深海观测设备开始“自己思考”？低功耗AI让水下监测摆脱能源束缚

本文来源于海潮天下（Marine Biodiversity）

海潮天下·导读

深海中蕴藏着大量尚未被发现的生命信息，但长期以来，科学家面对一个难题：海洋最需要被持续观察的地方，往往也是最难实时获取信息的地方。随着海洋观测进入智能化阶段，我们是否可能用上一种能够长期、自主理解海洋变化的新型科学基础设施？
2026年7月26日发表的一个最新研究提出了一种全新的思路——未来的水下观测设备或许不再只是被动记录海洋；它们将在远离岸基实验室的环境中，自主的判断哪些信号值得关注。研究人员尝试构建一种具备“现场感知能力”的智能观测系统，让人工智能从岸上的分析工具转变为海洋现场的一部分。

本文约3600字，阅读约8分钟

文 | 王海诗

出品 | 海潮天下

在海洋生态调查中，比获取数据更难的是，如何让这些数据在合适的时间被发现、分析和利用。

一台部署在远海或深海的观测设备，可能连续数月、甚至是更长时间干活儿，它可以拍摄视频、记录声音，也能采集环境参数。但水下环境并不适合传统的数据处理模式。电池容量有限，水下通信速度低且不稳定，大规模传输高清视频和原始声学数据需要消耗大量能源。所以很多观测设备最终只能保存数据、等待回收后，再做分析。

这种“采集容易、分析困难”的问题，长期限制着海洋生态监测的发展。

海潮天下（Marine Biodiversity）小编注意到，2026年7月26日，一项来自法国海洋开发研究院（Ifremer）和法国IMT Atlantique研究人员的最新研究提出了一种新的解决方案。论文题为《基于本地多智能体检索增强生成的能源受限分级水下监测》，它提出了一种面向长期水下部署的分层智能监测架构，让低功耗设备承担持续监测任务，让高性能计算模块只在必要时启动，在水下现场完成数据筛选、物种识别和信息整理。

这项研究（目前还是预印版）关注的核心，不是去简单增加水下设备的计算能力。它追求的是在有限能源条件下重新安排人工智能任务、让设备能够长期自主运行。

（图文无关）深海生态系统与海洋生物多样性的持续监测长期受制于能源匮乏、水下通信带宽受限以及多模态原始数据传输成本高昂的实际困境。传统的海洋观测设备往往依赖大功率设备持续运转或者将海量原始数据存储在本地等待人工打捞回收，导致其实时感知能力、自适应采样效率以及科学解释速度严重受限。©赵宇 摄影 | 海潮天下（Marine Biodiversity）

01

水下监测需要一种新的计算模式

目前，海洋观测平台普遍搭载摄像机、水听器和各种环境传感器，用于记录海洋生物活动、生态变化以及异常事件。但这些设备产生的数据类型复杂，包含图像、视频、声音和环境信息，数据量增长速度远远超过水下通信能力。

研究团队指出，远程水下部署受到能源供应、通信限制、设备维护困难以及原始多模态数据传输成本高等因素影响。许多监测任务仍然依赖设备回收后的离线分析，这意味着一些短暂但重要的生态事件可能无法被及时识别。

一种直接的方法是将高性能计算设备安装在水下平台中，让人工智能模型现场运行。但GPU级设备持续工作会带来较高能耗，难以满足长期无人值守部署需求。

研究人员提出的思路类似于生态监测中的“分级观察”。低功耗节点负责长期监听，发现异常后再调用更强大的计算资源。

▲系统硬件实验实现方案。右侧配置了电源分析仪与双路直流电源用于实时监控能耗数据，左侧集成了超低功耗微控制器开发板、多级物种分类结果显示屏以及主控边缘计算模块。©Janati, M. A., Gautier, L., & Barbot, S. (2026)，这个是该论文的图3

02

两级硬件架构，让AI设备长期待命

该系统采用“主节点-卫星节点”（master–satellite）的分层结构。

在底层，研究人员部署了两个超低功耗微控制器。其中，MAX78002负责视觉信号监测，MAX78000负责声学信号监测。这两个芯片运行轻量化神经网络模型，持续寻找可能具有科学价值的目标，例如鱼类活动、或海洋哺乳动物声音。它们不承担完整的物种鉴定，只是做第一轮的数据筛选。

MAX78000和MAX78002都属于TinyML（微型机器学习）设备。相比传统GPU计算平台，这类芯片计算能力有限，但能耗极低，适合长期运行在电池供电的传感节点中。

在系统上层，研究人员配置了一台英伟达Jetson Orin NX作为高性能计算节点。它负责运行更复杂的人工智能任务，包括视觉目标识别、多模态数据分析、物种分类、数据库检索以及自动报告生成。

关键在于，Jetson Orin NX并不会一直工作。在大部分时间里，该计算模块处于关闭状态。当系统按照计划周期处理数据、低功耗节点检测到重要事件、或研究人员现场访问设备时，它才会启动。

这个论文设计了三种运行模式。

在自主批处理模式（Autonomous Batch Mode）下，Jetson Orin NX按照设定周期启动，例如每天一次，对低功耗节点积累的数据进行处理，随后重新进入低功耗状态。

在事件驱动混合模式（Event-Driven Hybrid Mode）下，如果视觉或声学节点发现异常信号，会立即唤醒Jetson Orin NX，对事件开展进一步分析。

在任务交互模式（Mission and Researcher-Interactive Mode）下，研究人员可以直接连接设备，查询观测记录、开展物种识别和数据检索。

这种设计减少了高性能计算设备的无效运行时间，同时保留了复杂分析能力。

▲上图：系统架构与工作流程图。环境层输入声学与视觉数据后，由全天候哨兵层进行低功耗实时筛查，并在触发事件或定时调度时唤醒高性能主控层进行多模态推理与向量检索，最终通过研究人员面向层提供交互界面与报告。©Janati, M. A., Gautier, L., & Barbot, S. (2026).

03

从水下图像中寻找生物线索

当Jetson Orin NX被唤醒后，系统会启动完整的数据处理流程。该研究团队构建了一套本地化多模态分析管线，包括数据采集、目标定位、视觉特征提取、物种识别、向量数据库检索以及基于检索增强生成技术（RAG）的分析。

对于水下图像，系统先利用目标检测模型寻找生物目标。

研究采用了Grounding DINO模型。该模型可以结合文字提示识别图像中的目标，例如输入“fish”、“cnidarians”、“mollusks”等类别描述，从复杂水下背景中定位可能的生物区域。该论文指出，Grounding DINO Tiny版本包含约1.72亿参数，需要较高计算资源，因此部署在Jetson层，而不是低功耗微控制器上。

目标区域提取后，系统就会利用BioCLIP-2或OpenCLIP模型，将图像转换成具有语义信息的数字向量。其中，BioCLIP针对生物分类任务进行了优化。该模型利用生物分类体系训练，使图像特征与分类学信息之间建立联系，更适合用于生态调查中的物种识别。

研究团队建立了一个较大规模的海洋生物参考数据库。

系统整合了FishBase/SeaLifeBase、BioTrove、FishNet、Fish-Vista和WildFish++等五个视觉数据集，共包含493,387条参考图像记录，用于辅助分类识别。

其中，FishBase/SeaLifeBase包含49,149张图像，覆盖17,379个物种；BioTrove包含190,534张图像，涉及19,586个物种。

物种判断并不是依靠单一模型完成的。这个研究结合了两种方法，一种是比较未知样本与已知分类单元之间的特征相似度，另一种是利用支持向量机（SVM）分类器进行判断。若是图像证据不足，系统就会输出属、科等较高分类等级，不是非得强行给到具体的物种。

这种策略是符合真实生态调查的特点的。因为海洋环境中的图像经常受到浑浊水体、光线变化、遮挡和拍摄角度影响，可靠识别往往需要多个证据共同支持。

▼ 海潮天下·往期相关报道：
给野生动物“刷脸”？新开源AI靠花纹秒认个体，低配设备也能跑
效率提升132倍！AI自动识别野生动物，科研人员终于不用熬夜数斑点了
万物皆可AI？PNAS最新警告：准确率90%，却可能误导生态学

▲上图：物种识别网页界面。©Janati, M. A., Gautier, L., & Barbot, S. (2026). ，原文图5

04

让水下设备具备自己的“知识库”

该研究另一个重要特点是，它把检索增强生成技术（RAG）引入水下生态监测。

该研究团队不依赖云端服务器，它在设备本地建立数据索引系统。图像、视频、科学文献、分类信息以及任务记录，都会被转换为可检索的数据表示，并存储在本地ChromaDB数据库中。

研究人员可以向系统提出问题，例如某段时间内记录到了哪些物种，某个视频序列中是否存在重复出现的生物目标，然后系统就会根据本地数据进行检索、再生成分析结果。

论文还设计了一个多智能体控制框架（multi-agent framework），不同智能体分别负责任务分配、数据分析、能源管理、硬件调整以及报告生成。

其中，能源和传感器管理智能体会根据剩余电量、任务持续时间和设备运行状态调整系统参数，例如改变摄像频率、调整计算周期以及设置事件触发阈值。也就是说，未来的水下观测设备可能会具备一定程度的自主决策能力、不再是简单按照固定程序运行。

©摄影：王敏幹（John MK Wong） | 海潮天下（Marine Biodiversity）

05

从数据采集平台，走向智能观测节点

不过，这项研究目前仍属于原型系统验证。这个论文展示了硬件架构、算法流程以及视觉和声学监测案例，但距离大规模海洋应用仍有距离。

在实际部署中仍存在多个挑战，例如复杂海洋环境下的模型稳定性、不同海域之间的物种识别迁移能力、长期能源供应以及设备维护问题，等等。

不过未来可期，这项研究展示了一条清晰的发展方向，未来水下观测设备可能在现场就能完成数据筛选、初步解释，把真正有价值的信息传回科学家手中。这种变化肯定是意义非凡的。现在全球海洋观测正在进入数据爆炸阶段，如何处理和理解不断增长的影像、声学和环境数据，已成了新的科学挑战。像这类低功耗传感器、边缘人工智能和自主分析系统的结合，正在推动海洋观测从“收集更多数据”走向“产生更及时、更有效的科学信息”。

海潮君·写在最后

过去几十年里，海洋学界始终在续航能力和数据精度之间艰难抉择。大功率设备无法长期自主运行，但轻量化设备又缺乏足够的本地计算能力来做复杂的科学解译。法国海洋开发研究所与IMT大西洋底特律分校研究团队提出的这套分级智能架构，在工程落地层面具有很高的参考价值。

其实从基础科学突破看，这个研究没有提出新的生态理论、也没有改变人类对海洋生命规律的认识，算不得太大的创新。它的重点其实不是重点是“大模型”，它想要解决的是海洋科学中的边缘计算瓶颈问题。深海环境无法复制陆地互联网时代的计算模式。它肯定难以立即改变海洋生物学，不过它针对深海长期观测最核心的能源和通信约束提出了合理架构，战略意义还是比较高的。未来仍需要大量海试验证，特别是在真实深海环境中的长期运行数据。将来，这类设施，肯定会成为未来海洋观测基础设施的一部分。

如果用于海洋生态研究，笔者认为，这类系统最具价值的潜力主要体现在三个方向。一是长期连续的生态监测，能够有效弥补传统人工在特定时段采样时遗漏的时间窗口，捕捉鱼类群落变迁、鲸类活动、珊瑚礁异常、或入侵物种扩散等动态；二是可在极端环境监测下，在深海热液、海山或极地等人类难以频繁进入的高成本区域，凭籍设备自主判断重要事件来降低回收频率。第三是在全球海洋保护区监测方面也很有用，随着BBNJ协定的推进，公海保护区与生态重要区域亟需持续、高频、自动化的数据来支撑保护成效的评估，来解决过去缺乏客观依据的实际困境。

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，目前还是预印版，一睹为快：
Janati, M. A., Gautier, L., & Barbot, S. (2026). Energy Constrained Hierarchical Underwater Monitoring via Local Multi-Agent RAG. arXiv:2607.24313.
https://arxiv.org/abs/2607.24313

【声明】1）本文仅代表资讯，供读者参考，不代表平台观点。2）本文已开启“快捷转载”，欢迎微信公众号转发。如需其他长期授权/白名单，请联系编辑。3）为保证图片准确+真实性，“海潮天下”拒绝AI生成图片。本文所有用图皆真实图片。4）欢迎专家、读者不吝指正、留言、赐稿。

资讯源 | Janati, M. A., Gautier, L., & Barbot, S. (2026)

文 | 王海诗

排版 | 卢晓雨

时间 | 2026年8月4日

联系小编 | editor@oceanbiodiversity.cn

▼海潮天下·往期推荐
❀全球海底首次有了“生态地图”！美国划分250类海底生态单元，1700万个数据点揭开深海新格局
❀2026年全球生物多样性保护的15个新风向
❀深海景观生态学——深渊与超深渊环境下的“4C”理论框架和研究范式
❀极强厄尔尼诺概率升至81%，全球气候迎来一次真正的压力测试
❀瓦尔帕莱索竞选BBNJ秘书处，智利已进入“国家级竞选模式”？
❀国际海底管理局第31届会议理事会第二期会议闭幕
❀BBNJ协定首次公开海洋遗传资源采集计划！北大西洋公海科考即将启动