野外相机拍了上百万张照片后，AI开始接管生态学家最耗时间的工作

本文来源于海潮天下（Marine Biodiversity）

本文约2500字，阅读约5分钟

出品 | 海潮天下

在很多人的想象里，野生动物研究最重要的部分发生在森林、雪山或者无人区。但对保护生物学研究者来说，真正漫长的工作，往往开始于回到实验室之后。

过去十几年，红外相机已经成为野外监测最核心的工具之一。研究人员会把相机固定在动物可能经过的位置，通过热感应自动拍摄。几个月后，再统一回收设备。一个中等规模项目，通常就能积累数十万张照片；如果是跨区域长期监测，数据量甚至会达到百万级。

问题在于，大多数照片并没有直接价值。镜头里可能只有晃动的草丛、树影、雨水、夜间噪点，或者从边缘一闪而过的动物身体局部。研究人员必须逐张筛查，再标注物种、时间、位置等信息。很多生态项目里，数据整理本身就会消耗数月时间。

海潮天下（Marine Biodiversity）小编注意到，2026年5月6日发表在《应用生态学期刊》（Journal of Applied Ecology）的一个最新研究，讨论的正是这个问题：如果把这部分工作交给人工智能，最终得到的生态学结论，是否还能保持可靠呢？

▼ 海潮天下·往期相关报道：
AI系统识别1.3万只昆虫，112万张图训练，准确率高达98.6%
AI争夺战，正在从芯片蔓延到海底矿产
像验血一样查河流健康？加州豪掷220万美元，AI+eDNA黑科技上线

(图文无关)▲上图：美洲狮（拉丁学名：Puma concolor）是猫科美洲狮属下的唯一物种。由于分布极广，从北美的加拿大一直延伸到南美洲的最南端，它在不同地区有着多达数十种俗称，如山狮、美洲豹猫、或库加（Cougar）。图源：USFWS

AI的“识别准确率”，真的那么重要？

这项研究由美国华盛顿州立大学、谷歌、危地马拉野生动物保护机构等团队合作完成。研究人员使用了一套名为SpeciesNet的人工智能系统，对来自多个真实野外区域的红外相机数据进行自动识别，其中包括美国蒙大拿州冰川国家公园、华盛顿州监测区域，以及危地马拉玛雅生物圈保护区等等。

该研究的重点，并不是简单比较“AI识别对了多少张照片”。真正被检验的是，AI自动生成的数据，会不会影响后续生态模型的结果。

论文采用的是保护生物学里常见的“占域模型”（occupancy models）。这种模型除了统计动物出现次数，主要还是用于推断某种动物在特定区域中的存在概率和空间分布。它被广泛用于评估栖息地变化、物种活动范围以及保护区管理效果。

研究人员分别使用人工专家标注的数据，以及AI自动识别的数据建立模型，再对两者结果进行比较。结果显示，在多数常见物种上，AI生成的多物种占域模型跟人工分析的结果是高度接近的。

这也是这篇研究真正受到关注的原因。

▲上图：大概7年前Google搞了个叫Wildlife Insights的平台（属于Google Earth Outreach项目），专门给研究者存图、识图、协作分析，SpeciesNet一直在后台跑着干活。2025年，Google最近把自家开发的AI模型SpeciesNet开源了，放在GitHub上，用的是Apache 2.0许可证。这个模型干的事很具体，就是拿来分析相机陷阱（Camera Traps）拍回来的照片，自动辨认里面是什么动物。这次开源，相当于把引擎单独拆出来，给了工具开发者、学界或者做生物多样性的初创公司，方便大家直接拿去用或者自己改，用来扩大自然区域的生物多样性监测规模。上图是位于北京中关村的谷歌中国总部写字楼外。©Linda Wong 摄影 | 海潮天下（Marine Biodiversity）

过去几年，生态AI的讨论往往集中在“识别准确率”本身，例如一套模型能否正确识别狼、熊或者鹿。但对于实际保护工作来说，更关键的问题其实是，即使AI会出现部分识别误差，它是否已经足够可靠，不再成为生态监测的数据瓶颈。

在AI自动识别工具的加持下，原本可能需要数月甚至更久的数据处理流程，现在有机会被压缩到几天内完成。对于生态监测来说，这种变化的意义并不只是节省人力。因为，野外研究长期存在一个现实问题是，数据处理速度通常赶不上生态变化速度。等研究人员完成图像整理时，一个季节可能已经过去了，错失了窗口期。一些关键变化，例如动物活动范围缩小、人类干扰增加，或者栖息地出现破碎化，往往已经发生。如果图像识别、基础建模能够快速搞定，那么，监测体系就可能更接近实时运行。

不过，这并不意味着AI已经能够替代研究人员。这篇论文同时指出，稀有物种以及容易混淆的物种，仍然会影响AI的识别稳定性。很多濒危动物本身样本有限，训练数据不足；不同地区之间的环境差异，也会影响模型表现。因此，目前更现实的应用方式，仍然是让AI完成大规模初筛，再由研究人员进行关键复核。

这一点也反映了生态AI领域近两年的变化。早期的很多研究，比较关注模型本身的技术指标；但随着这几年系统逐渐进入真实野外环境，越来越多的研究重点开始转向稳定性和可部署性。因为自然环境的数据远比互联网图像复杂——比如说，夜间红外图像分辨率有限，动物经常只露出个屁股、或只见一斑；雨雪、植被遮挡、设备差异，又都会影响识别结果。

也正因为如此，这项研究的意义，并不在于证明AI已经“理解生态系统”，而在于它提供了一个现实的结论——即使存在一定误差也没关系，AI也已经能够有效承担生态监测中最耗费时间、最耗人力的数据处理工作了。

对于保护生物学来说，这可能是人工智能第一次真正开始进入日常研究流程，不再是停留在实验室演示阶段了。

海潮君·写在最后

笔者觉得，这篇研究真正有意思的地方，其实不是“AI会识别动物”——这件事前几年已经不算新鲜了，各种各样的app已层出不穷。

过去几年，生态AI领域一直有种很明显的倾向，大家都在比识别率、准确率，模型能不能把看起来很像的2种动物分清、能不能把夜间照片识别得更准一些。但生态学本身并不只是在“认图”。这个研究团队关心的，是某个区域里的动物数量有没有变化，活动范围是不是在缩小，栖息地有没有被破坏。

这篇论文发现，即使底层图像识别存在误差，最后建立出来的占域模型，很多情况下依然和人工分析结果接近。换句话说，AI不一定需要“零误差”，也有可能已经足够实用。

这可能代表了保护生物学+AI应用的一个变化方向。因为现在生态学最大的问题，早就不是没有数据，而是数据太多了，林林总总搞不过来。你去看各种招投标，很多保护区已经铺满了红外相机、录音设备和遥感系统，到处都在增设；但研究人员往往需要几个月，甚至更久，才能把照片和声音整理完。等分析真正完成，一个季节都过去了。所以这篇研究真正关注的不是AI的“自动识别动物”，而是承认它不必perfect、转向“实时生态监测”的可能性。

如果未来数据能被持续自动处理，那么一些变化就不必等到半年后才发现。比如某种动物活动突然减少、某片区域夜间人类活动增加，或者迁徙路线开始变化，系统理论上，都是可以更早的给出信号的。

接下来最值得关注的方向，也未必是继续提高识别准确率。真正重要的可能是让AI开始理解“关系”。因为生态系统里最关键的东西，很多时候不是“有没有某种动物”，而是“它们之间发生了什么”。哪些物种不再同时出现，哪些捕食关系开始断裂，哪些迁徙路径被切开，这些变化往往比物种消失本身出现得更早。

如果AI未来能够稳定追踪这些关系，生态学可能会慢慢从“记录发生了什么”，变成“提前判断接下来会发生什么”。

本文参考资料

感兴趣的海潮天下（Marine Biodiversity）读者可以参看该研究的全文：

Thornton, D., Morris, D., King, T., Perera-Romero, L., Anderson, A., Garcia-Anleu, R., Fitkin, S., & Vynne, C. (2026). Identification of camera trap images by artificial intelligence and human experts produces similar multi-species occupancy models. Journal of Applied Ecology, 63, e70370. https://doi.org/10.1111/1365-2664.70370

https://besjournals.onlinelibrary.wiley.com/doi/10.1111/1365-2664.70370

https://phys.org/news/2026-05-ai-wildlife-tracking-months-days.html

https://techcrunch.com/2025/03/03/google-releases-speciesnet-an-ai-model-designed-to-identify-wildlife/

声明：1）本文仅代表资讯、以及作者本人的观点；仅供读者参考，不代表平台观点。2）本文已经开启“快捷转载”，欢迎微信公众平台转发；3）欢迎专家、读者不吝指正、留言、赐稿！欢迎有理有据的不同意见，激发思考、百家争鸣。

资讯源 | Thornton D, Morris D, King T, et al.（2026）

文 | 王芊佳

排版 | 卢晓雨

时间 | 2026年5月

联系小编 | editor@oceanbiodiversity.cn

▼海潮天下·往期推荐

❀美国正式启动“创世使命”！17个国家实验室将彻底AI化，AI智能体接管实验
❀17岁华裔少女造出“人工树”，用AI对抗入侵物种！北美农林有救了
❀1.3厘米“天眼”剿毒草！北美草原外来物种的AI剿匪战 | 荒野生态系统高精度动态监测创新
❀大面积成像技术（LAI）引领海洋保护创新
❀纪念詹姆斯·沃森 | 从DNA到人工智能，生物信息学如何塑造未来医学与生物技术？
❀许建初：人工智能时代非洲面临的挑战与机遇
❀大堡礁首次实现机器人水下种草！海草床修复效率有望提升1000倍
❀《美国国家水环境DNA战略》正式发布， 10大联邦机构携手共促生物多样性监测