普尔曼，华盛顿州–华盛顿州立大学与谷歌联合开展的一项新研究显示，人工智能技术能够大幅提高野生动物追踪工作的效率，将原本需要数月甚至一年的分析时间缩短至数天，同时仍能产生与人类相似的科学结论.这项研究发表于《应用生态学杂志》，旨在测试一种全自动AI系统是否能够替代人类处理数十万甚至数百万张由远程相机捕捉的图像.这些图像来源于华盛顿州,蒙大拿州的冰川国家公园以及危地马拉的玛雅生物圈保护区.
研究结果显示，对于大多数物种，基于AI识别图像构建的模型与人类专家的结论高度一致.在关键指标如动物位置和环境因素影响等方面，结果在约85%-90%的案例中保持一致，而对于罕见或难以识别的物种则存在有限偏差.华盛顿州立大学表示，这项研究对野生动物保护具有重要意义.更快的处理速度意味着研究人员和野生动物管理者可以更迅速地从数据收集转向决策，从而实现对美洲豹,狼和灰熊等物种的近实时监测.
‘我们并不是要取代人类，’该研究的首席作者,华盛顿州立大学野生动物生态学家丹尼尔·桑顿表示，’我们的目标是帮助研究人员更快地得出结论，从而更好地制定野生动物管理和保护决策.’
传统上，这一过程缓慢且劳动密集.运动感应相机被放置在森林和其他栖息地，可以生成庞大的数据集.一个项目可能产生数十万甚至数百万张图像，需要逐一审查以确定每张图像中出现的物种.即使有本科生助手和研究生进行验证，桑顿表示，通常需要六到七个月，有时甚至长达一年才能开始分析.
早期的AI工具提供了一些帮助，例如过滤掉60%-70%的空白图像，但仍需要人类审查数万张包含动物的图片.这项新研究测试了是否可以完全省去最后的人工审核步骤.
研究人员使用了谷歌开发的通用AI模型SpeciesNet，通过全自动流程处理图像，无需人工审核，并将结果与传统的人工标注数据集进行比较.谷歌高级研究科学家丹·莫里斯表示：’关键问题不是AI是否能正确识别每张图像，而是你关心的生态结论是否基本相同.’
对于大多数物种，答案是肯定的.即使AI在识别动物或遗漏检测时出现错误，由于模型依赖于时间上的重复观察，整体模型依然稳健.实际上，处理时间的节省非常显著.全自动处理现在只需几天，将原本数月的瓶颈缩短至一周左右.
这种效率可能对小型或资金不足的保护组织具有变革性意义，也可能使研究人员扩大监测范围而不受数据处理能力的限制.该项目还通过公开部分数据集，支持像Species-Network这样的工具，为AI在保护领域的应用做出贡献.
莫里斯强调，这项研究采取了务实的方法.团队并未开发新的AI算法，而是专注于现有工具能够实现的功能.他说：’我们并不是在发明新的模型，而是在问，鉴于当前技术的发展，人们是否可以依赖它来进行他们已经进行的分析.’
对于许多常见物种和标准生态模型，答案似乎是肯定的.然而，大学也指出仍存在一些限制.人类审核在许多相机陷阱数据的应用中仍是必要的，而该论文仅涉及一小部分可能被相机捕捉到的物种.例如，非常罕见且容易混淆的物种对AI检测仍然存在挑战.但研究结果表明，在某些情况下，图像处理不再成为大规模相机陷阱研究的主要限制因素.
‘主要的结论是，这不再是一个瓶颈，’桑顿表示，’如果我们能更快地处理数据，就能更快地做出反应，而这正是保护工作所关注的.’
分享到Twitter: 华盛顿州立大学联合谷歌AI提升野生动物追踪效率
