从文本智能到世界认知：AI 重塑水产养殖新未来
点击上方蓝色文字关注我们
International AquaFeed & Fish Farming Technology
致力于分享“水产饲料与鱼类养殖”领域全球顶尖的科学技术、生产设备、创新产品及解决方案，同步推送国际行业热点与前沿资讯。
从文本智能到世界认知：AI 重塑水产养殖新未来
作者：托尼・陈，美国曼诺林公司首席执行官
截至目前，GPT、Gemini、Claude 等大型人工智能系统主要依靠文本、图像及互联网海量信息进行训练。这也正是它们能够总结文档、流畅写作、回答问题、识别图像中物体的原因。当前人工智能展现出的能力，几乎超出了人们的预期。但这是否意味着现有形态的人工智能能够迈向下一个发展阶段，引领水产养殖等行业进入可精准预判、高效解决问题的全新时代？
曼诺林合作的养殖户与行业专家日益关注：人工智能系统何时才能精准预测病害爆发、抑制鱼类生长迟缓，并模拟鱼类在面对饲料变更、药物处理与环境波动时的反应？
当前顶尖人工智能模型尚难以回答上述问题，根源在于其底层构建逻辑。预测文本序列的下一个字词，与推演鱼群在水温、溶氧量、饲料投喂、病害侵袭、用药史等多重因素作用下的变化规律，两者存在本质区别。
人工智能行业正逐步从语言模型研发转向世界模型：一类能够学习环境时序变化规律的智能系统。这项技术对水产养殖行业的赋能速度，取决于行业是否整理出标准化运营数据，以供世界模型完成学习训练。
大型语言模型的运行逻辑是预测文本序列中的下一个字符。依托充足优质的文本数据，这类模型在文本任务中具备强大能力，包括文本总结、翻译、问答、代码生成。但它对现实世界的认知仅依托语言构建，并未针对物理世界明确的因果关系搭建底层逻辑。例如，在施药周期内水温下降两度会对同一批鱼产生何种影响、鱼虱滋生程度与鱼群免疫史存在怎样关联，这类物理生物因果场景均不在其原生建模范畴内。
Epoch AI 研究院研究团队在 2024 年发布的论文中测算：若持续高强度训练前沿大模型，用于训练的、经质量筛选的公开优质文本储备，大概率将在 2026 至 2032 年间消耗殆尽。该团队同时提出，多模态数据与合成数据或将延缓这一节点。该结论揭示行业结构性瓶颈：单纯依靠扩充文本数据扩容语言模型存在上限，科研界也因此转向其他研发赛道。
英伟达首席执行官黄仁勋在 2025 年国际消费电子展、2025 年全球 GPU 技术大会主旨演讲中提出“物理人工智能”概念，用以描述行业转型方向：研发能够推演物理环境而非仅处理语言的智能系统。元宇宙母公司首席人工智能科学家杨立昆在 2022 年立场论文《通往自主机器智能之路》中提出，仅依靠自回归语言模型，无法打造可解读物理现实的人工智能系统。元宇宙母公司推出联合嵌入预测架构科研项目，代表一条全新技术路线：依托观测数据而非文本，学习具备预判能力的现实表征模型。
依据 LeCun 的定义以及更广的研究语境，World Model 是人工智能系统通过学习得到的环境运行规律表征：输入当前状态与一项动作，它会预判后续大概率发生的情况。该研究方向正获得越来越多机构投入，但对绝大多数行业而言，短期内尚无法形成商用产品门类。
世界模型与数字孪生
对于已布局数字化基础设施的企业，厘清二者概念差异具备实际落地价值。实体行业在人工智能落地场景中常会同时提及数字孪生与世界模型，二者也常被视作行业未来发展方向，但二者并非同一概念。若混淆二者，会导致企业对所需数据类型、系统可支撑的决策产生错误判断。
数字孪生依托单一、明确的实体设备搭建（如养殖网箱、循环水系统、水泵），核心追求与实体设备高度拟合：实时监测设备状态、模拟已知工况下的设备运行表现、预警偏离标准工况的异常。世界模型依托海量多场景数据完成训练，侧重跨场景预判与方案规划。它并非单一实体设备的精细化复刻，而是对整个领域在各类条件下运行规律的通用化建模。二者应用目标截然不同，但均依赖标准化运营数据；而在水产养殖领域，标准化运营数据供给不足，同时制约两类技术落地。
养殖数据背后的生物复杂性
三文鱼养殖与集约化水产养殖中的核心经营决策，均不属于文本处理任务。判断鱼虱施药时机、识别数据波动是否预示网箱病害风险、对比不同养殖点位相似环境下当前投喂方案的饵料转化效率——上述每一项决策，都需要一套基于时序维度、涵盖状态、操作、结果的推演模型，且模型必须贴合特定鱼群完整养殖周期的全部生长经历。
搭建这类模型的难度远超表面预期，核心原因在于鱼群并非固定不变的实体资产。在养殖转运、规格分拣环节，同一批次鱼苗会多次拆分、合并，分散至不同网箱。这意味着任何一次病害爆发，都会受到鱼苗品质、转运环境、既往用药记录、养殖周期前期鱼虱侵扰程度、全周期环境波动等多重因素叠加影响。多数养殖场虽留存相关记录，但数据分散于多个独立系统，仅记录单网箱、单站点信息，无法与对应鱼群建立完整身份关联。
莫滕・福雷及其团队 2018 年在《生物系统工程》刊发论文，明确提出这一结构性痛点，指出行业目标是从“传统经验驱动生产模式”转向“知识驱动生产模式”。这场转型绝非简单将纸质记录数字化，而是需要一套完整数据体系：追踪鱼群转运、施药、分拣、分群等全部关键生物节点，数据格式可实现不同鱼群、不同养殖场景横向对比。目前多数养殖场仍难以实现数据完整关联、高效复用。
标准化运营数据
上文提到的数据缺口，会对决定整个生产周期的各类决策造成直接负面影响。若数据分散储存在多个系统中，或是仅按网箱维度、而非以鱼群批次维度做记录，关键问题就很难得到可靠解答。统一的核心要求为：以鱼群批次维度打通数据，数据可在各类生物养殖场景中开展对比。
生产性能评估：对饲料生产商与养殖场营养师而言，以鱼群批次维度统计的记录，能够深化对产品实际表现的研判维度。饲料转化率体现的不只有产品本身品质，它由饲料品类、批次鱼群生理状态、水温、健康状况以及评测周期内场地环境条件共同决定。供应商产品效果评估同理。饲料厂商若想摸清产品在各家合作养殖场的实际使用效果，需要采集不同生长履历、处在差异化环境里的各组鱼群的实测结果。按年份汇总的场区、网箱数据无法完成这类比对，原因是汇总内容混入了生长批次、时节、环境条件不具备可比性的鱼群数据。
鱼类健康管控与干预处置：对水产生物管控人员、鱼类健康管理人员来说，当决策需要结合过往背景解读当下监测指标时，鱼群批次记录的实用价值体现得最为突出。仅按场区维度做死亡率分析，会把日龄、患病过往、用药经历各不相同的鱼群数据混在一起；只有对照鱼群前几周的养殖经历进行分析，死亡率变化趋势才有解读价值。挪威及多地的大西洋鲑养殖场已开发并试运行鱼虱预测模型，模型的预测准确度，一定程度取决于训练所用历史数据的质量与数据连贯性。制定消杀方案一般要参考当下鱼虱数量、过往消杀记录、单批鱼群健康状况，还有环境因素、行业法规对作业时段带来的限制，在多数养殖场内，以上信息分属相互独立的台账。各类数据分系统存储时，数据整合的工作量会全部交由生物管控人员承担。
生产规划：数据互通性不足这一问题，同样会降低生产预判结果的可信度。如今网箱、场区布设的环境传感器可持续输出监测数据，若数据不再仅作为场区独立时序台账存档，而是和对应鱼群批次的养殖产出结果相关联，数据辅助决策的作用便能进一步发挥。生物量预估、捕捞时段规划依托生长模型运算，模型需要纳入海水养殖阶段鱼群完整生长履历、投喂量与全程环境变化情况。依托规范规整、可横向比对的鱼群批次数据搭建的模型，预测准确度优于取用场区均值（合并了不同生长背景鱼群数据）的模型，精度的提升幅度由底层数据的连贯程度、完整程度决定。
数据底层架构的前置基础条件
水产养殖领域的人工智能应用已在投喂优化、鱼虱识别、生长建模这类细分限定任务中取得进展。但多数养殖企业尚未完善数据底层架构，这套架构能够让上述智能应用适配各类生物养殖场景，支撑需要依托鱼群完整履历的高复杂度决策。
实体行业中获得大额资本投入的人工智能系统，其所需数据类型恰好与水产养殖日常运营产生的数据相匹配。用药记录关联鱼虱防治效果、投喂台账绑定鱼群生长与健康指标、全养殖周期环境参数对接鱼类生理反馈：从数据架构层面来看，这正是世界模型运行所依赖的数据。目前水产养殖环节大多能够产生这类原始数据，但大部分数据尚未整理为可支撑高阶建模的标准化格式。
搭建该数据底层架构，需要完整记录鱼群全生长周期信息（包括转运、施药、规格分选、分群重组），以鱼群批次为单位整合健康、用药、环境及生产数据，数据格式需支持不同鱼群、不同养殖场景间的横向对比。福雷团队在 2018 年提出的从经验驱动型生产向知识驱动型生产转型仍在推进，当下人工智能的研发方向，从技术角度进一步明确了这项基础工作在当下的重要意义。行业后续能否落地性能更强大的人工智能技术，很大程度取决于养殖数据体系的搭建与运维完善程度。
预判 2050 水产格局！数字技术 + 饲料创新，开启产业新赛道
别再只盯鱼粉了！这个新蛋白正在改写水产饲料格局
深挖虾副产价值：从虾废弃物到资源化财富新路径
越南的水产养殖与海水养殖：当前动态与未来前景
↓↓↓