一种在挪威三文鱼养殖场测试的自监督 AI 系统在症状出现前三到五天就标记出了疾病迹象，能提前六小时以 94% 的准确率预测氧气下降，并减少了 23% 的饲料浪费。这一突破表明，水产养殖业无需依赖曾阻碍自动化进程的海量人工标注数据集，也能获得早期预警。

为什么水产养殖业需要一种新方法

鱼类养殖场处于不断变化的环境中。季节性潮汐、温度波动和突发的化学变化使得传感器数据流充满噪声且不完整。鱼类的行为本身跨度极大，从几分钟的爆发性活动到长达数月的生长周期不等。一旦疾病袭来，传播速度极快，可能会摧毁整个季节的收成。收集每种异常情况的足够标注样本是不切实际的；疫情爆发是罕见的，而且标记每一次鳍部的动作或水质读数所花费的成本将超过养殖场的利润空间。

自监督解决方案

该新系统采用两阶段架构，让数据实现自我学习。

第一阶段 – 时间编码器 (Temporal encoder)
一种对比学习程序通过在时间上接近的观测值形成“正”样本对，并通过时间上远离的观测值形成“负”样本对。通过在内部表示中将正样本拉近、将负样本推开，编码器可以在无需人工提供标签的情况下提取出循环出现的模式。

第二阶段 – 具身决策智能体 (Embodied decision agent)
学习到的模式会输入给一个智能体，由其决定何时调整氧气水平、改变喂食计划或发出警报。每项行动的结果都会反馈给编码器，在持续的循环中不断完善模式库。

克服三大技术障碍

  1. 数据缺失 – 浮动网箱上的传感器经常会失去连接。一种掩码时间编码技术 (masked temporal encoding technique) 教会模型忽略数据缺口，防止网络捕捉到错误信号。
  2. 多变的时间尺度 – 多尺度编码器可以同时处理快速变化的视频帧和缓慢变化的化学读数，从而捕捉短期峰值和长期趋势。
  3. 遗忘旧知识 – 随着新季节带来新的环境条件，弹性权重巩固 (elastic weight consolidation) 技术在允许模型适应新环境的同时，保留了先前学习到的模式，从而避免了灾难性遗忘。

这些数据对养殖户意味着什么

  • 疾病早期检测：提前三到五天发现疾病，为操作人员提供了隔离受影响网箱、进行治疗并阻止疾病传播的时间窗口。
  • 氧气管理：以 94% 的准确率预测氧气耗尽，使养殖场能够预先进行曝气，避免因应激导致的死亡。
  • 饲料效率：通过学习食欲周期，浪费减少了近四分之一，降低了饲料成本并减少了环境径流。

总结

自监督 AI 将充满噪声且不完整的数据流转化为可操作的洞察，提供了疾病早期预警、精确的氧气预测以及显著的饲料节省——而这一切都不需要为每个数据点进行昂贵的人工标注。对于一个需要在微薄利润与环境管理之间寻求平衡的行业来说，这种能力可能会重塑鱼类养殖场的运营方式。