在北大西洋某处，水面以下一千多米深的海底，一片冷水珊瑚礁横跨一座未被标注的海山。尽管未出现在海图上，这片“水下森林”已存在数百年，年生长速度约为一到两厘米，并为数十种依赖其栖息与觅食的物种提供环境。

相关研究人员指出，这类生态系统曾经经历冰河时代，但在工业捕鱼、深海采矿以及气候变化等压力增加的背景下，其能否持续存在在一定程度上取决于数据获取与识别能力：如果无法确认其分布与状态，保护措施也难以落地。

在此背景下，一个名为Deep Vision的新项目提出，通过挖掘全球研究档案中大量尚未被充分审视的图片和视频，借助人工智能对数千小时海底影像进行分析，进而绘制大西洋盆地脆弱海洋生态系统的首批综合地图。项目所依赖的影像主要来自过去二十年间机器人与自主水下航行器在深海调查中积累的资料。

项目团队表示，深海影像虽是记录人类难以直接观察生态系统的重要资源，但现实难点在于分析效率：现有影像中不到一半被处理过。以一次潜水拍摄为例，训练有素的人工分析师可能需要两个月才能完成影像解读；当潜水次数达到数千次时，大量信息长期处于“未解锁”状态。

研究人员在2022年发表的研究显示，人工智能模型可在不到十天内分析超过58,000张深海图像，并据此绘制东北大西洋约1200米深处一种脆弱的异形原生生物分布图。该生物为巨大单细胞生物，被认可为脆弱海洋生态系统的指标之一。研究称，原本需要人工分析师数月完成的工作可在数天内完成。

除速度外，研究人员还强调一致性优势：即便是专业分析师，对同一标本的分类也可能存在差异，甚至同一人在不同时间的判断也可能变化。机器同样会出错，但其错误模式更一致，因而更便于识别、纠正并在后续分析中加以考虑。

Deep Vision项目的重点对象是被称为“脆弱海洋生态系统指标类群”的生物，包括深海珊瑚和海绵等。研究人员将其比作深海中的“森林”：在缺乏植物提供栖息地的环境里，这些动物承担了结构性栖息地的功能，并被视为关键物种，一旦移除可能导致生态系统崩溃。

在从影像中提取生物多样性观测数据后，项目下一步将构建栖息地适宜性模型，即通过预测性地图将对特定摄像机调查点位的认识扩展到更广区域。研究团队表示，高分辨率栖息地适宜性模型可作为空间管理工具，为海洋保护区选址等决策提供依据，但模型表现仍高度依赖底层海底数据质量。

研究人员同时指出，深海海绵等生物在关键养分循环与碳循环中发挥作用，而这与更广泛的生态过程相关。其观点认为，海洋作为地球生命支持系统的重要组成部分，有效管理依赖于对海洋物种与生态系统的尽可能充分理解。

项目团队称，若Deep Vision在大西洋取得进展，其方法有望复制到其他海洋盆地。太平洋、印度洋和南极海域同样面临数据不足与广阔未探索区域的挑战。

本文转载自The Conversation，采用知识共享许可协议。