效率提升132倍！AI自动识别野生动物，科研人员不用熬夜数斑点了|生态学家|生物学|野生动物|长颈鹿

本文来源于海潮天下（Marine Biodiversity）

海潮天下·导读

个体重识别（Re-ID）是种群估算（如标记重捕法）的核心。微软“AI for Good”实验室联合了多所机构，开发了一个名为GIRAFFE的系统。该系统利用局部特征匹配技术，实现了长颈鹿（可扩展至其他物种）的自动化个体识别。根据2026年5月30日发表于《科学报告》的这个最新研究，该系统在9项标准评估指标上均达到超过0.9的准确率，且运行速度比基准方法快120倍，成本效益提升132倍，极大降低了大规模野生动物种群监测的门槛。

本文约3900字，阅读约8分钟

文 | 王海诗

出品 | 海潮天下

在坦桑尼亚北部的塞伦盖蒂生态系统，如果你遇到一头长颈鹿从金合欢树旁缓缓走过，会不会想，它到底是谁？它可能是生于7年前，也可能刚刚经历一次旱季迁徙，或许已生育了后代。对于游客来说是很难分辨的，毕竟它只是草原上无数长颈鹿中的一员罢了；但对于生态学家而言，搞清楚“这头长颈鹿的身份”是很重要的，决定着后续所有研究工作的价值。

▲乌干达默奇森瀑布国家公园内的一头雄性罗氏长颈鹿。©Bernard Dupont（CC BY-SA 2.0）

实际上，现代保护生物学中，很多最重要的数据都建立在“认出个体”这一基础之上。种群数量估算、生存率分析、繁殖成功率评估、迁徙研究乃至保护政策制定，都离不开对个体命运的持续追踪。

不过，在广袤的非洲草原上，要从数千头外貌相似的长颈鹿中准确找出某一个体，绝非易事。

2026年5月，《科学报告》（Scientific Reports）发表的一项最新研究中展示了一种新的解决方案。微软AI for Good实验室联合多个科研机构开发的GIRAFFE系统，能够在一个包含2.5万余张照片、近4000头长颈鹿的大型数据库中，自动完成个体身份识别，并且将检索时间压缩到了平均0.03秒。

相比此前广泛使用的方法，其运行速度提高约120倍，成本效益提高132倍。

如果说过去几十年生态学家一直在试图给野生动物建立身份证，那么这项研究或许意味着，一个真正能够大规模运行的“野生动物身份管理系统”开始出现了。

为什么执着于“认脸”？

许多人可能直觉地会认为，研究动物数量，只要数一数就行。

但，现实远比这复杂。假设研究人员今天在一个保护区观察到100头长颈鹿，下个月又看到100头。这两个数字本身几乎没有意义。因为研究人员无法确定，两次看到的是同样的100头，还是完全不同的100头。

生态学家真正关心的是个体。比如说，一头幼年长颈鹿是否顺利长大？一头成年雌性是否成功繁殖？一头雄性是否迁移到了新的区域？……这些问题，都得长期追踪具体个体才行。

因此，自20世纪以来，种群生态学逐渐发展出一套经典方法——标记重捕法（Mark-Recapture）。

它的大概的基本流程是，研究人员先识别一批动物作为“已知个体”，随后在未来调查中统计这些个体再次出现的概率，并据此推算，得出整个种群规模。

从理论上讲，这是一套极为成熟的方法。但真正比较难搞的是“标记”。对于鸟类，可佩戴脚环（环志）。对于海龟，可安装标签。对于大型哺乳动物，可以佩戴无线电项圈，可佩戴的东西有的是。不过，这些方法往往昂贵，而且需要捕捉动物、弄不好就造成了新的问题，存在潜在风险。

于是，越来越多研究者开始转向一种更自然的方案：利用动物自身的身体特征进行识别。

事实上，很多动物天生就长了独一无二的身份标记。比如说，斑马的条纹不会完全相同；鲸鲨的斑点排列具有个体特异性；虎鲸背鳍边缘的缺刻各不相同；雪豹、老虎和猎豹的斑纹也像指纹一样独特；哪怕是后天的，比如大白鲨身上的后天造成的各种各样的伤痕/痕迹，也是挺独特的。

长颈鹿同样如此，而且是天生的。每头长颈鹿身体两侧的斑块形状、边界和排列方式都存在明显差异，而且这种图案在成年后相对稳定。所以说，从理论上说，只要记录这些图案，就能识别个体。

但问题在于，当数据库中积累了数万张照片之后，人工比对就指望不上了。人力有限，这会迅速变成一项“近乎不可能完成”的工作。

一个真实世界的数据集

这个“GIRAFFE”系统比较厉害的一点，不是它使用了人工智能。它面对的是一个极其接近真实世界的数据库。

研究团队使用的数据来自坦桑尼亚马赛长颈鹿长期监测项目。从2012年~2020年，研究人员累计收集了25363张长颈鹿照片，共涉及3987个已确认个体。

这意味着，平均每头长颈鹿只有6张左右照片。更麻烦的是，这些照片分布极不均匀。研究发现，约31%的个体仅有一张照片记录。

换句话说，近1/3的长颈鹿几乎没有“历史档案”。对于人工智能而言，这是最难处理的情况了。因为，绝大多数机器学习模型都依赖大量样本进行训练。如果一个个体只出现一次，系统几乎没有学习机会。

与此同时，这些照片并非实验室条件下采集。有些长颈鹿距离镜头几十米、甚至上百米。有些只露出个屁股。有些被树枝遮挡。有些处于逆光状态。还有不少照片里，同时会出现多头长颈鹿……这正是野外调查的真实环境。

不完美没关系。生态学家真正需要解决的问题，从来不是处理“完美照片”，关键是要处理现实中的混乱数据。所以，研究团队没有对这些照片进行质量筛选，他们全部纳入了分析。

坦桑尼亚米库米国家公园里的野生长颈鹿。©Muhammad Mahdi Karim

认出一头长颈鹿，比想象中要难得多

如果把问题交给人类观察者，许多人会认为识别长颈鹿并不难。但计算机并不会像人类一样看图。在传统人工智能系统中，照片其实是一组数字矩阵。光照变化、拍摄角度变化甚至相机型号不同，都可能导致同一头长颈鹿在计算机眼中变成完全不同的对象。

过去十余年，研究人员开发过大量动物识别系统。其中许多采用深度学习技术。没错，这些模型往往能够取得不错的准确率，但它们同时也存在一个现实问题——需要海量标注数据。可是，对于许多濒危物种来说，研究人员上哪儿去搞那么多称得上是“足够”的训练样本呢？！

此外，深度神经网络经常被批评为“黑箱”。它可以告诉你结果，却很难解释原因。但生态学研究，恰好讲究一个“可追溯性”。如果系统告诉研究人员，两张相隔五年的照片属于同一头长颈鹿，那么研究人员希望知道依据是什么。

所以说，这种需求最终让这个“GIRAFFE”选择了一条与当前AI大潮流略有不同的路线。

让AI像刑侦专家一样工作

GIRAFFE并没有完全依赖大型神经网络。研究团队首先利用两套深度学习模型自动找出长颈鹿身体区域，并去除背景干扰。随后，真正承担身份识别任务的，却是一种诞生于2004年的经典视觉算法——SIFT。

这套方法更像刑侦中的痕迹检验。系统会在每张照片中寻找大量具有辨识度的局部特征。比如说，斑块边缘的转折点、特殊纹理交汇处、独特几何结构等。

每张照片最多可提取1500个关键特征点。随后，这些特征就被转换成了数学描述符。当新照片进入系统时，它不会简单比较整张图片，而是在数千个局部特征之间寻找对应关系。

这就有点像警方比对指纹了。他们不会比较整只手，他们找的是细节纹路中的特征点。哪怕是拍摄角度不同、光线不同，都没关系，只要足够多关键特征能够对应，系统仍然能够确认身份。

随后，研究团队利用Meta（原Facebook）开发的FAISS高维检索系统，在海量数据库中快速搜索最相似个体。最终，系统根据匹配特征出现频率判断身份归属。

这种方法最大的优势在于可解释。研究人员知道结果之余，还能看到哪些特征支撑了这个判断。对于需要长期积累证据的生态学研究而言，这种透明度非常重要。

0.03秒背后的意义

这个论文中最令人印象深刻的数据之一，是这个系统的运行效率。在包含25363张参考照片的数据库中，完成一次身份匹配平均只需0.03秒。生成特征描述符耗时约0.13秒。数据库更新仅需0.0075秒。这些数字单独看似平平，但如果放在实际调查场景中，意义就十分的明显了。

过去，一个大型监测项目可能需要研究生花费数周、甚至数月来逐张的检查照片。如今，同样规模的数据集可以在极短时间内完成初步筛选。

该研究团队估算，其整体运行效率约为基准方法的120倍。成本效益提升132倍。

重要的是，这种提升没有牺牲准确率来换取。在最大的测试场景中，系统面对20687张参考照片和4666张查询照片，总体准确率达到95%。对于已知个体，识别准确率达到99%。已知个体识别的F1值达到0.96。未知个体识别的F1值达到0.92。换句话说，它不仅能认出数据库里的“老居民”，还能较准确地判断哪些个体此前从未被记录过。

后者，对于种群调查尤为关键。因为，每年都会有新的幼体进入种群。一个真正有用的系统，就得能持续地发现这些“新成员”才行。

让AI发现“陌生人”

事实上，论文最具创新性的部分，可能并不是身份识别本身，而对未知个体的自动分类。

传统识别系统通常只回答一个问题：“它是谁？”但生态学家还需要另一个答案，“如果它谁都不是怎么办？”

所以在GIRAFFE里面，增加了一套专门处理未知个体的流程。如果系统无法找到可信匹配，它就会把这些照片自动归入“未知个体池”。随后，再利用局部特征匹配，将这些陌生面孔重新组织成不同组别。

本质上，这是在帮助研究人员发现新个体。测试结果显示，在超过2000张未知个体照片组成的数据集中，这套机制的聚类准确度（Adjusted Rand Index）达到了0.98。对于长期监测项目来说，这意味着，系统维护现有名录之余，还会持续的扩展名录。每次调查结束后，新确认的个体都会被加入数据库。等到下一轮调查时，它们又会成为已知个体。

这样一来，整个数据库就不断地在成长。这种机制与人口管理系统颇为相似。只不过，登记对象从人类变成了野生动物而已。

（图文无关）▲长颈鹿花纹知多少？上图来自于另外一个论文，是长颈鹿不同亚种的近似地理分布范围、毛皮花纹特征以及基于线粒体DNA（mtDNA）序列构建的系统发育关系。该研究成果源自大卫·布朗（David Brown）等人于2007年发表在《BMC生物学》（BMC Biology）上的学术论文。

从抽样时代

走向全样本时代

回顾生态学的发展历史，研究人员长期苦于数据规模久矣。巧妇难为无米之炊，在很多情况下，就只能靠抽样来推断。他们调查一部分动物，然后估计整个种群。当然了，这种方法至今也是仍然有效的、广泛应用的，只不过精度受到样本量限制罢了。

随着相机陷阱、无人机、卫星遥感和公众科学平台的发展，情况开始发生变化。如今的问题已经不再是缺少数据，而是数据太多了、目不暇接。大量照片被储存在硬盘里，却缺乏足够人力进行分析。

所以说，GIRAFFE代表的技术路线，实际上正在改变这种局面。当一头长颈鹿能够被持续、自动地识别时，它不再只是统计学中的一个样本点。它成为一个有着完整历史记录的个体。研究人员能够知道它何时出生、何时迁徙、何时繁殖、何时消失。

从某种意义上说，现代保护生物学正在获得一种前所未有的能力——以个体为单位记录野生动物的生命历程。所以这或许也是这项研究最值得关注的地方，它展示的不只是一个识别长颈鹿的新算法，而是一种新的生态学基础设施。这种变化的重要性对于生态学这个学科建设来讲，或许不亚于显微镜之于细胞生物学，或者卫星之于地球科学。因为只有当科学家知道“它是谁”，他们才有机会进一步理解“它经历了什么”。

未来，这套框架或许会被用于斑马、雪豹、鲸鲨、海龟、虎鲸乃至更多拥有独特体表特征的物种。届时，野生动物监测将不再只是统计数量了，它可能会强大到能真正追踪每一个生命个体在自然界中的存在轨迹。

本文参考资料

感兴趣的海潮天下（Marine Biodiversity）读者可以参看该研究的全文：

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