AI 走進養殖場與森林：當「靠經驗」的產業開始用資料說話
挪威的網箱裡有相機在數魚蝨，芬蘭的森林靠衛星算蓄積量，阿根廷的衛星在燒起來之前就發警報。這篇盤點 AI 在水產、林業與野火監測的真實落地案例，以及台灣的養殖戶與林務單位能學到什麼、又卡在哪裡。
挪威特隆赫姆外海，一座鮭魚網箱底下沉著一台相機。它不是監視器——它在數魚蝨，順便量每一條魚多重。
同一時間，芬蘭的一家鋸木廠正在看一份森林盤查報告。這份報告沒有任何人走進林子裡，資料全部來自衛星與光達。
而在阿根廷，一套系統剛剛對某片林地發出警報。那裡的火還小到沒有人看見。
這三件事看起來毫不相干，但它們共同說明了一件事：AI 正在走進那些最不「科技」的產業，而且方式比想像中務實。
為什麼是這些產業
過去兩年，AI 的討論幾乎全被聊天機器人、生圖與寫程式佔滿。這很合理——那些場景離辦公室最近、示範起來最好看。
但真正有意思的變化發生在別的地方。養魚、種樹、看火，這些產業有幾個共同特徵：資料難蒐集、決策靠老師傅的經驗、錯一次的代價很大。這恰好是電腦視覺與遙測技術最能發揮的組合。
我自己覺得，這一波才是 AI 落地的主戲。
養魚：從「撈起來秤」到「一直在看」
水產養殖最古老的難題是：網箱裡到底有多少魚、每條多重？
傳統做法是抽樣——撈幾條起來秤，再乘上估計的尾數。這件事既傷魚（撈捕會造成緊迫），又不準（抽樣偏差極大），而且不能常做。可是這個數字決定了你要投多少飼料、什麼時候收成、能簽多少訂單。
現在的做法變了。挪威的 OptoScale 把相機沉進水裡，用影像直接估算個體重量與整場生物量，順便追蹤魚蝨數量、游動活性、呼吸頻率與攝食反應。所有資料透過 API 進到既有的養殖場管理系統，不用另開一個孤島。
加拿大的 ReelData 走得更細，專攻陸上循環水養殖。它的 AI Smart Feeding 會判讀魚群的食慾——吃得急就多給、慢下來就收，讓投餵從固定時程變成看反應的即時決策。另外還有 ReelHealth 做疾病早期偵測、ReelStress 把投餵與水質資料串起來找緊迫來源。
而 TidalX 的來歷最特別：它源自 Alphabet 旗下 X Development 實驗室的登月計畫，後來獨立成公司，用會自主移動的水下機器人相機在網箱裡巡航。固定相機只看得到一小塊，移動的能覆蓋整個網箱，樣本代表性差很多。
還有 XpertSea，它從一個更不起眼的痛點起家：蝦苗怎麼數。影像式計數把育苗場的盤點從人工抽樣變成可稽核的數字。
這一段最值得台灣看的，其實是 XpertSea。
台灣白蝦養殖規模不算大但技術密集，育苗場對「苗數準不準」的糾紛其實不少。這種工具的第一個價值往往不是效率，是把買賣雙方的爭議變成一個雙方都認的數字。說穿了，它改變的是產業的信任結構，不只是生產效率。
種樹：不用走進林子的森林盤查
森林盤查傳統上要派人進林子逐區抽樣，一趟就是好幾週，全國性的調查更是好幾年才做得完一輪。
芬蘭的 CollectiveCrunch 用衛星與光達資料加 AI，把這件事變成可以年年更新的常規作業。它的 LINDA 系列分得很細：Inventory 做大範圍蓄積盤查、Bark Beetle 偵測小蠹蟲危害、Biodiversity 評估生物多樣性階段、Scout 供林地收購時評估標的、Storm Damage 從影像辨識風倒木。官方標示預測準確度約 90%，且不需額外派人現地取樣，客戶包含芬蘭的 Metsä Group、Metsähallitus 與瑞典的 Sveaskog。
另一家 Overstory 切的角度完全不同——它服務的不是林業，是電力公司。用衛星與航照影像分析電線旁的植被，告訴電力公司哪一段線路最危險、該先修哪裡，把「按週期全線修剪」換成「按風險排序」。它服務北美前十大電力公司中的六家，並提供 SAIDI 停電指標的影響分析，讓修剪決策直接連到停電時數。
台灣沒有加州那種規模的野火，但每年颱風與豪雨造成的樹倒停電，是實實在在的痛。全線修剪最公平，也最浪費——把有限的班組派去真正危險的那幾公里，這才是資料該做的事。
看火：在有人報案之前
野火最貴的成本不是撲滅，是發現得太晚。
阿根廷的 Satellites On Fire 用衛星熱異常訊號做即時火點偵測，讓使用者設定自己關心的區域邊界並接收警報。公司於 2026 年 4 月完成 270 萬美元種子輪募資，官方表示服務已跨及 21 個國家、逾 55,000 名使用者。
這件事在台灣的討論度很低，但其實有現成的切入點。NASA 的 FIRMS 系統長年提供免費的衛星火點資料，任何人都能下載。問題在於：那是原始資料，你得自己篩選、判讀、設閾值。這類商業服務賣的其實不是偵測技術，是「把訊號變成有人真的會看到並行動的警報」。
台灣的墓地火警、東部林班地火燒、高山火燒，通報仍高度依賴目擊。這中間的落差，技術上早就可以補起來了。
台灣導入卡在哪：三個誠實的觀察
第一，物種與林相對不上。 這是最硬的門檻。所有這些系統的模型都是用北歐的鮭魚、針葉林訓練出來的。台灣的石斑、白蝦、亞熱帶闊葉林，資料分布完全不同。直接搬過來不會準，這不是調參數能解決的，是要重新累積本地資料。
第二，資料要連續累積才有價值。 我看過太多台灣的智慧農漁業計畫，裝了感測器、跑了一年、計畫結束、資料就散了。這些國際案例真正的護城河不是演算法，是十年份的連續資料。台灣缺的通常不是技術，是願意把資料累積三年以上的耐心與制度。
第三，規模決定投報率。 這類系統的效益跟規模高度相關。單一小魚塭省下的飼料錢，撐不起六位數的導入成本。合理的路徑是產銷班或合作社共同導入，或由育苗場、加工廠這類「一對多」的節點先用。
未來三年會怎麼走
我的判斷有三點。
感測會變便宜，模型會變成瓶頸。 相機與感測器的成本會繼續下降，真正稀缺的會是「有標記的本地資料」。誰先累積出台灣石斑的行為資料集，誰就掌握了後面十年的話語權。
保險會成為推力。 這在國際上已經開始了——保險公司對有裝監測系統的養殖場給較優費率，因為理賠風險可量化。台灣的農漁業保險正在擴大，這會是一個被低估的導入誘因。
碳匯會把林業資料化推上檯面。 森林盤查的成本降下來，碳權的討論才有辦法從口號變成試算表。台灣的自然碳匯方法學正在建立，屆時「怎麼證明你的森林吸了多少碳」會直接變成錢的問題。
TheAI學院 總結與評語
寫這篇的時候我一直在想一件事：這些工具都不酷。沒有一個能拿去發表會上做炫技的展示，它們解決的是數魚、量樹、看煙這種聽起來很土的問題。
但正因為土，才真的有人付錢。
評語：AI 最有價值的落地場景，往往在那些「一直靠老師傅的眼睛」的地方。台灣不缺養殖與林業的專業，缺的是把那雙眼睛裡的判斷變成資料的耐心。
給台灣讀者的具體建議：如果你在農漁業或林業相關單位，先別急著問「要買哪一套系統」。先問一個更基本的問題——你手上有沒有連續三年、格式一致的紀錄？ 如果沒有，那第一步不是導入 AI，是先把記錄的習慣建立起來。用 Excel 也好、用手機拍照也好，資料才是這場遊戲真正的門票。
想看更多產業落地的實例，可以延伸閱讀 AI 預測性維護指南，或看看我們整理的 AI 農業與氣候工具。企業端的資料分析起步，中小企業 AI 資料分析指南 講得更完整。
資料來源
依公開資訊整理、以官方為準。各產品的實際表現依現場條件而異，導入前請進行實地驗證。
常見問題
台灣的魚塭可以直接用挪威的養殖 AI 嗎？
不行，至少不能直接用。這些系統的模型主要以鮭魚、虹鱒訓練，台灣養的是石斑、白蝦、吳郭魚，體型與行為完全不同。加上台灣近岸與內陸魚塭的水質能見度遠低於北歐冷水海域，影像辨識的準確度會大打折扣。要導入必須談本地物種的模型調校。
這類系統大概要花多少錢？
多數不公開定價，屬於「硬體加訂閱」的專案模式，單場導入通常是六位數新台幣起跳。判斷值不值得的方法不是看月費，是先算你一年因為估重不準、投餵過量或病害晚發現造成的損失有多少，那才是投報率的分母。
台灣有沒有本土的類似方案？
水試所與部分大學有智慧養殖的研究計畫，民間也有做水質監測與自動投餵的業者，但「用影像估算生物量」這一段的成熟度仍不如國際廠商。比較務實的路徑是本土業者做在地物種的資料累積，技術架構參考國際做法。
森林盤查用衛星真的準嗎？
CollectiveCrunch 官方標示預測準確度約 90%，但那是針對北歐針葉林、且有各國光達資料支撐的結果。台灣是亞熱帶闊葉與混淆林，樹種複雜度高很多，模型必須重新訓練。任何供應商給的單一準確度數字都該當參考值，簽約前要求在你的樣區做對照驗證。
