在当今世界，生物多样性正以前所未有的速度流失。据俄勒冈州立大学最近的一项研究估计，超过3,500个动物物种正面临灭绝风险，栖息地改变、自然资源过度开发和气候变化是主要因素。面对这一严峻挑战，研究人员正在积极寻求创新技术来监测和保护野生动物。
MIT计算机科学与人工智能实验室(CSAIL)的研究人员，特别是博士生Justin Kay，正在开发先进的计算机视觉算法，通过精心监测动物种群来帮助保护濒危物种。作为Sara Beery实验室的成员，Kay专注于追踪太平洋西北地区的鲑鱼种群，这些鲑鱼为鸟类和熊等捕食者提供关键营养，同时控制如昆虫等猎物的数量。
AI模型选择的挑战：从190万到最优
随着野生动物数据的爆炸式增长，研究人员面临着海量信息需要处理和众多AI模型可供选择的困境。Kay及其在CSAIL和马萨诸塞大学阿默斯特分校的同事们正在开发AI方法，使这一数据处理过程更加高效。
"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，"这需要大量工作来收集和标注代表性的训练数据集，以及迭代训练和验证模型。您还需要一定的技术技能来运行和修改AI训练代码。"
然而，AI的应用方式正在改变——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。这使人们有可能下载具有所需功能的现有模型来分析数据，而无需开发自己的模型。但这带来了新的挑战：从数百万可用模型中，应该选择哪个来分析他们的数据？
Kay团队开发的"共识驱动主动模型选择"(CODA)系统正是为了解决这一挑战而设计的。"我们的目标是通过使数据标注过程'主动化'来显著减少这种工作量，"Kay表示，"在主动模型选择中，我们使过程具有交互性，指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的智慧："群体共识"的力量
CODA系统之所以在野生动物图像分类中表现出色，关键在于一个重要洞察：当考虑一组候选AI模型时，所有模型预测的共识比任何单个模型的预测更具信息量。这可以被视为一种"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。
Kay解释道："我们的方法是基于为每个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？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建了信息依赖关系。"
以实际应用为例，假设您是一位野生动物生态学家，刚刚收集了一个包含部署在野外摄像机拍摄的潜在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一过程。您正在决定在数据上运行哪种物种分类模型。
"如果您已经标记了50张老虎图像，并且某个模型在这些图像上表现良好，您可以相当确信它也会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个图像包含老虎时，很可能是正确的，因此任何对该图像预测不同标签的模型更有可能是错误的。您可以使用所有这些相互依赖性来构建每个模型混淆矩阵的概率估计，以及哪个模型在整个数据集上具有最高准确率的概率分布。"
这些设计选择使团队能够更明智地选择要标记的数据点，最终也是CODA比以往工作更高效地执行模型选择的原因。
超越CODA：多维度生态监测
在Beery实验室，研究人员正在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，团队还有许多其他追踪和分析自然世界的方法。
"实验室是一个非常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摄像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，尝试理解数据分析瓶颈在哪里，并开发新的计算机视觉和机器学习方法，以广泛适用的方式解决这些问题。"
Kay开发的用于在水下声纳视频中计数迁徙鲑鱼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，"当我们部署新摄像机时，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。这是机器学习中称为领域适应的一般问题的一个实例，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，团队在《机器学习研究 transactions》上发表了一种新的领域适应框架，解决了这些限制，并促进了鱼类计数甚至自动驾驶和航天器分析的进展。
Kay特别兴奋的一个研究方向是理解如何在预测ML算法的实际使用背景下更好地开发和分析其性能。"通常，来自某些计算机视觉算法的输出——比如图像中动物周围的边界框——并不是人们真正关心的东西，而是一种手段，目的是为了解决更大的问题——比如，这里有哪些物种，以及它们如何随时间变化？我们一直在开发在这种背景下分析预测性能的方法，并重新考虑我们如何在这种考虑下将人类专业知识输入ML系统。"
AI与生态保护的融合：挑战与机遇
自然世界正以前所未有的速度和规模变化，能够快速从科学假设或管理问题转向数据驱动的答案，对于保护生态系统及其依赖的社区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我们如何在这些真实挑战的背景下设计、训练和评估算法。
Kay团队的工作展示了AI如何能够帮助解决生态保护中的关键挑战。通过开发更高效的算法如CODA，研究人员能够减少数据标注的工作量，同时提高分析的准确性。这种方法不仅适用于野生动物监测，还可以扩展到珊瑚礁健康评估、森林覆盖变化跟踪、水质监测等多个领域。
此外，团队正在探索如何将人类专业知识与AI系统更有效地融合。"CODA是一个例子，我们展示了我们可以实际上将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，"Kay指出，"我们最近一直在研究类似的综合分析，将ML预测与多阶段预测管道以及生态统计模型相结合。"
未来展望：AI赋能的生态保护
随着技术的不断进步，AI在生态监测中的应用前景广阔。Kay团队正在探索的几个方向包括：
基于领域专长的模型选择优化：利用特定领域的知识来构建更好的模型选择先验，例如已知某个模型在某些子类别上表现特别出色或表现不佳。
更复杂的机器学习任务扩展：将CODA框架扩展到支持更复杂的机器学习任务和更精细的性能概率模型。
预测性能与实际应用的结合：更好地开发和分析预测ML算法在实际使用背景下的性能，关注人们真正关心的结果，而不仅仅是算法的直接输出。
多模态数据融合：结合来自不同来源的数据，如卫星图像、无人机视频、地面传感器等，提供更全面的生态系统视图。
Kay强调："自然世界正在以前所未有的速度和规模变化，能够快速从科学假设或管理问题转向数据驱动的答案，对于保护生态系统及其依赖的社区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我们如何在这些真实挑战的背景下设计、训练和评估算法。"
结语：技术赋能生态保护
Justin Kay及其团队的工作展示了AI与计算机视觉技术如何革新生态监测领域。通过开发如CODA这样的创新方法，研究人员不仅提高了数据分析的效率，还为保护濒危物种和脆弱生态系统提供了新的工具和视角。
随着技术的不断进步和应用的深入扩展，我们有理由相信，AI将在未来的生态保护中发挥越来越重要的作用。然而，正如Kay所强调的，技术的应用需要与实际需求紧密结合，需要批判性地思考如何设计、训练和评估算法，以确保它们能够真正解决生态保护中的关键挑战。
在这个生物多样性面临前所未有威胁的时代，像MIT CSAIL这样的研究机构的创新工作为我们提供了希望。通过将人类的专业知识与AI的计算能力相结合，我们能够更有效地监测、理解和保护我们赖以生存的生态系统。
