每天，海上都会产生大量图像与信号数据，来源包括声纳、浮标、卫星以及安装在船只上的摄像头。人工智能（AI）已被用于解读这些信息，例如实时识别海豚以降低误捕风险、估算生物多样性指标，或自动识别渔船捕获物种并改进渔业管理模型。随着相关应用扩展，如何在海洋健康面临压力的背景下评估并建立对AI判断的信任，成为研究关注的重点。

由西班牙AZTI海洋与食品研究中心牵头、德国莱布尼茨热带海洋研究中心（ZMT）参与的欧洲研究团队提出一套框架，旨在确立海洋人工智能“可靠、伦理且科学严谨”的基本路径。研究成果以《迈向可信赖的海洋研究、渔业及环境管理人工智能》为题发表于《Fish and Fisheries》。研究指出，尽管全球AI应用增长迅速，但海洋领域的全球治理仍较为分散，各地区监管方式存在差异。

AZTI的AI专家、论文第一作者José A. Fernandes表示，处理来自摄像头、声纳到卫星观测等海量海洋数据的AI算法使用量显著增加，但实际效果并不总能达到预期；在AI已成为渔业与海洋研究现实工具的情况下，关键在于明确“可以在多大程度上信任这些算法”，并通过科学、伦理与行业参与来建立可信赖性。

研究同时列举了潜在风险。在渔业场景中，船载摄像系统可用于自动捕捞监测，但若缺乏专家标注训练数据，或图像采集未覆盖不同光照条件，系统可能将外观相近物种混淆。另一方面，基于不完整或存在偏差的数据建立的鱼类丰度预测模型可能失效，进而导致对种群真实状况的误判。

研究认为，当自动化工具的决策过程不透明，或未能反映海上工作人员的实际经验时，行业内部可能出现抵触情绪。因此，在可能影响生态系统、渔业社区与公共政策的应用中，质量、透明度与严格验证标准尤为重要。

该框架围绕三大支柱展开。第一支柱聚焦社会经济与法律可行性，强调AI的开发与使用应对海洋领域各类参与者开放，包括小规模与手工渔业，并符合国际及区域法规要求，例如欧盟最新的AI法规，以提升全球实施的一致性与公平性。研究强调，更有效的工具往往是在利益相关者直接参与下设计，而非仅“为他们”设计，以提高社会接受度、融入地方知识并减少抵触。

第二支柱涉及数据的伦理治理。研究指出，AI有效运行依赖多样、干净、可追溯且负责任管理的数据集，并建议对海洋数据应用FAIR、CARE和TRUST原则：FAIR强调数据可查找、可访问、可互操作和可重用；CARE强调集体利益、控制权、责任与伦理；TRUST涵盖透明度、责任、用户导向、可持续性与技术管理。研究认为，这有助于确保图像、传感器信号或监测记录等信息与生成它们的社区相兼容并得到尊重，同时实现长期保存。作者并指出，良好的数据治理是实现数据全生命周期透明度、可重复性与问责制的基础。

第三支柱关注技术稳健性与科学验证。研究提出，AI需要在真实海洋环境中证明可靠性，而非仅在受控环境下表现良好；应使用独立数据对模型进行验证，应用统计测试，并将结果与现场测量进行比较。例如，可将自动捕捞分析与人工港口采样对照以识别差异，通过交叉验证确保算法反映现实，从而提供可用于管理的工具。

研究团队表示，该框架的潜在影响覆盖科学界、管理机构、渔业部门及公众。在海洋研究方面，该指导可为AI模型开发与基准测试提供一致标准，提升可比性，并加快对生态系统健康与气候影响的洞察。在渔业与环境管理方面，框架旨在增强决策支持系统的可靠性，应用场景包括配额分配、海洋空间规划以及非法捕捞监控等。研究同时提到，经过妥善验证的模型与良好治理的数据可用于优化航线、减少排放并提升可追溯性。

葡萄牙科英布拉大学研究员、共同作者Catarina Silva表示，当AI用于指导影响海洋生态系统与生计的决策时，易用性、透明度与验证至关重要；该框架提供了实用指导，以确保AI强化科学证据与海洋领域的信任。

ZMT渔业生物学家、论文资深作者Julian Lilkendey则指出，监管AI将成为当代治理的重要挑战之一。他表示，在海洋领域，数据与决策会塑造生态系统与社会，AI需要在“人类判断与机器精准”之间发挥桥梁作用；只有将伦理治理、科学验证与社会包容结合起来，才能确保AI强化而非取代人类作出明智海洋决策的能力。