Pwede bang direktang gamitin sa mga fishpond ng Taiwan ang AI para sa pag-aalaga ng isda mula sa Norway?

Hindi, o kahit paano ay hindi ito direktang magagamit. Ang mga modelo ng mga sistemang ito ay pangunahing sinanay para sa salmon at trout, habang ang inaalagaan sa Taiwan ay grouper (lapu-lapu), puting hipon (white shrimp), at tilapia na may ganap na magkakaibang laki at ugali. Dagdag pa rito, ang visibility ng tubig sa mga coastal at inland fishpond ng Taiwan ay mas mababa kaysa sa malamig na tubig sa hilagang Europe, kaya bababa nang husto ang katumpakan ng image recognition. Kailangang i-adjust at i-fine-tune ang modelo para sa mga lokal na uri ng isda bago ito ma-deploy.

Magkano ba ang karaniwang gastos para sa ganitong mga sistema?

Karamihan ay walang publikong presyo dahil gumagamit sila ng "hardware plus subscription" na modelo ng proyekto, at ang pag-deploy sa isang site ay karaniwang nagsisimula sa anim na digit na NTD pataas. Ang paraan para malaman kung sulit ito ay hindi sa pamamagitan ng buwanang bayarin, kundi sa pag-compute kung magkano ang nawawala sa iyo sa loob ng isang taon dahil sa hindi tamang pagtatantiya ng timbang, labis na pagpapakain (overfeeding), o huling pagka-detect ng sakit—iyon ang magiging basehan ng iyong return on investment (ROI).

Mayroon bang mga lokal na katulad na solusyon sa Taiwan?

Ang Fisheries Research Institute at ilang mga unibersidad ay may mga research project sa smart aquaculture, at mayroon ding mga pribadong kompanya na gumagawa ng water quality monitoring at automated feeding, ngunit ang antas ng kapanahunan (maturity) ng "pag-estimate ng biomass gamit ang imahe" ay hindi pa kasing-unlad ng mga internasyonal na kompanya. Ang mas praktikal na diskarte ay ang pag-iipon ng mga lokal na kompanya ng datos ukol sa mga lokal na species habang ginagabayan ng mga internasyonal na pamamaraan ang teknikal na arkitektura.

Talaga bang tumpak ang paggamit ng satellite para sa forest inventory?

Ipinapakita ng opisyal na datos ng CollectiveCrunch na ang kanilang katumpakan sa hula ay nasa paligid ng 90%, ngunit iyon ay para sa mga coniferous forest sa Northern Europe na sinusuportahan ng LiDAR data mula sa iba't ibang bansa. Ang Taiwan ay may mga sub-tropical broadleaf at mixed forest na mas kumplikado ang mga uri ng puno, kaya kailangang sanayin muli ang modelo. Ang anumang numerong ibinigay ng supplier tungkol sa katumpakan ay dapat ituring na sanggunian lamang, at dapat humiling ng comparative validation sa iyong sample area bago lumagda sa kontrata.

AI sa mga Palaisdaan at Kagubatan: Paano Nagsimulang Magsalita sa Pamamagitan ng Datos ang mga Industriya na Umaasa Lang Dati sa "Karanasan"

Sa mga lambat sa Norway, may mga kamerang nagbibilang ng sea lice; sa mga gubat ng Finland, umaasa sa satellite para kalkulahin ang timber volume; at sa Argentina, nagpapadala na ng babala ang mga satellite bago pa man sumiklab ang sunog. Inilalahad ng artikulong ito ang mga totoong kaso ng paggamit ng AI sa aquaculture, forestry, at pagmonitor ng wildfire, pati na rin ang mga leksyon at balakid na maaari nilang matutunan at kaharapin dito sa Taiwan.

Sa labas ng baybayin ng Trondheim sa Norway, may isang kamera ang nakalubog sa ilalim ng lambat ng salmon. Hindi ito basta CCTV—binibilang nito ang mga kuto ng isda habang sinusukat din ang timbang ng bawat isa.

Kasabay nito, ang isang gilingan ng kahoy o sawmill sa Finland ay tumitingin sa isang ulat ng imbentaryo ng kagubatan. Walang sinumang naglakad sa gubat para gawin ito; ang lahat ng datos ay nagmula sa mga satellite at LiDAR.

At sa Argentina, isang sistema ang naglabas kamakailan ng babala para sa isang partikular na bahagi ng kagubatan. Doon, ang apoy ay napakaliit pa kaya't wala pang nakakakita nito.

Ang tatlong pangyayaring ito ay maaaring mukhang walang kinalaman sa isa't isa, ngunit nagpapakita sila ng iisang bagay: pumapasok na ang AI sa mga industriyang hindi gaanong "high-tech," at ginagawa nila ito sa paraang mas praktikal kaysa sa ating inaasahan.

Bakit sa mga industriyang ito?

Sa nakalipas na dalawang taon, ang mga usapan tungkol sa AI ay halos pinangibabawan ng mga chatbot, pagbuo ng imahe, at coding. Makatuwiran ito—ang mga sitwasyong iyon ang pinakamalapit sa opisina at pinakamagandang i-demostrate.

Ngunit ang tunay na kawili-wiling pagbabago ay nangyayari sa ibang lugar. Pag-aalaga ng isda, pagtatanim ng puno, pagbabantay sa sunog—ang mga industriyang ito ay may ilang magkakatulad na katangian: mahirap mangolekta ng datos, umaasa ang pagdedesisyon sa karanasan ng mga eksperto, at napakalaki ng epekto kapag nagkamali. Ito eksakto ang kombinasyon kung saan pinakamahusay na gumagana ang computer vision at remote sensing teknolohiya.

Sa tingin ko, ang alon na ito ang tunay na pangunahing palabas ng paggamit ng AI.

Pag-aalaga ng Isda: Mula sa "Pag-ahon para Timbangin" hanggang sa "Patuloy na Pag-obserba"

Ang pinakamatandang problema sa aquaculture ay: gaano ba talaga karaming isda ang nasa lambat, at gaano kalaki ang timbang ng bawat isa?

Ang tradisyonal na paraan ay sampling—huhulihin ang ilang isda para timbangin, pagkatapos ay imumultiply sa tinatayang kabuuang bilang. Ang prosesong ito ay nakakasakit sa isda (ang paghuli ay nagdudulot ng stress), hindi tumpak (napakalaki ng sampling bias), at hindi maaaring gawin nang madalas. Gayunpaman, ang numerong ito ang nagpapasya kung gaano karaming pagkain ang ibibigay, kailan mag-aani, at ilang kontrata ang maaaring pirmahan.

Nagbago na ngayon ang pamamaraan. Ang OptoScale mula sa Norway ay naglulubog ng mga kamera sa tubig para direktang tantiyahin ang indibidwal na timbang at kabuuang biomass sa pamamagitan ng imahe, habang sinusubaybayan din ang bilang ng kuto, aktibidad sa paglangoy, bilis ng paghinga, at reaksyon sa pagkain. Lahat ng datos ay pumapasok sa umiiral na sistema ng pamamahala ng palaisdaan sa pamamagitan ng API nang hindi na kailangang magbukas ng hiwalay na isolated system.

Mas detalyado ang ginagawa ng ReelData mula sa Canada, na nagtutok sa land-based recirculating aquaculture systems (RAS). Binabasa ng kanilang AI Smart Feeding ang gana ng mga isda—kung mabilis silang kumain, dinadagdagan ito; kung bumagal, binabawasan, kaya ang pagpapakain ay nagiging real-time na desisyon base sa reaksyon sa halip na nakatakdang iskedyul. Mayroon din silang ReelHealth para sa maagang pagtuklas ng sakit, at ReelStress na nagkokonekta sa datos ng pagpapakain at kalidad ng tubig upang mahanap ang pinagmulan ng stress.

At ang pinakanatatangi ang pinagmulan ay ang TidalX: nagmula ito sa proyekto ng moonshot lab na X Development ng Alphabet bago ito naging hiwalay na kumpanya, na gumagamit ng mga autonomous underwater robot camera para lumibot sa mga lambat. Ang isang nakapirming kamera ay nakakakita lamang ng maliit na bahagi, ngunit ang gumagalaw ay kayang sakupin ang buong lambat, kaya malaki ang diperensya sa pagiging kinatawan ng sample.

Andiyan din ang XpertSea, na nagsimula sa mas simpleng problema: kung paano bilangin ang mga semilya ng hipon. Binabago ng image-based counting ang pag-imbentaryo sa hatchery mula sa manu-manong sampling patungo sa mga bilang na maaaring ma-audit.

Ang bahaging ito ang pinakamahalagang tingnan para sa Taiwan (at sa rehiyon), partikular ang XpertSea.

Ang sukat ng pag-aalaga ng puting hipon sa Taiwan ay hindi gaanong malaki ngunit ito ay intensive sa teknolohiya, at madalas ang mga alitan sa mga hatchery tungkol sa kung tumpak ba ang bilang ng mga semilya. Ang unang halaga ng gayong tool ay hindi palaging kahusayan, kundi ang pagpapalit ng mga hindi pagkakaunawaan sa pagitan ng nagbebenta at bumibili tungkol sa isang numerong pareho nilang tinatanggap. Sa madaling salita, binabago nito ang istruktura ng tiwala sa industriya, hindi lamang ang kahusayan sa produksyon.

Pagtatanim ng Puno: Imbentaryo ng Kagubatan na Hindi Na Kailangang Pumasok sa Gubat

Ang tradisyonal na imbentaryo ng kagubatan ay nangangailangan ng pagpapadala ng mga tao sa gubat upang magsagawa ng sampling sa bawat sona, na tumatagal ng ilang linggo para sa isang biyahe, at ang mga pambansang sarbey ay tumatagal ng ilang taon upang makumpleto ang isang ikot.

Ginagamit ng CollectiveCrunch ng Finland ang satellite at LiDAR data kasama ang AI upang gawing regular na operasyon ang gawaing ito na maaaring i-update taun-taon. Ang kanilang LINDA series ay may malinaw na dibisyon: Ginagamit ang Inventory para sa malawakang imbentaryo ng volume, Bark Beetle para makita ang pinsala ng mga salagubang, Biodiversity para suriin ang yugto ng biodiversity, Scout para suriin ang mga target kapag bumibili ng lupa, at Storm Damage para makilala ang mga natumbang puno mula sa mga imahe. Ang opisyal na tinatayang katumpakan ay humigit-kumulang 90%, at hindi na kailangang magpadala ng karagdagang tao para sa field sampling. Kabilang sa kanilang mga kliyente ang Metsä Group at Metsähallitus ng Finland, at Sveaskog ng Sweden.

Iba naman ang direksyon ng Overstory—ang pinaglilingkuran nila ay hindi forestry kundi mga kumpanya ng kuryente (utilities). Gumagamit sila ng mga imahe mula sa satellite at aerial para suriin ang mga halaman malapit sa mga linya ng kuryente, at sinasabi sa mga kumpanya ng kuryente kung aling bahagi ng linya ang pinakamapanganib at kung alin ang dapat unahing ayusin, kaya pinapalitan ang "scheduled full-line trimming" ng "risk-ranked prioritization." Pinaglilingkuran nila ang anim sa sampung pinakamalaking kumpanya ng kuryente sa North America, at nagbibigay sila ng pagsusuri sa epekto ng mga sukatan ng pagkawala ng kuryente tulad ng SAIDI, na nag-uugnay sa mga desisyon sa pagputol ng puno nang direkta sa mga oras ng blackout.

Ang pagpuputol ng mga puno dahil sa mga bagyo at malalakas na ulan na nagiging sanhi ng pagkawala ng kuryente ay isang tunay na problema. Ang paggupit sa buong linya ay patas, ngunit ito rin ay nasasayang—ang pagpapadala ng mga limitadong tauhan sa mga kilometrong iyon na talagang mapanganib ang dapat ginagawa ng datos.

Pagbabantay sa Sunog: Bago Pa Man May Mag-ulat

Ang pinakamahalagang gastos sa mga sunog sa gubat ay hindi ang pagapatay nito, kundi ang huli masyadong pagkakadiskubre.

Ang Satellites On Fire sa Argentina ay gumagamit ng mga thermal anomaly signal mula sa satellite para sa real-time na pagtuklas ng sunog, na nagbibigay-daan sa mga gumagamit na magtakda ng mga hangganan ng rehiyon na kinagigiliwan nila at makatanggap ng mga alerto. Natapos ng kumpanya ang kanilang $2.7 milyon na seed funding round noong Abril 2026, at ayon sa opisyal, umabot na ang kanilang serbisyo sa 21 bansa at mahigit 55,000 gumagamit.

Ang paksang ito ay hindi gaanong pinag-uusapan sa ilang lugar, ngunit sa katunayan ay may madaling paraan upang makapasok dito. Ang sistema ng FIRMS ng NASA ay matagal nang nagbibigay ng libreng datos ng sunog mula sa satellite na maaaring i-download ng sinuman. Ang problema ay: ito ay hilaw na datos, kaya kailangan mong i-filter, basahin, at magtakda ng mga threshold nang mag-isa. Ang binibili sa mga komersyal na serbisyong ito ay hindi ang teknolohiya ng pagtuklas, kundi ang "pagpapalit ng mga signal sa mga alerto na talagang makikita at aaksyunan ng isang tao."

Ang pag-uulat ng mga sunog sa mga sementeryo, kabundukan, at kagubatan ay lubhang umaasa pa rin sa pagkakataong makita ito ng isang tao. Ang agwat na iyon ay maaaring punan ng teknolohiya noon pa man.

Ano ang Pumipigil sa Paggamit Nito: Tatlong Matapat na Obserbasyon

Una, hindi tumutugma ang mga uri ng species at kagubatan. Ito ang pinakamahirap na hadlang. Ang mga modelo ng lahat ng sistemang ito ay sinanay gamit ang salmon at coniferous forests ng Northern Europe. Ang mga lokal na isda, hipon, at subtropical broadleaf forests ay may ganap na magkaibang pamamahagi ng datos. Ang direktang pagdadala nito ay hindi magiging tumpak, at hindi ito malulutas sa pamamagitan lamang ng pagsasaayos ng mga parameter; nangangailangan ito ng muling pag-iipon ng lokal na datos.

Pangalawa, ang datos ay kailangang patuloy na maipon upang magkaroon ng halaga. Marami na akong nakitang mga proyektong smart agriculture at aquaculture na nagkabit ng mga sensor, tumakbo sa loob ng isang taon, natapos ang proyekto, at kumalat ang datos. Ang tunay na moats ng mga internasyonal na kasong ito ay hindi ang mga algorithm, kundi ang sampung taon ng tuluy-tuloy na datos. Ang madalas na kulang ay hindi ang teknolohiya, kundi ang pasensya at sistema na mag-ipon ng datos nang higit sa tatlong taon.

Pangatlo, ang sukat ang nagpapasya sa return on investment (ROI). Ang mga benepisyo ng mga sistemang ito ay lubos na nauugnay sa sukat. Ang natipid na pagkain mula sa iisang maliit na palaisdaan ay hindi kayang tustusan ang anim na digit na gastos sa pag-install. Ang makatwirang landas ay ang sama-samang pagpapatupad ng mga kooperatiba, o ang paggamit muna ng mga "one-to-many" na node tulad ng mga hatchery o processing plant.

Ano ang Mangyayari sa Susunod na Tatlong Taon

Mayroon akong tatlong hinaharap na pagtatasa.

Ang mga sensor ay magiging mas mura, at ang mga modelo ang magiging bottleneck. Patuloy na bababa ang presyo ng mga kamera at sensor, at ang tunay na magiging mahirap makuha ay ang "may-label na lokal na datos." Kung sino ang unang makaipon ng dataset ng lokal na ugali ng isda ang magkakaroon ng kapangyarihan sa pagsasalita sa susunod na dekada.

Ang seguro (insurance) ang magiging tulak. Nagsisimula na ito sa internasyonal na antas—nagbibigay ang mga kumpanya ng seguro ng mas magandang porsyento sa mga palaisdaang may mga monitoring system dahil masusukat ang panganib ng paghahabol (claim). Habang lumalawak ang agrikultural at mangingisda na seguro, magiging hindi napapansing insentibo ito sa paggamit.

Dadalhin ng carbon sinks ang data-driven forestry sa unahan. Kapag bumaba ang gastos sa imbentaryo ng kagubatan, ang usapan tungkol sa mga carbon credit ay lilipat mula sa mga slogan patungo sa mga spreadsheet. Habang itinatatag ang mga pamamaraan ng natural carbon sink, ang tanong na "paano patunayan kung gaano karaming carbon ang sinipsip ng iyong kagubatan" ay direktang magiging usapin ng pera.

Buod at Puna ng TheAI學院

Habang isinusulat ko ito, may isang bagay na patuloy kong iniisip: ang mga tool na ito ay hindi cool. Walang anuman dito na maaaring dalhin sa isang conference para sa isang magandang pagtatanghal; ang kanilang nilulutas ay mga problemang mukhang mababa tulad ng pagbilang ng isda, pagsukat ng puno, at pag-obserba sa usok.

Ngunit dahil ito ay praktikal at nakatutok sa lupa, may mga taong talagang nagbabayad para dito.

Puna: Ang pinakamahalagang sitwasyon kung saan nagagamit ang AI ay madalas na matatagpuan sa mga lugar na "umaasa lamang sa mga mata ng mga eksperto noon pa man." Ang hindi kulang ay ang propesyonalismo sa agrikultura at kagubatan, kundi ang pasensya na gawing datos ang paghuhusga sa mga matang iyon.

Isang tiyak na mungkahi para sa mga mambabasa: kung ikaw ay nasa mga kaugnay na sektor ng agrikultura, pangingisda, o kagubatan, huwag munang magmadaling magtanong kung "alagang sistema ang dapat bilhin." Magtanong muna ng mas pangunahing tanong—mayroon ka bang tuluy-tuloy na tatlong taon ng mga talaan na may pare-parehong format? Kung wala, kung gayon ang unang hakbang ay hindi ang pagpapakilala ng AI, kundi ang pagtatatag muna ng ugali ng pagtatala. Kahit sa paggamit ng Excel o pagkuha ng larawan gamit ang telepono, ang datos ang tunay na tiket sa larong ito.

Para sa higit pang mga halimbawa ng pagpapatupad sa industriya, maaari mong basahin ang Gabay sa Predictive Maintenance ng AI, o tingnan ang aming naipon na Mga Tool sa AI para sa Agrikultura at Klima. Para sa pagsisimula ng pagsusuri ng datos sa antas ng enterprise, mas detalyadong tinatalakay ito sa Gabay sa Pagsusuri ng Datos ng AI para sa mga SMB.

Pinagmulan ng Datos

Inayos ayon sa pampublikong impormasyon at batay sa opisyal na pinagmulan. Ang aktwal na pagganap ng bawat produkto ay nag-iiba ayon sa mga kondisyon sa site; mangyaring magsagawa ng on-site verification bago i-deploy.