科研革命还是“闭门造车”?AI时代,脱离野外调查,科研依然成立?

本篇《自然》长文共6784字，干货满满，预计阅读时间21分钟，时间不够建议可以先“浮窗”或者收藏哦。

全文要点速览：

• 生态学研究转向室内：一位博士不用野外考察，靠百万数据破解了生态谜题——植物花期如何应对全球变暖。

• “零接触”研究是如何发生的：数据的完善和AI技术使之成为可能，科研资助导向、职业发展压力构成了系统性因素。

• 争议与担忧：部分科学家意识到了“经验消亡”的风险，训练数据可能有偏差、验证环节不可替代。

• 兼收并蓄或是未来：数据分析与野外调查既可以是个人不同的选择，也可以是复合型人才的必备技能。

原文作者：Aisling Irwin

Tadeo Ramirez-Parada攻读博士学位期间主要研究植物花期，但他一片花瓣也没碰过。他开发了一套机器学习算法，通过分析100万份植物标本的文字说明，揭示了全球变暖背景下植物花期的变化。

Ramirez-Parada的研究，破解了生态学领域的一个重要谜题：面对气温升高，植物通过调整花期来应对，而非依靠自然选择来适应环境[1]。不过截至目前，Ramirez-Parada的研究几乎完全依托计算机完成。这位毕业于美国加州大学圣芭芭拉分校的博士说，“我几乎没做什么实验或野外调查。”

Ramirez-Parada的研究模式，是生态学领域正在发生的一场变革的缩影。如今，科学家无论是分析数字化标本、野外生态影像、DNA样本，还是传感器传回的监测数据，许多研究工作都在室内开展。

这些技术构建起全新的生态监测体系，其时间、空间及规模都远胜往昔。法国索邦大学海洋观测站（Sorbonne University Ocean Observatory）的海洋学家Marc Besson在2022年一篇论文中指出，我们将逐步实现对“生态群落的全自动监测”[2]。

很多生态学家认为，这场技术革命为深入了解生物多样性危机、揭示全球环境变化规律提供了前所未有的可能。

然而，也有一些生态学者对此感到忧虑。他们认为，生态学与其研究对象的密切关系正在弱化。野外经验正在减退，将导致结果出现误差、偏倚或过度简化。英国剑桥大学生物保护领域研究者Bill Sutherland直言：“如果足不出户就能成为生态学家，我们将失去对真实自然世界的感觉。”

生态学家与其它领域的科学家一样，都在努力探索如何充分利用海量数据。

过去几十年间，世界各地的自然历史博物馆和植物标本馆已完成超过10亿件标本的数字化工作，部分标本还附有DNA记录。

与此同时，公民科学家和研究者持续向iNaturalist等数据库提供观察记录，累积数量数以亿计。这些记录也被全球生物多样性信息机构（Global Biodiversity Information Facility）这一自然历史中心数据库收录。

此外，各种传感器也在持续提供数据，包括相机陷阱（有物体移动时会自动触发拍照）、麦克风、动物追踪器、无人机、卫星和DNA采样器等。这类传感器可自动运行数年之久。过去，布放在偏远地区的相机陷阱终会因电量耗尽停止工作；如今，这类设备的能耗极低，可依靠太阳能或风能持续运行。此外，带宽也不再是数据24小时不间断传输的障碍。

计算机科学的发展同样令人瞩目[3]。人工智能系统不仅能从数据中识别物种，还被应用于构建物种分布模型和谱系树等更复杂的任务。一些生态学家预测，基于海量数据训练可生成新内容的生成式人工智能，很快就能构建更复杂的模型，助力人类深入理解生态过程，预测物种对环境变化的响应。

美国俄亥俄州立大学的计算生态学家Tanya Berger-Wolf介绍，目前至少有100个实验室将其研究归类为“为自然服务的人工智能”。这种技术的应用已取得初步成果。欧洲CamAlien项目利用具备机器学习处理能力的高分辨率相机追踪入侵物种。这种相机被安装在汽车、船只和火车上，在移动过程中快速拍摄道路和轨道两侧的照片，通过实时图像分析识别外来入侵物种，将警报上传至覆盖欧洲全境的在线地图。

丹麦奥胡斯大学生态学家Toke Thomas Høye参与了CamAlien的开发工作。他指出，该系统表明，短短数年内融合人工智能的新技术已从潜力探索阶段进入实际应用阶段。目前约有16个欧洲国家正在试用这项技术，以评估外来入侵物种的分布情况。

与此类似，针对某些昆虫数量急剧减少的问题，有研究团队对原本用于哺乳动物监测的相机陷阱技术进行改进，使其能够识别和监测数量更为庞大的昆虫。Høye指出，昆虫自动监测技术在五年之前尚不存在。得益于人工智能技术的发展，如今科学家已能够通过该技术区分数千种昆虫。

Høye说：“这为我们打开了一扇全新的大门，门后是比相机陷阱过去监测的领域多样性更为丰富的天地。”Høye及其团队认为，昆虫监测工作变得更加便捷、人力成本降低，将有助于揭示全球昆虫种群的生存状况。

另一团队应用麦克风系统，对候鸟由挪威出发、跨越欧洲大陆直至地中海沿岸西班牙的迁徙历程进行深入研究。这一名为TABMON的项目，实现了实时声学信号昼夜不间断传输，再通过人工智能分析工具将其转化为通用的生物多样性指标。

主导麦克风系统设计的英国帝国理工学院（Imperial College London）生态系统感知研究员Sarab Sethi指出：“空间范围覆盖大陆尺度的标准化生态数据非常少见，尤其难得的是，该数据还具备声学信号的高时间分辨率，涉及大量物种，时间跨度长达数年。”目前，该项目尚未发布相关研究结果。

英国埃克塞特大学专注于人与自然关系研究的学者Kevin Gaston说，没有人会否认更多数据与细节的价值，但这一趋势也有副作用——野外调查日渐式微。

2025年3月，Gaston与东京大学研究人与自然互动缺失问题的学者曾我昌史（Masashi Soga）联合发表论文[4]，提出“经验消亡”问题，即以野外调查为基础的科研和教学活动普遍减少，继而影响生态学研究的深度。他们还指出其它危害，例如科研人员与当地社区的互动协作逐渐减少，而这种联动对于生态保护工作至关重要。

还有学者对“人工智能殖民主义”现象表示担忧。这一现象是指远程收集经济欠发达国家数据，随后直接传输至其它地区设备完善的实验室进行分析。

目前尚无量化数据能够佐证或反驳Gaston和Soga的观点。一项针对1980至2014年期间发表的生态学研究的分析[5]显示，基于野外调查的研究（在研究总数中的占比）下降了20%，而建模与数据分析类研究分别增长了600%与800%。不过需要注意的是，这些数据反映的是相对比例变化而非绝对数量的增减，且该数据集的时间范围截止于十多年前。

有迹象表明，Gaston和Soga的论文确实触到了学界的某些痛处。论文发表后，已有多个科研团队在研究中援引该论文，警示野外调查的缺失阻碍了独居蜜蜂和恐龙化石等诸多领域的研究进程。

有些传闻证据表明，越来越多的计算机学家投身生态学领域。他们满怀热忱，希望凭借自身技术专长为生态研究助力，但缺乏野外调查经验。计算生态学领域的奠基人Berger-Wolf就是这种情况。她的博士研究方向为理论计算机科学，因丈夫是生态学家，她得以经常与生态学领域的研究者交流。交流之后，她总会产生这样的想法：“一定有别的方法可以解答这个问题。”

Berger-Wolf于2003年开始转变研究方向，2005年着手开发动态网络分析算法，用于解析肯尼亚塞伦盖蒂草原斑马种群的社会互动模式。从事野外调查的同事多次邀请她实地考察，但均被她拒绝：“我是个城市女孩，讨厌尘土和虫子。我的回答是：‘不必了，屏幕上的数据就够漂亮了。’”

Sethi也是跨界投身生态学的研究者，其专业背景为工程学。2016年，他决定将自己的博士研究工作聚焦于生态学声学监测领域，但这位承认自己是“都市人”的研究者，很快在马来西亚婆罗洲的雨林中陷入困境。

Sethi笑着回忆道：“我现在意识到自己当时做了一件极其愚蠢的事——我想开发一项新技术，却把首次应用的地点选在了地球另一端的热带雨林。”第一晚，他躺在高脚屋漆黑的蚊帐里辗转难眠，而同行的生态学家们却在雨林的各种动静中酣然入睡。他至今仍记得当时的想法：“天啊，玩笑开过头了吧？”如今的他十分珍视野外调查经历，但工作重心大多在实验室里。

也有生态学家走上这条路，从野外研究转向大数据领域。加拿大麦吉尔大学（McGill University）的Laura Pollock起初从事生态学野外调查，先是在美国路易斯安那州新奥尔良的沼泽地带工作，后赴澳大利亚偏远山区。她意识到生态学家需要提升数据分析能力。如今，她运用机器学习技术，为不同环境的生物多样性构建预测模型。

“我现在很少再去野外，”她说，“我也在寻找机会，但这确实很难，因为技术发展催生了海量数据，我们需要懂数据科学的人来分析。”

不过Besson在拥抱科技的同时，也没有缩减野外工作时间。他表示，自己投入野外的时间，与自动化技术出现前持平。“我用自己的眼睛观察、耳朵聆听，也用相机和水听器捕捉各类信息。当我需要返回实验室或者睡觉时，这些设备可以继续在野外工作。”

Gaston认为，还有许多系统性因素促使生态学家转向室内开展研究。

尽管现有统计数据并未对资助野外调查和实验室研究的经费加以区分，但学界普遍感觉支持野外调查的资助正在减少。尤其是从事长期生态研究的科学家，他们表示现在很难获得资金支持。

野外调查减少的原因还包括：更多研究机构选址于城市；越来越多的科学家因需要照顾子女，难以参与长期或远距离的野外调查；许多人认为有必要减少碳足迹；还有人则希望避免到其它国家进行“直升机式”科研，去做当地科学家就能做的调查。

Sutherland指出，还有一个重要问题：要发表助力个人学术发展的论文，快捷途径是分析现有数据，而非亲自采集数据。

他说，“如果你在读博期间，把所有时间都投入野外调查，而身边的同行[从一开始就]专注于数据挖掘。”三年后，他们可能已经在排名日渐上升的期刊上发表了论文，“而你还在亚马孙河里抓鱼”。

“一看你的论文，因为是案例研究，可能登不了权威期刊。”

还有生态学家说，他们曾得到这样的建议：不要太依赖野外调查，这不是获得终身教职的稳妥路径[6]。

Ramirez-Parada也认同，大规模数据分析因其新颖性更容易获得关注。“这类研究确实光鲜亮丽，能够得到高影响力期刊的青睐，但我想大家对此都有点看不上，甚至从事这方面工作的人也不例外。”

无论是专注计算还是野外调查，许多顶尖生态学家都认为，低估野外调查工作，可能使整个生态学研究严重偏离正轨。一个显而易见的原因是，算法需要训练数据，而高质量训练数据的产生，需要熟悉物种特性且能发现新物种的野外调查专家。

Sethi开展声学监测工作的头几年，曾认为这能为评估生物多样性开辟一条捷径。传统方法需要为算法提供大量将声音与特定物种相关联的数据，而这需要耗时费力的野外调查。因此，他尝试了一种自上而下的方法，即根据整体声景推断一个地区的生物多样性水平。

随着越来越多的生态学家关注这一方法，Sethi却开始担心方法的可靠性。他的团队利用一些大型数据集对两种方法进行比较，得出结论：必须使用在研究地点实地采集的数据进行验证，这一环节至关重要[7]。他说：“不同地区的生物多样性，其声景特征截然不同，所以你不能跳过校准和验证环节。”

Sethi说，如果没有野外调查的经验，他可能会忽视这一关键认知。“我亲眼见过，大自然有太多细节根本没有被记录下来，更谈不上达到可以通过自动化装置进行感知、记录的程度。”

野外调查数据至关重要但却十分匮乏。尽管公民科学家收集了大量数据，但这些数据往往来自高收入国家、城市边缘地区以及容易被发现的物种。Berger-Wolf指出，这些数据“存在严重偏差”。我们还需要关于“罕见物种、未被观测到的物种以及生态系统边缘物种”的数据。

在专注于斑马研究三年后，Berger-Wolf终于踏上塞伦盖蒂草原，意识到野外调查的价值。她惊讶于参与野外调查的科学家能够透过斑马社会生活的复杂表象，提炼出发送给她的那些核心数据。他们如何区分不同的斑马群体，弄清楚哪些雌性与哪些雄性是伴侣，或者哪些个体互为朋友？

她说：“我之前的所有假设都是错的。我看到生物学的复杂全貌，认识到‘我们得重新设计自己的分析方法。’”这次经历也让她坚定了一个想法：下一代计算生态学家必须具备野外调查经验。塞伦盖蒂之行结束后不到两年，她就开始着手此事，让自己的团队参加热带生态学课程。

澳大利亚国立大学的生态学家David Lindenmeyer，以其长期生态学研究而闻名。他也深切地感受到，亲身体验对科学认知的形成至关重要。

Lindenmeyer常常会在森林里待上好几天。“那是我为新问题寻找灵感的地方，这不仅有益于心理健康，也能帮助我拓展科学视角。”

Gaston和Soga关于“经验消亡”的警示，引发同样怀此忧虑的同行的共鸣[4]。然而，有一则回应提出了不同视角。巴西南马托格罗索联邦大学（Federal University of Mato Grosso do Sul）的生态学家Rafael Guariento持乐观态度。他认为生态学正走向成熟，和其它科学领域一样，生态学呈现出多元化的特征，要求所有人都亲自动手已不合理。他指出，当一个领域达到一定的复杂程度时，就会呈现专业化。“这对生态学的未来而言，实则是充满希望的图景。”

既擅长藻类研究又熟练运用算法的海洋学家Besson认为，生态学的未来，属于既擅长实验室研究又能胜任野外调查的复合型研究者。

他强调，生态学家需要借助技术手段，更高频地收集多元数据；同时也要学习计算机技术，从数据中挖掘生态学洞见。“我认为生态学家只需跟上时代发展。”