持方法，具体技术路径包括：对育苗场RAS系统进行系统映射与问题映射；对化学、生物、物理、工程和行为五个领域进行AI辅助的文献深潜分析；基于AI生成的假设结合实证数据进行交叉验证；通过人类专家引导的对话式迭代形成干预方案。样本来源为泰国某商业化罗氏沼虾育苗场，无独立对照设施。水质监测采用商业测试包，数据通过“绿-橙-红”分级系统作为人机对话的上下文信息。
**4. 研究结果**
**4.1 矿物质相互作用与离子竞争（后期幼虫培育阶段）**
2025年2月15日（约5 DOC），出现无明显原因的幼虫和后期幼虫死亡率升高。常规检测排除了溶解氧、CO?、pH和病原体的直接嫌疑。AI体最初建议改变盐组成，但未观察到明显改善。经过进一步对话，发现系统中钙缺乏可能是蜕壳失败的原因。分析显示钙水平虽在文献推荐范围（200–280 ppm）内，但镁浓度升高至超过700 mg/L，导致Mg：Ca比超过2.5：1，可能抑制钙吸收并干扰外骨骼发育。通过逐渐添加氯化钙调整比例后，在三池初步试验中观察到短期蜕壳同步化改善和死亡率下降；但当干预扩展到更大系统时，改善未能持续，死亡率复发。结果表明干预效果可能依赖于换水稀释度和系统负荷等情境因素。
**4.2 曝气与水流动力学（幼虫培育阶段）**
2025年2月21日（约11 DOC），幼虫变态率低和存活率问题再次出现。为实现目标溶解氧浓度（1.9–2.9 mg O?/L），系统原本设计了最大水周转的气升系统，但导致幼虫贴壁、异常跳跃和垂直迷失方向等行为应激。AI体建议降低曝气强度、均匀分布气升装置并减缓水流梯度。全系统实施后，幼虫恢复到较典型的游泳模式，贴壁和异常运动减少。但由于曝气修改是同期多项操作变更的一部分，无法确定其独立贡献。
**4.3 水体透明度（幼虫培育阶段）**
约15 DOC（2025年2月25日），幼虫死亡率再次上升。系统水体最初超清澈，但AI体结合文献提出，自然界罗氏沼虾幼虫栖息于富含悬浮有机物的河口区，光线的散射有助于视觉定向；过高的透明度可能构成应激。AI体建议添加植物增加浑浊度，但研究人员判断该方案可能引入微生物污染，因此改用人工色素将水体染成蓝绿色，并为光照系统添加绿色漫射器，将水体能见度控制在30–40 cm。初步试验中五个养殖池观察到存活率和变态率改善，但未保留足够定量的存活记录，且无法区分水色与光学改性的独立作用。
**4.4 光照强度管理（幼虫至后期幼虫变态阶段）**
2025年3月3日（约21 DOC），幼虫变态问题再次复发。AI体指出，系统中初始LED光照强度高达1000–6000 lx，可能引发应激。通过AI辅助的文献交叉参照，研究人员将光照强度降至250–800 lx，以更接近自然栖息地条件。干预后运营层面观察到变态改善，但该干预是在多个先前变更之后实施的，因此无法单独归因。
**4.5 丰年虾与微生物负荷管理（RAS幼虫系统）**
约23 DOC（2025年3月5日），研究人员就活饵来源的微生物负荷导致的持续死亡率与AI体对话。丰年虾（*Artemia*）可能作为“特洛伊木马”向幼虫环境和肠道引入高浓度机会性病原体。AI体最初建议环境PCR（polymerase chain reaction，聚合酶链式反应）分析，但该方法劳动强度大、不适合高容量RAS。研究人员提供相关文献后，AI体建议添加益生元和益生菌，并采用商业化微生物检测进行感染监测。实际执行了消毒方案、基于池特异性微生物基线图的检测，并将细菌学样本送外部实验室检测；必要时使用氯消毒，感染时以25 mg/L福尔马林处理30分钟至1小时。实施后观察到死亡率从约50%降至约20%，但由于同期其他条件也发生变化，且未保留适合回顾性分析的定量微生物学数据，无法直接归因于微生物控制措施。
**4.6 人工智能作为多学科工具的实际应用**
本研究以时间序列方式记录了与LLM的多轮对话，涉及幼虫生物学、水化学、水物理学和系统工程等多方面参数。AI体的建议由人类人员在商业育苗场运营约束下评估和实施。由于干预为序贯实施，多个参数在同一时期被修改，观察到的死亡率、存活率、行为和变态变化不能因果性地归因于AI体的建议或任何单一干预。人机界面主要充当多学科决策支持和假设生成工具，共处理了罗氏沼虾生产中的五个运营挑战。
**5. 讨论与结论**
本研究案例展示了人机交互界面如何支持复杂商业RAS育苗场中的多学科假设生成和决策制定。AI体并未独立诊断或控制系统，而是作为认知决策支持工具，其建议由人类专家解释、质疑和实施。研究价值在于方法学层面：AI可能提供一种快速整合生物、化学、物理和工程领域信息的机制，并生成可由经验丰富的育苗人员评估的假设。同时，研究也揭示了若干限制自主使用LLM的失败模式：AI体有时会提出技术上合理但运营上不可行的干预（如环境PCR）；可能出现情境偏倚或谄媚行为（sycophancy），即AI倾向于迎合用户的预设观点，甚至编造参考文献。研究人员通过坚持要求额外的同行评审文献支持AI主张、在提供系统特定数据后使用开放性问题等方式来缓解这些问题。该研究的主要局限是作为n=1的观察性案例研究，没有独立对照设施或非AI故障排除路径，因此结论应视为假设生成和方法学示例，而非干预措施有效性的证据。未来研究应采用重复的对照和处理组、预定义终点、标准化行为和发育评分、连续水质监测及定量微生物测量进行前瞻性评估。
**研究结论**：本案例研究展示了一种在封闭式RAS育苗场中综合使用AI的方法，不仅适用于罗氏沼虾等虾类养殖户，也适用于鱼类、虾类及其他水生动物养殖者。总体而言，本研究获得的见解对需要跨学科专业支持的水产养殖从业者具有参考价值。AI辅助过程允许逐个隔离问题，同时考虑系统变更的历史累积。未来，为将现实考量纳入AI—育苗场管理者交互，应在AI识别出挑战后、在实施全育苗场干预之前，将盈亏分析纳入事件序列，并进行受控/比较试验，从而依据潜在盈亏允许或拒绝干预。对资源投入与产出结果的详细评估对于评估经济效率和改善AI建议的成果至关重要。在一个AI应用日益普及的世界中，负责任地使用AI工具来生产可持续的水产养殖产品具有重要意义，或可为更健康、更蓝色的未来带来一股清新之风。
