AI 走进养殖场与森林：当「靠经验」的产业开始用资料说话

挪威特隆赫姆外海，一座鲑鱼网箱底下沉着一台相机。它不是监视器——它在数鱼虱，顺便量每一条鱼多重。

同一时间，芬兰的一家锯木厂正在看一份森林盘查报告。这份报告没有任何人走进林子里，资料全部来自卫星与光达。

而在阿根廷，一套系统刚刚对某片林地发出警报。那里的火还小到没有人看见。

这三件事看起来毫不相干，但它们共同说明了一件事：AI 正在走进那些最不「科技」的产业，而且方式比想像中务实。

为什么是这些产业

过去两年，AI 的讨论几乎全被聊天机器人、生图与写程式占满。这很合理——那些场景离办公室最近、示范起来最好看。

但真正有意思的变化发生在别的地方。养鱼、种树、看火，这些产业有几个共同特征：资料难搜集、决策靠老师傅的经验、错一次的代价很大。这恰好是电脑视觉与遥测技术最能发挥的组合。

我自己觉得，这一波才是 AI 落地的主戏。

养鱼：从「捞起来秤」到「一直在看」

水产养殖最古老的难题是：网箱里到底有多少鱼、每条多重？

传统做法是抽样——捞几条起来秤，再乘上估计的尾数。这件事既伤鱼（捞捕会造成紧迫），又不准（抽样偏差极大），而且不能常做。可是这个数字决定了你要投多少饲料、什么时候收成、能签多少订单。

现在的做法变了。挪威的 OptoScale 把相机沉进水里，用影像直接估算个体重量与整场生物量，顺便追踪鱼虱数量、游动活性、呼吸频率与摄食反应。所有资料透过 API 进到既有的养殖场管理系统，不用另开一个孤岛。

加拿大的 ReelData 走得更细，专攻陆上循环水养殖。它的 AI Smart Feeding 会判读鱼群的食欲——吃得急就多给、慢下来就收，让投喂从固定时程变成看反应的即时决策。另外还有 ReelHealth 做疾病早期侦测、ReelStress 把投喂与水质资料串起来找紧迫来源。

而 TidalX 的来历最特别：它源自 Alphabet 旗下 X Development 实验室的登月计划，后来独立成公司，用会自主移动的水下机器人相机在网箱里巡航。固定相机只看得到一小块，移动的能覆盖整个网箱，样本代表性差很多。

还有 XpertSea，它从一个更不起眼的痛点起家：虾苗怎么数。影像式计数把育苗场的盘点从人工抽样变成可稽核的数字。

这一段最值得台湾看的，其实是 XpertSea。

台湾白虾养殖规模不算大但技术密集，育苗场对「苗数准不准」的纠纷其实不少。这种工具的第一个价值往往不是效率，是把买卖双方的争议变成一个双方都认的数字。说穿了，它改变的是产业的信任结构，不只是生产效率。

种树：不用走进林子的森林盘查

森林盘查传统上要派人进林子逐区抽样，一趟就是好几周，全国性的调查更是好几年才做得完一轮。

芬兰的 CollectiveCrunch 用卫星与光达资料加 AI，把这件事变成可以年年更新的常规作业。它的 LINDA 系列分得很细：Inventory 做大范围蓄积盘查、Bark Beetle 侦测小蠹虫危害、Biodiversity 评估生物多样性阶段、Scout 供林地收购时评估标的、Storm Damage 从影像辨识风倒木。官方标示预测准确度约 90%，且不需额外派人现地取样，客户包含芬兰的 Metsä Group、Metsähallitus 与瑞典的 Sveaskog。

另一家 Overstory 切的角度完全不同——它服务的不是林业，是电力公司。用卫星与航照影像分析电线旁的植被，告诉电力公司哪一段线路最危险、该先修哪里，把「按周期全线修剪」换成「按风险排序」。它服务北美前十大电力公司中的六家，并提供 SAIDI 停电指标的影响分析，让修剪决策直接连到停电时数。

台湾没有加州那种规模的野火，但每年台风与豪雨造成的树倒停电，是实实在在的痛。全线修剪最公平，也最浪费——把有限的班组派去真正危险的那几公里，这才是资料该做的事。

看火：在有人报案之前

野火最贵的成本不是扑灭，是发现得太晚。

阿根廷的 Satellites On Fire 用卫星热异常讯号做即时火点侦测，让使用者设定自己关心的区域边界并接收警报。公司于 2026 年 4 月完成 270 万美元种子轮募资，官方表示服务已跨及 21 个国家、逾 55,000 名使用者。

这件事在台湾的讨论度很低，但其实有现成的切入点。NASA 的 FIRMS 系统长年提供免费的卫星火点资料，任何人都能下载。问题在于：那是原始资料，你得自己筛选、判读、设阈值。这类商业服务卖的其实不是侦测技术，是「把讯号变成有人真的会看到并行动的警报」。

台湾的墓地火警、东部林班地火烧、高山火烧，通报仍高度依赖目击。这中间的落差，技术上早就可以补起来了。

台湾导入卡在哪：三个诚实的观察

第一，物种与林相对不上。 这是最硬的门槛。所有这些系统的模型都是用北欧的鲑鱼、针叶林训练出来的。台湾的石斑、白虾、亚热带阔叶林，资料分布完全不同。直接搬过来不会准，这不是调参数能解决的，是要重新累积本地资料。

第二，资料要连续累积才有价值。 我看过太多台湾的智慧农渔业计划，装了感测器、跑了一年、计划结束、资料就散了。这些国际案例真正的护城河不是演算法，是十年份的连续资料。台湾缺的通常不是技术，是愿意把资料累积三年以上的耐心与制度。

第三，规模决定投报率。 这类系统的效益跟规模高度相关。单一小鱼塭省下的饲料钱，撑不起六位数的导入成本。合理的路径是产销班或合作社共同导入，或由育苗场、加工厂这类「一对多」的节点先用。

未来三年会怎么走

我的判断有三点。

感测会变便宜，模型会变成瓶颈。 相机与感测器的成本会继续下降，真正稀缺的会是「有标记的本地资料」。谁先累积出台湾石斑的行为资料集，谁就掌握了后面十年的话语权。

保险会成为推力。 这在国际上已经开始了——保险公司对有装监测系统的养殖场给较优费率，因为理赔风险可量化。台湾的农渔业保险正在扩大，这会是一个被低估的导入诱因。

碳汇会把林业资料化推上台面。 森林盘查的成本降下来，碳权的讨论才有办法从口号变成试算表。台湾的自然碳汇方法学正在建立，届时「怎么证明你的森林吸了多少碳」会直接变成钱的问题。

TheAI学院 总结与评语

写这篇的时候我一直在想一件事：这些工具都不酷。没有一个能拿去发表会上做炫技的展示，它们解决的是数鱼、量树、看烟这种听起来很土的问题。

但正因为土，才真的有人付钱。

评语：AI 最有价值的落地场景，往往在那些「一直靠老师傅的眼睛」的地方。台湾不缺养殖与林业的专业，缺的是把那双眼睛里的判断变成资料的耐心。

给台湾读者的具体建议：如果你在农渔业或林业相关单位，先别急着问「要买哪一套系统」。先问一个更基本的问题——你手上有没有连续三年、格式一致的纪录？ 如果没有，那第一步不是导入 AI，是先把记录的习惯建立起来。用 Excel 也好、用手机拍照也好，资料才是这场游戏真正的门票。

想看更多产业落地的实例，可以延伸阅读 AI 预测性维护指南，或看看我们整理的 AI 农业与气候工具。企业端的资料分析起步，中小企业 AI 资料分析指南 讲得更完整。

资料来源

• OptoScale 官方网站
• CollectiveCrunch 官方网站
• Overstory 官方网站

依公开资讯整理、以官方为准。各产品的实际表现依现场条件而异，导入前请进行实地验证。