效率提升132倍！AI自動識別野生動物，科研人員不用熬夜數斑點了

本文來源于海潮天下（Marine Biodiversity）

海潮天下·導讀

個體重識別（Re-ID）是種群估算（如標記重捕法）的核心。微軟“AI for Good”實驗室聯合了多所機構，開發了一個名為GIRAFFE的系統。該系統利用局部特征匹配技術，實現了長頸鹿（可擴展至其他物種）的自動化個體識別。根據2026年5月30日發表于《科學報告》的這個最新研究，該系統在9項標準評估指標上均達到超過0.9的準確率，且運行速度比基準方法快120倍，成本效益提升132倍，極大降低了大規模野生動物種群監測的門檻。

本文約3900字，閱讀約8分鐘

文 | 王海詩

出品 | 海潮天下

在坦桑尼亞北部的塞倫蓋蒂生態系統，如果你遇到一頭長頸鹿從金合歡樹旁緩緩走過，會不會想，它到底是誰？它可能是生于7年前，也可能剛剛經歷一次旱季遷徙，或許已生育了后代。對于游客來說是很難分辨的，畢竟它只是草原上無數長頸鹿中的一員罷了；但對于生態學家而言，搞清楚“這頭長頸鹿的身份”是很重要的，決定著后續所有研究工作的價值。

▲烏干達默奇森瀑布國家公園內的一頭雄性羅氏長頸鹿。?Bernard Dupont（CC BY-SA 2.0）

實際上，現代保護生物學中，很多最重要的數據都建立在“認出個體”這一基礎之上。種群數量估算、生存率分析、繁殖成功率評估、遷徙研究乃至保護政策制定，都離不開對個體命運的持續追蹤。

不過，在廣袤的非洲草原上，要從數千頭外貌相似的長頸鹿中準確找出某一個體，絕非易事。

2026年5月，《科學報告》（Scientific Reports）發表的一項最新研究中展示了一種新的解決方案。微軟AI for Good實驗室聯合多個科研機構開發的GIRAFFE系統，能夠在一個包含2.5萬余張照片、近4000頭長頸鹿的大型數據庫中，自動完成個體身份識別，并且將檢索時間壓縮到了平均0.03秒。

相比此前廣泛使用的方法，其運行速度提高約120倍，成本效益提高132倍。

如果說過去幾十年生態學家一直在試圖給野生動物建立身份證，那么這項研究或許意味著，一個真正能夠大規模運行的“野生動物身份管理系統”開始出現了。

01

為什么執著于“認臉”？

許多人可能直覺地會認為，研究動物數量，只要數一數就行。

但，現實遠比這復雜。假設研究人員今天在一個保護區觀察到100頭長頸鹿，下個月又看到100頭。這兩個數字本身幾乎沒有意義。因為研究人員無法確定，兩次看到的是同樣的100頭，還是完全不同的100頭。

生態學家真正關心的是個體。比如說，一頭幼年長頸鹿是否順利長大？一頭成年雌性是否成功繁殖？一頭雄性是否遷移到了新的區域？……這些問題，都得長期追蹤具體個體才行。

因此，自20世紀以來，種群生態學逐漸發展出一套經典方法——標記重捕法（Mark-Recapture）。

它的大概的基本流程是，研究人員先識別一批動物作為“已知個體”，隨后在未來調查中統計這些個體再次出現的概率，并據此推算，得出整個種群規模。

從理論上講，這是一套極為成熟的方法。但真正比較難搞的是“標記”。對于鳥類，可佩戴腳環（環志）。對于海龜，可安裝標簽。對于大型哺乳動物，可以佩戴無線電項圈，可佩戴的東西有的是。不過，這些方法往往昂貴，而且需要捕捉動物、弄不好就造成了新的問題，存在潛在風險。

于是，越來越多研究者開始轉向一種更自然的方案：利用動物自身的身體特征進行識別。

事實上，很多動物天生就長了獨一無二的身份標記。比如說，斑馬的條紋不會完全相同；鯨鯊的斑點排列具有個體特異性；虎鯨背鰭邊緣的缺刻各不相同；雪豹、老虎和獵豹的斑紋也像指紋一樣獨特；哪怕是后天的，比如大白鯊身上的后天造成的各種各樣的傷痕/痕跡，也是挺獨特的。

長頸鹿同樣如此，而且是天生的。每頭長頸鹿身體兩側的斑塊形狀、邊界和排列方式都存在明顯差異，而且這種圖案在成年后相對穩定。所以說，從理論上說，只要記錄這些圖案，就能識別個體。

但問題在于，當數據庫中積累了數萬張照片之后，人工比對就指望不上了。人力有限，這會迅速變成一項“近乎不可能完成”的工作。

02

一個真實世界的數據集

這個“GIRAFFE”系統比較厲害的一點，不是它使用了人工智能。它面對的是一個極其接近真實世界的數據庫。

研究團隊使用的數據來自坦桑尼亞馬賽長頸鹿長期監測項目。從2012年~2020年，研究人員累計收集了25363張長頸鹿照片，共涉及3987個已確認個體。

這意味著，平均每頭長頸鹿只有6張左右照片。更麻煩的是，這些照片分布極不均勻。研究發現，約31%的個體僅有一張照片記錄。

換句話說，近1/3的長頸鹿幾乎沒有“歷史檔案”。對于人工智能而言，這是最難處理的情況了。因為，絕大多數機器學習模型都依賴大量樣本進行訓練。如果一個個體只出現一次，系統幾乎沒有學習機會。

與此同時，這些照片并非實驗室條件下采集。有些長頸鹿距離鏡頭幾十米、甚至上百米。有些只露出個屁股。有些被樹枝遮擋。有些處于逆光狀態。還有不少照片里，同時會出現多頭長頸鹿……這正是野外調查的真實環境。

不完美沒關系。生態學家真正需要解決的問題，從來不是處理“完美照片”，關鍵是要處理現實中的混亂數據。所以，研究團隊沒有對這些照片進行質量篩選，他們全部納入了分析。

坦桑尼亞米庫米國家公園里的野生長頸鹿。?Muhammad Mahdi Karim

03

認出一頭長頸鹿，比想象中要難得多

如果把問題交給人類觀察者，許多人會認為識別長頸鹿并不難。但計算機并不會像人類一樣看圖。在傳統人工智能系統中，照片其實是一組數字矩陣。光照變化、拍攝角度變化甚至相機型號不同，都可能導致同一頭長頸鹿在計算機眼中變成完全不同的對象。

過去十余年，研究人員開發過大量動物識別系統。其中許多采用深度學習技術。沒錯，這些模型往往能夠取得不錯的準確率，但它們同時也存在一個現實問題——需要海量標注數據。可是，對于許多瀕危物種來說，研究人員上哪兒去搞那么多稱得上是“足夠”的訓練樣本呢？！

此外，深度神經網絡經常被批評為“黑箱”。它可以告訴你結果，卻很難解釋原因。但生態學研究，恰好講究一個“可追溯性”。如果系統告訴研究人員，兩張相隔五年的照片屬于同一頭長頸鹿，那么研究人員希望知道依據是什么。

所以說，這種需求最終讓這個“GIRAFFE”選擇了一條與當前AI大潮流略有不同的路線。

04

讓AI像刑偵專家一樣工作

GIRAFFE并沒有完全依賴大型神經網絡。研究團隊首先利用兩套深度學習模型自動找出長頸鹿身體區域，并去除背景干擾。隨后，真正承擔身份識別任務的，卻是一種誕生于2004年的經典視覺算法——SIFT。

這套方法更像刑偵中的痕跡檢驗。系統會在每張照片中尋找大量具有辨識度的局部特征。比如說，斑塊邊緣的轉折點、特殊紋理交匯處、獨特幾何結構等。

每張照片最多可提取1500個關鍵特征點。隨后，這些特征就被轉換成了數學描述符。當新照片進入系統時，它不會簡單比較整張圖片，而是在數千個局部特征之間尋找對應關系。

這就有點像警方比對指紋了。他們不會比較整只手，他們找的是細節紋路中的特征點。哪怕是拍攝角度不同、光線不同，都沒關系，只要足夠多關鍵特征能夠對應，系統仍然能夠確認身份。

隨后，研究團隊利用Meta（原Facebook）開發的FAISS高維檢索系統，在海量數據庫中快速搜索最相似個體。最終，系統根據匹配特征出現頻率判斷身份歸屬。

這種方法最大的優勢在于可解釋。研究人員知道結果之余，還能看到哪些特征支撐了這個判斷。對于需要長期積累證據的生態學研究而言，這種透明度非常重要。

05

0.03秒背后的意義

這個論文中最令人印象深刻的數據之一，是這個系統的運行效率。在包含25363張參考照片的數據庫中，完成一次身份匹配平均只需0.03秒。生成特征描述符耗時約0.13秒。數據庫更新僅需0.0075秒。這些數字單獨看似平平，但如果放在實際調查場景中，意義就十分的明顯了。

過去，一個大型監測項目可能需要研究生花費數周、甚至數月來逐張的檢查照片。如今，同樣規模的數據集可以在極短時間內完成初步篩選。

該研究團隊估算，其整體運行效率約為基準方法的120倍。成本效益提升132倍。

重要的是，這種提升沒有犧牲準確率來換取。在最大的測試場景中，系統面對20687張參考照片和4666張查詢照片，總體準確率達到95%。對于已知個體，識別準確率達到99%。已知個體識別的F1值達到0.96。未知個體識別的F1值達到0.92。換句話說，它不僅能認出數據庫里的“老居民”，還能較準確地判斷哪些個體此前從未被記錄過。

后者，對于種群調查尤為關鍵。因為，每年都會有新的幼體進入種群。一個真正有用的系統，就得能持續地發現這些“新成員”才行。

06

讓AI發現“陌生人”

事實上，論文最具創新性的部分，可能并不是身份識別本身，而對未知個體的自動分類。

傳統識別系統通常只回答一個問題：“它是誰？”但生態學家還需要另一個答案，“如果它誰都不是怎么辦？”

所以在GIRAFFE里面，增加了一套專門處理未知個體的流程。如果系統無法找到可信匹配，它就會把這些照片自動歸入“未知個體池”。隨后，再利用局部特征匹配，將這些陌生面孔重新組織成不同組別。

本質上，這是在幫助研究人員發現新個體。測試結果顯示，在超過2000張未知個體照片組成的數據集中，這套機制的聚類準確度（Adjusted Rand Index）達到了0.98。對于長期監測項目來說，這意味著，系統維護現有名錄之余，還會持續的擴展名錄。每次調查結束后，新確認的個體都會被加入數據庫。等到下一輪調查時，它們又會成為已知個體。

這樣一來，整個數據庫就不斷地在成長。這種機制與人口管理系統頗為相似。只不過，登記對象從人類變成了野生動物而已。

（圖文無關）▲長頸鹿花紋知多少？上圖來自于另外一個論文，是長頸鹿不同亞種的近似地理分布范圍、毛皮花紋特征以及基于線粒體DNA（mtDNA）序列構建的系統發育關系。該研究成果源自大衛·布朗（David Brown）等人于2007年發表在《BMC生物學》（BMC Biology）上的學術論文。

07

從抽樣時代

走向全樣本時代

回顧生態學的發展歷史，研究人員長期苦于數據規模久矣。巧婦難為無米之炊，在很多情況下，就只能靠抽樣來推斷。他們調查一部分動物，然后估計整個種群。當然了，這種方法至今也是仍然有效的、廣泛應用的，只不過精度受到樣本量限制罷了。

隨著相機陷阱、無人機、衛星遙感和公眾科學平臺的發展，情況開始發生變化。如今的問題已經不再是缺少數據，而是數據太多了、目不暇接。大量照片被儲存在硬盤里，卻缺乏足夠人力進行分析。

所以說，GIRAFFE代表的技術路線，實際上正在改變這種局面。當一頭長頸鹿能夠被持續、自動地識別時，它不再只是統計學中的一個樣本點。它成為一個有著完整歷史記錄的個體。研究人員能夠知道它何時出生、何時遷徙、何時繁殖、何時消失。

從某種意義上說，現代保護生物學正在獲得一種前所未有的能力——以個體為單位記錄野生動物的生命歷程。所以這或許也是這項研究最值得關注的地方，它展示的不只是一個識別長頸鹿的新算法，而是一種新的生態學基礎設施。這種變化的重要性對于生態學這個學科建設來講，或許不亞于顯微鏡之于細胞生物學，或者衛星之于地球科學。因為只有當科學家知道“它是誰”，他們才有機會進一步理解“它經歷了什么”。

未來，這套框架或許會被用于斑馬、雪豹、鯨鯊、海龜、虎鯨乃至更多擁有獨特體表特征的物種。屆時，野生動物監測將不再只是統計數量了，它可能會強大到能真正追蹤每一個生命個體在自然界中的存在軌跡。

本文參考資料

感興趣的海潮天下（Marine Biodiversity）讀者可以參看該研究的全文：

Gholami, S., Lee, D.E., Robinson, C. et al. An accurate, efficient, and accessible AI-powered solution for wildlife re-identification in conservation. Sci Rep (2026). https://doi.org/10.1038/s41598-026-54115-w

https://www.nature.com/articles/s41598-026-54115-w

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。具體請以原文為準。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 | Gholami, S., Lee, D.E., Robinson, C. et al. (2026)

文 | 王芊佳

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

?萬物皆可AI？PNAS最新警告：準確率90%，卻可能誤導生態學

?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

?AI爭奪戰，正在從芯片蔓延到海底礦產

?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

?美國正式啟動“創世使命”！17個國家實驗室將徹底AI化，AI智能體接管實驗