© Tidal
人工智慧無疑可以成為水產養殖的變革力量，但其目前的應用是否名副其實，並且是否能夠適用於不同物種、不同地域和不同生產規模？
上敦所代理的 AXXON ONE 智慧影像辨識平台，應用在國內多項公民營工地管理
水產養殖業的部分領域 —— 尤其是鮭魚養殖業 —— 正在經歷一場前所未有的技術革命，人工智慧驅動的魚類計數和檢查設備、自主水下機器人、海蝨雷射，以及各種物聯網感測器和決策工具都在不斷發展。
這標誌著我們養殖海鮮方式的根本性變革，越來越多的公司正在開發，專門針對水產養殖的人工智慧工具和技術。然而，隨之而來的挑戰，是如何鑒別真正有用的 AI 應用，和那些僅僅追逐 AI 浪潮的應用，這會讓客戶在實施和價值實現方面舉步維艱。
人工智慧入門：理解基本原理
人工智慧是一個涵蓋多種技術的總稱，這些技術使機器能夠模仿和增強人類智慧。在這個領域中，理解以下幾個概念非常重要：
對於希望有效實施人工智慧工具的水產養殖專業人士而言，理解這些基本概念非常重要。透過掌握各 種機器學習類型及其應用，我們可以更好地評估，人工智慧如何為他們的營運增添價值。
水產養殖業的人工智慧浪潮
人工智慧工具是水產養殖業發展，不可或缺的一部分，它提供數據驅動的決策支持，從而制訂更智慧的管理策略。一些人工智慧工具 —— 主要側重於飼料優化、生物量估算和魚類行為分析 —— 已經在高價值魚類養殖中廣泛應用。
由 Skretting、 AKVA Group和 Innovasea 等公司開發的 AI 驅動系統，能夠即時監測魚類行為，從而精準投放所需飼料，顯著減少浪費並提高魚類生長速度。這些系統會根據魚類生長和環境因素的數據，調整投餵時間和配方，目的在提高飼料轉換率，並大幅降低成本，同時最大限度地減少對環境的影響。
其他一些公司，如 Tidal X、 Umitron、 ReelData和 Optoscale 等，則利用人工智慧驅動的攝影機和演算法，提供魚類大小和生長預測的即時數據，目的在提高營運效率和資源規劃。
像 Manolin *和 Aquabyte 這樣的公司，利用大數據和人工智慧技術，匯總健康和福利相關資訊。這有助於及早發現疾病，並對潛在的疫情爆發做出及時反應。其他公司，例如 Qysea， 則將人工智慧演算法整合到水下無人機中，用於進行魚類和水質監測、漁網維修和清潔，以及死魚清除等工作。
研究機構和大學，也在致力於開發各種解決方案（獨立開發或與產業參與者合作開發）。這些方案包括：由阿爾弗雷德·韋格納研究所與 Oceanloop 合作開發的 ShrimpWiz 專案，用於對單個蝦進行計數；亞伯丁大學和 SAMS（由 Mowi 支持）合作開發的用於檢測微觀海蝨幼蟲的專案； 以及軟銀和 Aizip 合作開發的，帶有人工智慧問答程序的，魚類計數行動應用 app。
新興產業格局分析
根據 Hatch Blue 的資料庫，截至 2 月，已有 125 家新創公司，正在開發涉及人工智慧的水產養殖解決方案，其中北美和歐洲的公司處於領先地位。
WPR = 西太平洋區域；SEAR = 東南亞區域；EMR = 東地中海區域 © 資料來源：Hatch Blue Consulting
其中約 90% 仍處於早期階段，專注於產品開發、市場驗證和初期客戶獲取。這顯示出該領域蘊藏著巨大的市場潛力和機會，但也意味著只有相對較少的公司成功度過了早期階段，目前正致力於擴大營運規模、拓展市場覆蓋率並提升營收。
© Hatch Blue Consulting
多項措施也著眼於下游應用，目的在簡化從養殖場到市場的水產養殖供應鏈。Aquaconnect * 利用人工智慧和衛星遙感技術，連接養殖戶和海鮮買家，目的在提高水產養殖供應鏈的可預測性和透明度 。
此外，The Fish Site 最近推出了Seashell AI，這是第一個專門用於水產養殖的 AI 助手，它利用經過驗證的水產養殖資料庫上的大型語言模型 (LLM) 能力，來優化該領域的研究和學習。
同時，美國 食品藥物管理局（FDA）啟動了一項試點專案，重點關注佔美國海鮮供應量 90% 以上的進口海鮮。該計畫目的。在利用機器學習技術，辨識供應鏈中的潛在危害，從而提升食品安全。試點計畫的第三階段於 2022 年 8 月啟動，重點在於快速檢測受污染海鮮和其他風險，例如未經批准的抗生素殘留。
除了核心軟體和硬體公司外，我們資料庫中的大多數人工智慧相關公司，都瞄準了供應鏈和服務以及下一代農業應用。
© Hatch Blue Consulting
現實檢驗
雖然使用人工智慧工具的潛在好處已被廣泛宣傳，但一些挑戰可能被忽略：
- 高昂的實施成本：人工智慧技術的初始投資可能非常高昂，尤其對於中小企業而言。有時，一個簡單且價格實惠的帶有警報系統的氧氣感測器，比那些試圖檢測魚類異常行為的複雜演算法，和物聯網感測器更為有效。
- 技術專長要求：許多農民缺乏有效實施和維護人工智慧系統所需的技術知識。
- 數據品質和數量：深度學習需要大量的高品質訓練數據，這在渾濁的水產養殖環境中很難獲得。
- 安全隱憂：互聯系統會為資料安全和系統完整性，帶來潛在漏洞。
- 全球分佈不均：人工智慧在水產養殖的應用，集中在已開發地區，在非洲、拉丁美洲和小島嶼發展中國家的普及程度有限。
隨著人工智慧的普及，一些公司可能會誇大其人工智慧的應用，或者虛假宣稱擁有尚未開發，或與該技術真正能力不符的解決方案。這會導致人們對人工智慧的真正潛力產生困惑或不信任。企業必須認真調查這些說法，並專注於實際的收益，而不是空洞的行銷術語。如果客戶不完全了解適合自身需求的解決方案，以及資料需要經過哪些內部處理才能「滿足人工智慧應用」的要求，他們可能會浪費大量時間和金錢。此外，企業可能難以證明獲得實際成果所需的投資是合理的。因此，教育和專家指導對於區分現有解決方案的價值，以及有效實施或整合所需的條件非常重要。
為了評估人工智慧在水產養殖中的作用，我們可以提出以下幾項高層次的指導原則：
- 要求提供具體指標：要求提供人工智慧系統與傳統方法相比的具體性能數據。
- 了解技術：合法的 AI 提供者應該能夠解釋，其系統是如何運作的，而不必使用含糊不清的術語。
- 查看參考資料：與現有客戶交流，了解他們使用該技術的體驗。
- 從小規模做起：在全面實施之前，先在有限的應用場景中，測試人工智慧解決方案。
- 考慮一下商業模式：要警惕那些更注重籌集創投，而不是為農民開發實用解決方案的公司。
© Aquabyte
為人工智慧整合做好準備
為了最大限度地發揮人工智慧在水產養殖中的優勢，確保數據品質、投資建設強大的基礎設施，以及優先考慮網路安全措施非常重要。對於計劃採用人工智慧的水產養殖企業而言，準備內部資料庫是非常重要的第一步。這項準備工作不僅是技術升級，更需要一套全面的資料管理方法。
大型養殖場雖然會從感測器和攝影機等，各種來源產生大量數據，但這些數據往往分散且不一致，缺乏監督學習應用所需的標籤。小型水產養殖場由於基礎設施和專業知識有限，可能難以有效整合和管理這些數據，導致數據清洗過程既耗時又耗費資源。此外，資料隱私和安全性問題，也使情況更加複雜，因為在與第三方供應商或雲端平台共享敏感資訊時，必須加以保護，這就對健全的治理政策和加密措施，提出了更高的要求。
與現有營運系統的整合進一步加劇了這一過程的複雜性。許多設施使用並非為人工智慧設計的舊系統，因此需要投入大量工程資源，來確保相容性，這可能會中斷正在進行的運作。此外，水產養殖業通常缺乏熟練的數據科學，和機器學習專業人員，這使得開發和佈署內部人工智慧解決方案充滿挑戰。最後，成功應用的關鍵在於有效的變革管理，因為如果沒有適當的培訓和支持，員工可能會抵制新技術。
© Aquabyte
引入 HI 因子
儘管人工智慧令人興奮，但我們仍應認識到人類智慧（HI）的不可替代價值。人類智慧能夠運用經驗、倫理判斷和適應能力，來解讀複雜且難以預測的情況 ── 而這些正是人工智慧目前所缺乏的要素。人類智慧在水產養殖領域尤其重要，因為水產養殖的成功，取決於對複雜生物和化學系統的理解，以及基於多種因素做出細緻入微的決策。水產養殖專家擁有人工智慧系統（至少是目前的人工智慧系統）無法複製的背景知識、直覺和適應能力。
人類提供非常重要的背景理解，使經驗豐富的專業人員能夠有效解讀數據異常，並結合最新市場趨勢和道德考量等外部因素做出策略決策。此外，在疾病爆發或環境變化等危機情況下，人類的直覺和問題解決能力對於應對人工智慧無法單獨解決的複雜問題非常重要。人工智慧可以優化營運，而人類的監督則能確保永續性和良好實踐。
前進之路：平衡科技與傳統
隨著人工智慧在水產養殖領域的不斷發展，最成功的應用很可能是那些能夠平衡技術創新與傳統知識的方案。必須認識到，專家的智慧和經驗往往能夠以同樣甚至更有效的方式指導實踐，其效果不亞於演算法驅動的解決方案。人工智慧的應用不僅是為了提高生產力，更是為了創造一個永續的水產養殖未來，在技術進步與倫理和生態考量之間取得平衡。
 |
iF+ 系列雙系統免接觸式智慧門鎖
（請點擊 ↑ 連結詳細介紹） |
0 comments:
張貼留言