在当今世界，生物多样性正以前所未有的速度减少。据俄勒冈州立大学最近的一项研究估计，超过3,500个动物物种因栖息地改变、自然资源过度开发和气候变化等因素面临灭绝风险。面对这一严峻挑战，研究人员正在寻找创新方法来监测和保护脆弱的野生动物。
MIT博士生和计算机科学与人工智能实验室(CSAIL)研究员Justin Kay正是这一领域的先锋人物。他的工作结合了人工智能与计算机视觉系统，旨在开发更高效的生态系统监测方法。Kay是MIT电气工程与计算机科学系助理教授、CSAIL主要研究员Sara Beery实验室的成员，目前正致力于追踪太平洋西北地区的鲑鱼种群——这些鱼类为鸟类和熊等捕食者提供关键营养，同时控制猎物如昆虫的数量。
从海量数据到高效分析：CODA的诞生
随着野生动物监测技术的发展，研究人员收集的数据量呈指数级增长。面对如此庞大的数据集和众多可用的AI模型，如何选择最适合特定数据集的模型成为了一个重大挑战。仅HuggingFace模型库中就有多达190万个预训练模型可供选择。
"直到最近，使用AI进行数据分析通常意味着训练自己的模型，"Kay解释道，"这需要投入大量精力收集和标注代表性的训练数据集，并迭代训练和验证模型。此外，还需要一定的技术技能来运行和修改AI训练代码。"
然而，AI交互方式正在发生变化——现在有数百万个公开可用的预训练模型可以很好地执行各种预测任务。这使人们无需开发自己的模型，只需下载具有所需功能的现有模型即可使用AI分析数据。但这带来了新的挑战：在数百万个可用模型中，应该使用哪个来分析数据？
Kay和他的CSAIL及马萨诸塞大学阿默斯特分校的同事们正在开发使这一数据处理过程更高效的AI方法，包括一种名为"共识驱动主动模型选择"(CODA)的新方法。他们的工作在10月举行的国际计算机视觉会议(ICCV)上被提名为Highlight Paper。
CODA：革命性的模型选择方法
CODA的核心创新在于将数据标注过程"主动化"。传统方法要求用户一次性批量标注大量测试数据集，而CODA则使这个过程变得互动，引导用户标注原始数据中最具信息量的数据点。
"我们的目标是通过大幅减少这种努力来解决这一挑战，"Kay说道，"我们通过使数据标注过程'主动'来实现这一点。与要求用户一次性批量标注大型测试数据集不同，在主动模型选择中，我们使过程具有交互性，引导用户标注其原始数据中最具信息量的数据点。这种方法非常有效，通常只需要用户标注25个示例，就能从候选模型集中识别出最佳模型。"
CODA的一个关键见解是：当考虑一组候选AI模型时，它们所有预测的共识比任何单个模型的预测更具信息量。这可以看作是一种"群体智慧"：平均而言，汇集所有模型的投票可以为您提供原始数据集中各个数据点标签的良好先验。
CODA在野生动物监测中的卓越表现
CODA方法在野生动物图像分类方面的成功表现令人印象深刻。这一成功源于其独特的设计理念和算法创新。
"我们的方法基于为每个AI模型估计一个'混淆矩阵'——给定某个数据点的真实标签是类别X，单个模型预测类别X、Y或Z的概率是多少？"Kay解释道，"这为所有候选模型、您想要标记的类别以及数据集中的未标记点之间创造了信息依赖关系。"
以一个实际应用为例：假设您是一位野生动物生态学家，刚刚收集了一个包含野外部署相机拍摄的数十万张图像的数据集。您想知道这些图像中有哪些物种，这是一个耗时的工作，而计算机视觉分类器可以帮助自动化这个过程。您正在决定在数据上运行哪个物种分类模型。
"如果您已经标注了50张老虎图像，并且某个模型在这些图像上表现良好，您可以相当确定它也将在原始数据集中其余(当前未标记的)老虎图像上表现良好，"Kay举例说明，"您还知道当该模型预测某张图像包含老虎时，很可能是正确的，因此任何为该图像预测不同标签的模型更可能是错误的。"
所有这些相互依赖性可用于构建每个模型混淆矩阵的概率估计，以及对哪个数据集整体准确率最高的模型的概率分布。这些设计选择使我们能够更明智地决定标注哪些数据点，最终也是CODA比以往工作更高效地执行模型选择的原因。
Beery实验室：多领域的生态监测创新
Kay所在的Beery实验室是一个充满活力的研究环境，研究人员不断将机器学习算法的模式识别能力与计算机视觉技术相结合，以监测野生动物。除了CODA外，实验室还有许多其他创新项目。
"实验室是一个真正令人兴奋的工作场所，新项目不断涌现，"Kay分享道，"我们正在进行的项目包括使用无人机监测珊瑚礁、随时间重新识别个体大象，以及融合来自卫星和现场相机的多模态地球观测数据等。 broadly，我们研究用于生物多样性监测的新兴技术，尝试理解数据分析的瓶颈在哪里，并开发以广泛应用方式解决这些问题的新的计算机视觉和机器学习方法。这是一种解决问题的令人兴奋的方式，它针对我们面临的具体数据挑战背后的'元问题'。"
Kay开发的用于在水下声纳视频中计算迁徙鲑鱼数量的计算机视觉算法就是这项工作的一个例子。"我们经常处理不断变化的数据分布，即使我们试图构建最多样化的训练数据集，"Kay解释道，"当我们部署新相机时，总是会遇到一些新情况，这往往会降低计算机视觉算法的性能。这是机器学习中一个称为领域适应的一般问题的实例，但当我们尝试将现有的领域适应算法应用于我们的渔业数据时，我们意识到现有算法在训练和评估方面存在严重限制。"
今年早些时候，Kay团队开发了一种新的领域适应框架，发表在《机器学习研究 transactions》上，解决了这些限制，并在鱼类计数甚至自动驾驶和航天器分析方面取得了进展。
预测ML算法性能分析的新方向
Kay特别兴奋的一个研究方向是更好地理解和分析预测ML算法在其实际使用上下文中的性能表现。
"通常，来自某些计算机视觉算法的输出——例如图像中动物周围的边界框——并不是人们真正关心的东西，而是回答更大问题的手段——例如，这里有哪些物种，以及它们如何随时间变化？"Kay解释道，"我们一直在开发在这种上下文中分析预测性能的方法，并重新考虑我们如何将人类专业知识输入ML系统。CODA就是这方面的例子，我们表明我们可以实际上将ML模型本身视为固定的，并构建一个统计框架来非常有效地理解它们的性能。我们最近一直在研究类似的集成分析，结合ML预测与多阶段预测管道以及生态统计模型。"
AI与生态保护的融合：挑战与机遇
自然世界正在以前所未有的速度和规模发生变化，能够快速从科学假设或管理问题转向数据驱动的答案，对于保护生态系统和依赖它们的社区来说比以往任何时候都更加重要。
"AI的进步可以发挥重要作用，但我们需要批判性地思考在应对这些真实挑战的背景下设计和评估算法的方式，"Kay强调道，"我们需要确保我们的算法不仅技术上先进，而且能够真正解决保护领域的实际问题。"
Kay和他的团队正在努力确保这一点。他们的工作不仅关注算法的技术创新，还注重如何将这些创新应用到实际保护工作中，并与保护专家紧密合作，确保研究工作能够产生实际影响。
CODA的未来发展与扩展
尽管CODA已经在野生动物监测领域取得了显著成功，但Kay和他的团队看到了许多进一步发展的可能性。
"我们认为可能有更好的方法基于领域专业知识构建模型选择的信息先验——例如，如果已经知道某个模型在某些类别子集上表现异常出色或表现不佳，"Kay展望道，"还有机会将框架扩展到支持更复杂的机器学习任务和更复杂的性能概率模型。我们希望我们的工作能够为其他研究人员提供灵感和起点，继续推动最先进技术的发展。"
此外，团队还在探索将CODA方法扩展到其他领域，如农业监测、灾害响应和城市规划等。这些应用领域同样需要从大量数据中提取有价值的信息，而CODA的主动模型选择方法可以显著提高分析效率。
结语：AI赋能的生态保护新纪元
Justin Kay和Beery实验室的工作代表了AI与生态保护融合的前沿。通过开发如CODA这样的创新方法，他们不仅提高了数据分析效率，还为全球生态保护提供了强大的技术支持。
随着AI技术的不断发展，我们有理由相信，计算机视觉和机器学习将在生态保护领域发挥越来越重要的作用。从监测濒危物种到评估生态系统健康，从预测气候变化影响到制定保护策略，AI正在帮助研究人员和保护工作者以前所未有的速度和规模理解我们的自然世界。
正如Kay所言，"自然世界正在以前所未有的速度和规模发生变化，能够快速从科学假设或管理问题转向数据驱动的答案，对于保护生态系统和依赖它们的社区来说比以往任何时候都更加重要。"
在这个关键时期，像Kay这样的研究人员的工作为我们提供了希望和工具，帮助我们更好地理解和保护我们珍贵的生态系统，为子孙后代留下一个更加可持续和健康的地球。
