萬物皆可AI？PNAS最新警告：準確率90%，卻可能誤導生態學

海潮天下·導讀

2026年5月27日，《美國國家科學院院刊》（PNAS）刊發了一篇題為《生態學尚未對AI做好準備——以及為什么這很重要》的觀點文章。該文章半個月已下載7256次，算是影響力比較大的了。

該文指出，生態學領域雖然正在快速引入AI技術（如物種識別、衛星圖像分析），但尚未準備好負責任地使用它。問題在于，AI擅長捕捉數據中的統計模式，卻無法理解物種擴散限制、生態反饋等底層過程，這可能導致模型預測出諸如植物跨越地理屏障這類生態上不可能的結論。此外，生態數據本身的偏差、快速的環境變化、計算資源分配不均以及多數研究者缺乏跨學科訓練，都讓AI的應用風險升高。因此，作者呼吁生態學界不要僅追求預測精度，應轉而追求建立更嚴格的驗證標準、加強生態學與AI的交叉教育，并關注數據主權問題，在保持審慎的前提下讓AI真正服務于生態保護。為助力全球環境治理、并供我國學者了解最新研究動態信息，海潮天下（Marine Biodiversity）分享這個文章的觀點如下，供感興趣的讀者們參閱。

本文約3200字，閱讀約7分鐘

整理 | 王海詩

出品 | 海潮天下

過去幾年，人工智能已經成為生態學研究的重要工具。在野生動物監測中，深度學習模型能夠自動識別紅外相機拍攝的動物圖像，包括鹿、大象以及多種食肉動物，識別準確率通常超過90%。在遙感領域，神經網絡模型可以從海量衛星影像中識別森林覆蓋變化、劃分植被類型，并開展大尺度生物多樣性監測。隨著生態數據規模持續增長，人工智能在數據處理效率方面展現出明顯優勢。

不過，生態學研究對象跟許多實驗科學相比，存在著顯著差異。

生態學大量依賴長期野外觀測數據，這些數據往往來自不同區域、不同時間和不同調查體系。物種分布記錄中存在遺漏現象，不同生物類群的記錄數量差異較大，長期監測項目還可能受到資金和調查條件變化影響。由此形成的數據集具有明顯的不均衡性、異質性。

紅外相機是目前生物多樣性監測中最常用的工具之一，本質上是一臺靠紅外觸發拍攝的數碼相機。把它固定在動物經常出沒的獸徑或水源地附近后，一旦有溫血動物經過，傳感器感應到體溫和運動的差異，就會自動啟動快門。上圖是林麝（Moschus berezovskii），中國國家一級保護動物，屬于麝科麝屬，是一種小型麝類。它們主要分布在中國中部和西南部的山區森林中，雄性個體分泌的麝香因而聞名，麝香被認為是珍貴的藥用和香料原料。林麝體型嬌小，善于在復雜的地形中跳躍和奔跑，其生存環境對森林生態系統的健康狀況有較高的要求。由于棲息地破壞、非法捕獵等原因，林麝的數量急劇下降，因此被列為國家一級保護動物。圖源：?壺瓶山管理局

該文章認為，這種數據特征會直接影響人工智能模型的訓練結果。機器學習算法能夠發現數據中的統計關聯，但并不具備對生態過程的理解能力。當訓練數據本身存在偏差時，模型可能生成與實際生態規律不符的預測。例如，一些物種分布模型曾預測高山植物能夠出現在相距遙遠、且不存在擴散通道的山地系統中，也有模型預測樹種能夠跨越亞馬孫河等天然地理屏障實現擴散。這些結果在統計層面可能成立，但跟已知的生態過程并不一致。

類似問題還出現在物種缺失數據的解釋過程中。在生態調查中，某個區域未記錄到某種生物，并不一定意味著該物種不存在，有時只是調查覆蓋不足罷了。但是，部分模型會將這些記錄直接作為物種缺失證據進行分析，從而影響最終結果。

生態系統本身的動態特征，進一步增加了模型應用難度。氣候變化、土地利用變化、以及極端天氣事件，在持續改變著物種之間、以及物種與環境之間的關系。與此同時，生態系統普遍存在時間滯后效應、生態記憶效應和復雜反饋機制。許多人工智能模型則建立在訓練數據能夠代表未來環境條件的前提之上。當未來環境超出歷史觀測范圍時，模型預測能力可能下降。

該文指出，這種情況在當前全球變化背景下尤為突出。傳統生態研究長期依賴歷史觀測推斷未來趨勢，但快速變化的環境，正在不斷產生新的生態條件。未來環境vs歷史環境之間的差異擴大后，基于歷史數據訓練的模型，可能會面臨外推能力不足的問題。

其實，圍繞模型可靠性的討論，并非首次出現在生態學領域。20世紀后期神經網絡方法開始進入生態研究時，以及21世紀初全球生態數據庫迅速擴張時，研究界都曾面臨類似問題。隨著驗證框架、不確定性分析方法和數據標準逐步建立，這些技術最終形成了較成熟的應用體系。

作者認為，人工智能目前正處于類似的發展階段，但由于其應用范圍更廣、模型結構更復雜，因此相關問題更加突出。

▼ 海潮天下·往期相關報道：

AI+IoT+遙感！這套“組合拳”讓森林害蟲無處遁形

野外相機拍了上百萬張照片后，AI開始接管生態學家最耗時間的工作

▲上圖：大硨磲（學名：Tridacna gigas）正面臨滅絕危機。它們的種群數量在過去一個世紀內銳減80%以上，現已被世界自然保護聯盟（IUCN）列為“極度瀕?！?，這是瀕危物種紅色名錄中的最高風險等級。作為全球最大的海洋雙殼類無脊椎動物，大硨磲能長至1.35米長、重達700磅。但由于過度捕撈和氣候變化，大硨磲在部分區域的種群已經消失。大硨磲的貝殼也常常被人們拿來作為工藝品，這導致了對大硨磲的商業貿易，加劇了其瀕危的風險。上圖是在印度尼西亞東部的四王群島（Raja Ampat Islands）發現的大硨磲（giant clam）。?攝影：王敏幹（John MK Wong） | 海潮天下（Marine Biodiversity）

除技術層面外，這個文章還討論了人工智能應用帶來的數據治理問題。

生態學研究越來越依賴跨區域、跨國家的數據共享網絡，其中部分數據來自地方社區和原住民群體長期積累的觀測成果。與此同時，高性能計算平臺和大型人工智能模型主要集中在少數資源豐富的研究機構。隨著人工智能對數據規模和算力需求持續增加，生態數據處理能力可能進一步向少數機構集中。

人才培養被認為是當前最直接的制約因素之一。許多生態學研究人員缺乏機器學習、算法偏差分析和不確定性評估方面的系統訓練，而部分人工智能開發者則缺少生態學背景知識。該文認為，生態數據的解釋往往需要結合系統動力學、歷史背景和生態過程進行分析，僅依靠算法輸出，是難以完成科學判斷的。

在此背景下，作者提出，人工智能在生態學中的應用需要建立更加明確的規范體系。學術期刊和審稿人應關注模型假設條件、驗證流程和生態學解釋過程，而不僅是預測準確率；科研資助機構應該有意識的去支持跨學科人才培養，并推動數據治理和研究可重復性建設；高校應在生態學教育體系中增加人工智能相關課程內容。

作者認為，人工智能已經成為生態學研究的重要組成部分，其在生物多樣性監測、生態系統評估、保護規劃和復雜數據整合方面具有廣泛應用前景。但在生態學領域，模型性能并不能完全替代對生態過程的理解。隨著人工智能應用范圍持續擴大，如何建立相應的理論框架、驗證體系和治理機制，正成為生態學研究面臨的重要課題。

▼ 海潮天下·往期相關報道：

AI系統識別1.3萬只昆蟲，112萬張圖訓練，準確率高達98.6%

像驗血一樣查河流健康？加州豪擲220萬美元，AI+eDNA黑科技上線

森林里的螞蟥，竟成了野生動物調查的新幫手？無脊椎動物來源DNA監測（iDNA）

(圖文無關) 大潮坪，北戴河濕地的核心組成部分，也是世界級的候鳥遷徙驛站。這里是“東亞-澳大利西亞”候鳥遷徙路線上的關鍵節點和“能量補給站”，已被列入世界八大觀鳥地之一。AI可以幫你更高效地數清楚有幾只勺嘴鷸，但它永遠沒法替你感知退潮后泥灘上那個氣味、那個泥濘的腳感，以及每年春天第一撥鳥準時出現時那種樸素的驚喜。?Linda Wong 攝影 | 海潮天下（Marine Biodiversity）

海潮君·寫在最后

其實這個文的核心思想、關鍵是，生態學面臨的真正挑戰不是AI能力不足，而是生態過程知識與數據驅動范式之間的結構性錯位。生態學與人工智能所依賴的認識論基礎并不完全一致。人工智能擅長從海量數據中提取統計規律，而生態學長期關注的是驅動這些規律形成的過程機制，包括物種擴散、種間關系、生態反饋、歷史偶然性以及尺度效應。前者回答“發生了什么”，后者解釋“為什么發生”。當兩者結合時，最大的風險不是預測錯誤，而是產生看似合理、卻缺乏機制支撐的結論。

過去幾十年，生態學的核心任務之一是利用歷史數據預測未來；氣候變化、生境破碎化和人類活動正在不斷創造歷史上未曾出現的新環境條件。在這種情況下，傳統統計模型和人工智能模型實際上面臨同一個挑戰——未來越來越脫離歷史經驗范圍。區別在于，人工智能能夠以前所未有的精度擬合過去，卻未必能夠以前所未有的能力理解未來。因此，模型性能提升與科學認知提升并不一定是同步的。

從學科發展的角度看，生態學正在經歷從“數據稀缺時代”向“數據過剩時代”的轉變。過去制約生態學的是觀測能力不足，但今天越來越多的限制來自理論整合能力不足。遙感、自動監測、環境DNA和人工智能正在持續擴大數據規模，但數據增長并不自動轉化為知識增長。如果缺少生態理論的約束，模型可能越來越復雜，可解釋能力反而下降。

因此，未來生態學與人工智能融合的關鍵，不是訓練更大的模型，也不是追求更高的預測精度，真正迫切要做的是推動從相關性學習向機制性學習轉變。具有長期價值的方向，是將生態理論、過程模型和機器學習進行深度耦合，使模型不僅能夠識別模式，還能夠表達生態約束、物種相互作用和環境反饋機制。對于生態學的學科發展來說，人工智能最終應當成為發現機制的工具，而不是替代機制解釋的工具。

本文參考資料

感興趣的海潮天下（Marine Biodiversity）讀者可以參看它的全文：

G. Mishra, Ecology is not yet ready for AI—and why that matters, Proc. Natl. Acad. Sci. U.S.A. 123 (22) e2533976123, https://doi.org/10.1073/pnas.2533976123 (2026).

https://www.pnas.org/doi/10.1073/pnas.2533976123

聲明：1）本文僅代表資訊、以及作者本人的觀點；僅供讀者參考，不代表平臺觀點。2）本文已經開啟“快捷轉載”，歡迎微信公眾平臺轉發；3）歡迎專家、讀者不吝指正、留言、賜稿！歡迎有理有據的不同意見，激發思考、百家爭鳴。

資訊源 | PNAS, G. Mishra (2026)

文 | 王海詩

排版 | 盧曉雨

時間 | 2026年6月

聯系小編 | editor@oceanbiodiversity.cn

▼ 海潮天下·往期推薦

?220年前的動物世界還在嗎？美國啟動“劉易斯與克拉克路線重測調查”大科學計劃，重新理解生態版圖

?耗時16年建立的鹽沼生態屏障，停止維護后，為何流失了近萬立方米泥沙？

?棲息地保住了，物種就能活下去？科學家發現生態保護的隱形債務

?東熱帶太平洋生態廊道（CMAR）拓展區可能成為BBNJ協定生效后第一批公海保護區

?生態修復效果難評估？Nature警示：全球自然保護陷入證據危機

?重磅報告！2026世界海洋日，聯合國發布《第三次世界海洋評估》

?“恐懼生態學”？捕食者壓力導致大規模的海豚擱淺