夜雨聆风
长期以来，昆虫监测被戏称为“贵族学科”，因为它极度依赖高水平分类学家的经验积累。但现实是，全球范围内的分类专家正在减少，而昆虫灭绝的速度却在加快。
针对昆虫多样性监测长期面临的“数据缺乏”、“分类难”的瓶颈，美国研究人员发布了一项名为“BugNet”的高扩展性自动监测管道，利用分层数据结构、深度学习模型，解决了在高度多样化系统中昆虫分类精度低的挑战。这项技术的突破意义在于它能够实现大规模、自动化的昆虫群落监测，为全球昆虫种群衰退提供实时的量化证据，让昆虫保护从传统的手工采样加速跨入AI大规模监测时代。
本文约5700字，阅读约8分钟
出品 | 海潮天下
过去很长时间里，人类其实并不真正掌握昆虫世界正在发生什么。人们知道某些蝴蝶越来越少，知道夏夜里的飞蛾不像从前那样扑灯，也知道欧洲一些长期监测数据显示昆虫生物量出现下降。但这些结论背后始终存在一个尴尬现实：数据太少，收集得也太慢了。
昆虫研究从来不是一个“容易规模化”的领域。鸟类可以听鸣来辨，兽类可借红外相机长期追踪，植物还能用遥感观测覆盖大范围区域，唯独昆虫处在一种高度碎片化、尴尬的状态。种类太多，个体太小，生命周期短，不同生命周期/雌雄还外貌迥异、区域差异又极强……很多地方即便是连续采样数年，也未必有人完成全部分类鉴定。
真正做过昆虫调查的人都知道，最耗时间的部分不在野外。
采样结束后，研究人员通常还要面对成盒的标本。接下来是展开、拍照、比对、查文献、核对命名，再一点点录入数据库……很多类群甚至需要解剖显微结构才能确认种名。一个中等规模的样点，后期整理工作往往比野外采集持续更久。
分类学人才短缺，又进一步放大了这种压力。
全球范围内，能够稳定从事昆虫分类工作的专业人员并不多，而且存在明显的类群失衡。鳞翅目、甲虫等热门类群积累相对丰富，许多小型寄生蜂、双翅类群则长期缺乏专家。热带地区情况更复杂些，大量物种至今没有正式描述。很多时候，研究人员甚至无法确认自己看到的到底是不是一个“已知物种”。
这种背景下，昆虫监测一直很难真正进入“高频、连续、自动化”的阶段。
海潮天下（Marine Biodiversity）小编注意到，最近《Frontiers in Ecology and Evolution》期刊上发表了一项研究，提供了一条新的技术路线。来自威斯康星大学麦迪逊分校昆虫学系、内华达大学雷诺分校生物系的研究团队开发了一套叫做“BugNet”的自动化监测流程，用深度学习模型处理大规模昆虫识别问题，并尝试把原本高度依赖人工的流程系统化。
这项研究构建的AI昆虫识别系统表现亮眼，依托112万张昆虫图像的海量数据集训练，在哥斯达黎加野外实测中成功识别13,739只昆虫，目级分类最高准确率达98.6%，相比人工验证（约6小时/13,700只）大幅提升了效率与精准度。
▲上图：该昆虫分类校验软件示例界面。图中展示了在哥斯达黎加拉塞尔瓦生物站（La Selva Biological Station, Costa Rica）观察到的昆虫实地影像，目前已筛选至目（Order）级鉴定。影像内容主要为蜜蜂科中的无刺蜂属（Trigona）。用户可以对昆虫进行批量选择，并通过下拉菜单添加更低层级的分类学注释。论文出处：Grele A and Richards LA (2026)
这项工作的关键，并不只是“AI识虫”。
其实，类似尝试过去几年已经大量出现，手机应用、自动识别软件、昆虫图像模型并不少见。但多数系统都有一个共同问题——识别对象相对有限。一旦脱离训练范围，准确率会迅速下降。
（图文无关）▲上图：草履蚧（Drosicha corpulenta），是同翅目硕蚧科的一种常见昆虫。左边是草履蚧的雌成虫，无翅、体扁平，外形酷似草鞋；右边两幅图，是草履蚧的雄性成虫，雄成虫有翅，体色较深。©Linda Wong 摄于2026年5月11日 | 海潮天下（Marine Biodiversity）
原因其实很好理解。普通图像识别任务面对的是有限类别，比如猫、狗、汽车、水杯，类别之间差异明显；昆虫却完全不是这种结构。它有极端庞大的长尾分布：少数常见种拥有大量照片，海量稀有种则几乎没有数据。更麻烦的是，昆虫是地球上物种多样性最高的生物类群，在许多科、属中，不同物种之间的形态差异极其微小，而不同发育阶段又可能长得完全不像。
传统深度学习模型最怕这种场景。
如果训练数据不足，模型往往会把陌生物种“硬塞”到已知类别里头，结果却似是而非——看似给出了答案，实际上完全错误。对于生态监测来讲，这种错误有时比“无法识别”更危险，因为它会直接扭曲群落结构分析。
（图文无关）▲上图：青脊隆脊蝗（Valanga nigricornis melanocornis），属于蝗科隆脊蝗属，是东南亚地区（特别是印度尼西亚爪哇岛热带雨林中）一种常见、且极具特征的亚种。©Linda Wong 摄影 | 海潮天下（Marine Biodiversity）
BugNet试图解决的，正是这个问题。研究人员采用了一种层级分类结构，把生物分类学本身纳入模型训练。系统学习的内容不只是“这个物种长什么样”，还包括它在整个分类体系中的位置，例如属于哪个目、哪个科、哪个属。
这种设计有点接近真实分类学家的判断过程。
经验丰富的昆虫学者看到陌生样本时，通常不会立刻确认种名，而是先根据复眼、翅脉、触角、足部结构等特征，来逐步缩小范围。哪怕一时半会儿没法精确到具体的物种，至少也能判断其属于某个科、或是某个属。BugNet现在做的事情，与这种“层层逼近”的思路相似。
研究结果显示，层级信息加入后，模型处理未知Taxa的能力明显提升。换句话说，即使它没见过某个具体物种，依然有机会给出较可靠的高阶分类结果。
▲上图：昆虫分类层级混淆矩阵说明。该图展示了在大规模分类模型中，各分类层级的混淆矩阵。矩阵中的色块颜色深浅代表了验证数据集中，某一真实分类单元（Ground-truth taxon）被预测为特定分类单元的比例。其中，科（Family）、属（Genus）和种（Species）层级的数据已按目（Order）进行了聚合处理。最后一列“目内错误”（Within order error）标示了图像被错误识别为同目下其他分类单元的比例。图中对占比超过 10% 的分类单元进行了具体标注。论文出处：Grele A and Richards LA (2026)
这一点非常关键。因为现实世界里的昆虫监测，从来不可能拥有“完整训练集”。
尤其是在热带森林、高山生态系统或者地下土壤环境中，大量昆虫记录仍然空白。生态学家真正需要的，也未必是每次都精确到种名。有时候，只要能稳定追踪某些功能类群的变化，就已经足以反映生态系统状态。
BugNet另一个值得注意的地方，是它的数据组织方式。该研究团队大量使用了全球生物多样性信息网络（GBIF）中的公开图像。GBIF本身是全球最大的生物多样性开放数据库之一，汇集了博物馆馆藏、科研记录、公民科学项目和自然观察平台上传的数据。过去这些资源更多用于物种分布研究，现在，它们开始被直接转化成AI训练材料。
这意味着，昆虫AI模型的构建方式正在发生变化。
（图文无关）虫子生物多样性与中国汉字文化。这些字多以“虫”为部首（或构件），反映汉字“象形→会意→形声”的演变，如“虫”本义指蛇，后泛指昆虫、节肢动物；“蝗”（蝗虫，形声，从虫，皇声）、“蜂”（蜜蜂，形声，从虫，夆声）等通过“虫+声旁”表意兼表音。©Linda Wong 摄于中国科技馆 | 海潮天下（Marine Biodiversity）
以前，一个研究团队如果想训练识别系统，往往得亲力亲为、自己采集图片、手工标注、统一命名格式，还得处理大量分类学异名问题。真正消耗时间的往往还不是算法，而是前期数据整理。BugNet则把这部分流程尽可能自动化了。它的系统能够直接从数据库抓取图像，清理无效记录，建立层级关系，再快速生成训练模型。
从技术角度看，这实际上是在尝试建立一种“可持续扩展”的昆虫监测框架。因为昆虫数据有一个非常现实的特点就是，它永远不会一次性收集完成。
新物种持续被发现，分类体系持续修订，地区记录不断更新……这都是常态。如果系统无法动态扩展，很快就会失效。BugNet的意义，正在于它具备持续吸纳新数据的能力。
（图文无关）一只传说在牡丹花丛中的黑带食蚜蝇（Episyrphus balteatus）。©Linda Wong 摄于2026年4月 | 海潮天下（Marine Biodiversity）各种各样的蚊蝇。摄影 ©海潮天下（Marine Biodiversity）
研究团队随后又使用野外实地图像进行了验证。这一点很重要。实验室条件下的高准确率并不稀奇，真正困难的是自然环境。野外照片经常存在逆光、阴影、翅膀残缺、背景杂乱、个体运动模糊等问题。有些昆虫甚至只占据画面很小一部分。
要知道，很多AI模型在标准数据库上表现很好，一旦进入真实生态场景便迅速失灵。
BugNet在实地测试中的表现说明，这类系统已经开始具备“离开实验室”的能力。虽然距离完全替代人工分类还很远，但它已经能够承担大规模初筛工作。
这会直接改变未来生态监测的数据尺度。过去，一个自然保护区如果开展昆虫长期调查，往往只能选择少数指标类群，因为人力根本无法处理全部样本。自动识别系统普及后，监测频率和覆盖范围都有机会明显扩大。
▲多种膜翅目昆虫标本，如松毛虫异足姬蜂、金环胡蜂、东方行军蚁、蚁蜂科、泥蜂科等，这些标本代表了不同生态位和行为模式的昆虫类群。©Linda Wong 摄影 | 海潮天下（Marine Biodiversity）
已经逐渐出现一个典型场景是，自动诱虫灯在夜间持续拍摄，图像实时上传服务器，模型完成分类统计，群落变化自动生成时间序列。某种甲虫突然减少、某类蛾类异常暴发、季节物候发生偏移，都可能被快速记录下来。
这种连续观测能力，在气候变化背景下尤其重要。因为昆虫对环境变化极其敏感。温度、湿度、农药、光污染、土地利用变化，都会迅速反映到群落结构上。很多昆虫生命周期只有几周甚至几天，因此它们比大型动物更容易表现出生态波动。
但长期以来，人类对这些变化的观测能力其实是很有限的。
不少关于“昆虫衰退”的研究，本质上仍然依赖零散样点、长期人工调查。不同地区的方法并不统一，时间跨度也参差不齐。公众经常能看到“昆虫减少75%”之类的数据，但，这些数字背后往往存在巨大区域差异。
（图文无关）各种各样的蚊蝇。摄影 ©海潮天下（Marine Biodiversity）
AI自动监测至少提供了一种新的可能：让数据采集变得更连续、更标准化。
当然咯，现阶段的技术距离“全面替代分类学”仍有明显距离。毕竟，照片无法解决所有问题。一些关键鉴定特征需要显微结构，某些隐存种甚至必须依赖DNA条形码才能区分。再加上昆虫分类体系本身仍在快速变化，模型也需要不断更新。
研究人员对此保持得相当谨慎。他们倒并不是把BugNet描述成“终极解决方案”；他们把它视作一种能够减轻分类压力的工具。未来更可能出现的局面，是机器承担海量重复识别工作、人类专家集中处理复杂类群和关键校正。
不过，即便如此，变化还是开始出现了。
过去很长时间里，人类对于昆虫世界的认识，是比较接近“抽样观察”的。现在，随着自动相机、开放数据库和深度学习模型逐渐连接，一个接近实时运行的全球昆虫观测网络，已经开始显露轮廓。
对于生态学来说，这种变化提高了效率，意味着人类第一次有机会用接近连续监测的方式，去理解那些数量最庞大、变化最快、却也最容易被忽视的生命系统。
这篇文章已不短了，本该收笔，但写道最后还是忍不住想要写一段点评。
如果把当前“AI昆虫监测”领域认真拆开看，会发现它其实已经形成了几条完全不同的技术路线。这个新研究里面提到的BugNet只是其中最新、也最偏“生态监测基础设施化”的一种。它的重要性主要在于解决了两个老问题，训练数据组织困难、以及未知类群识别能力不足。
其实在它之前，全球已经存在不少昆虫识别和自动监测系统了，彼此差异还挺大的。有些偏公民科学平台，有些偏农业害虫监测，有些则是真正面向长期生态学调查。它们解决的问题并不完全相同，因此也很难简单比较“谁更先进”。目前影响力最大的，实际上仍然是iNaturalist背后的计算机视觉体系。
很多人容易把iNaturalist理解成“自然观察社区”，但从技术角度看，它已经是全球最大的生物图像训练平台之一。它最大的优势，不是模型本身，而是拥有持续增长的人类校正网络。用户上传照片后，社区专家不断修正鉴定结果，模型随之迭代更新。2026年的新版模型已经覆盖11万多个Taxa。这套系统有几个非常现实的优点。第一，数据规模极大，而且更新速度快。二是它天然包含地理信息，模型不仅看图像，还结合地点和已知分布范围进行推断。三是它在人类协作层面极强，AI只是初筛，真正的鉴定结果很多时候仍由社区完成。但它的问题也非常明显。最核心的问题是数据偏差。结果就是大型、颜色鲜艳、容易观察的昆虫数据远多于小型隐蔽类群，青睐美美的物种。北美和欧洲数据密度极高，热带地区则存在大量空白。模型因此天然带有观察偏差。生态监测最看重的是采样一致性。所以，iNaturalist非常适合扩大物种记录和公众参与，但并不天然适合直接做严格种群趋势分析。
另一个方向，则是农业与授粉昆虫监测系统。近几年农业AI里出现了大量针对蜜蜂、访花昆虫和害虫的视觉系统，如一些研究中的“精准授粉”框架，会在农田布设多点摄像头，去持续追踪传粉昆虫行为。它们能达到非常高的识别准确率，甚至还能分析行为轨迹、停留时间、访花频率。但问题也恰恰在这里，只适用于比较有限生态场景。如草莓温室里的熊蜂监测系统，放热带森林往往立即就失效了。因为模型训练时面对的是少量目标种，而不是开放环境中的超高多样性群落。农业AI因此更像“专业化识别工具”，而不是广义生物多样性监测平台。相比之下，BugNet试图处理的是最困难的问题——开放环境中的未知昆虫群落。
还有一类系统，近两年在欧洲和加拿大发展很快，即自动诱虫灯+机器视觉路线。这类项目很多基于夜间蛾类监测展开。例如2024年的一项研究提出了完整的蛾类自动监测管线，包括目标检测、个体追踪和细粒度分类，目前已经在多个地方部署了。这条路线，非常接近未来真正的大规模生态监测，因为蛾类本身就是环境变化的重要指标，而且夜间灯诱天然适合自动化采集。但限制同样明显，比如太依赖固定拍摄条件了，对“小型复杂类群”仍然吃力。很多微蛾、摇蚊、寄生蜂，即便人类专家都难以仅凭照片确认。也就是说，目前AI监测最成功的，其实是“比较大+外形稳定+图像特征明显”的昆虫。那些诸如双翅目中的大量小型蝇类，或者寄生蜂中的隐存种问题，很多情况下，仅靠外部形态根本无法可靠区分。这也是为什么当前最严肃的研究，已经开始把图像AI跟DNA条形码结合起来。某种意义上，未来最可能成熟的并不是“纯视觉系统”，而是多模态监测。
还有一个容易被忽视的问题，是“未知物种”处理能力。传统深度学习模型有个典型缺陷，它会倾向于“强行分类”，哪怕面对从未见过的物种，也会硬塞进已有类别。所以这对生态监测就很危险了。BugNet此次强调层级分类，本质上就是在缓解这个问题（事实上，iNaturalist后期也开始采用类似思路，当模型无法确认种级别时，会退回到属、科甚至目级别推荐）。
从前沿趋势来看，目前昆虫AI监测正在同时向三个方向推进。第一是更大的训练数据。就像GBIF、iNaturalist、公民科学平台正在持续提供海量图像。问题已经不再只是“有没有数据”，而变成“如何控制数据偏差”。第二是边缘计算，越来越多系统开始直接在野外设备本地运行模型，不是上传全部视频，因为连续视频监测的数据量太大了。第三是开放世界识别（open-world recognition），也就是模型能够意识到“这个东西我没见过”，这在高多样性生态系统里尤其重要。
严格来说，目前还没有任何系统真正解决这个问题。包括BugNet在内，现阶段所有模型都仍高度依赖已有分类体系。对于大量未描述物种丰富的热带地区，人类分类学本身仍是底层基础。所以说，笔者认为虽然是要点赞这个新的研究的，但AI监测目前最现实的定位，其实是“扩大观测尺度”，而不是“替代分类学”，恐怕没法替代。
Grele A and Richards LA (2026) BugNet: a rapid and scalable pipeline for automated insect monitoring using hierarchical data. Front. Ecol. Evol. 14:1750931. doi: 10.3389/fevo.2026.1750931
https://www.frontiersin.org/journals/ecology-and-evolution/articles/10.3389/fevo.2026.1750931/full
声明：1）本文仅代表资讯；仅供读者参考，不代表平台观点。详情请参看原文。2）本文已经开启“快捷转载”，欢迎微信公众平台转发（直接转即可）；3）“海潮天下”拒绝使用AI生成图片；4）欢迎专家、读者不吝指正、留言、赐稿！欢迎有理有据的不同意见，激发思考、百家争鸣。
论文出处 | Grele A and Richards LA (2026)
文 | 王芊佳
排版 | 卢晓雨
时间 | 2026年5月11日
联系小编 | editor@oceanbiodiversity.cn
▼ 海潮天下·往期推荐
❀世界首份昆虫“人权声明”！亚马逊的土蜜蜂，获得了法律主体身份
❀谁在操控生命录像带？1.2亿年前蝴蝶基因，藏着演化的预定终局
❀欧洲昆虫分类学家数量锐减，生物多样性保护面临严峻挑战！《欧洲分类学家红色名录》预警
