AI 会取代渔业工人吗？| 渔业工人 AI 工作流手册

渔业工人与人工智能：技术如何重塑商业捕鱼与水产养殖运营

角色概览

渔业工人是全球食品供应链中历史最久、体力要求最高的岗位之一。这一类别的作业范围很广：商业拖网渔船上的甲板水手和网具操作员，鲑鱼或虾类养殖场的养殖技术员，对渔获进行分级和切片处理的加工厂工人，管理幼鱼苗种的孵化场操作员，以及在近海和内陆水域作业的独立小艇渔民。

体量最大、且AI投资最为集中的板块是工业化水产养殖和大型商业捕捞作业。当前，全球水产养殖的产量（按重量计）已超过野生捕捞渔业，而优化饲料转化率、降低死亡率、满足食品安全认证要求的巨大压力，使水产养殖成为该领域AI技术的主要试验场。

在这一背景下，渔业工人已不仅仅是单纯从事体力劳动的从业者。他们需要就水质、鱼群行为、投喂计划、网具完好性、设备维护和收获时机持续做出判断。这些决策直接影响着产量、产品质量和合规性。AI现在迫使我们思考的问题是：在这些判断中，哪些可以交给传感器和算法，而哪些仍然需要一个凌晨5点站在养殖网箱边上的人来完成？

AI 如何改变渔业工人的角色

这种变革并不均衡。在远洋野生捕捞渔业中，受限于网络连接、船舶经济性以及开放水域固有的不可预测性，人工智能的应用较为缓慢且分散。而在陆基和海笼养殖业中，转变则更为迅速且结构性更强。

在水产养殖领域，核心的运作循环——观察鱼类行为、调整投喂、监测水质参数、对健康问题进行干预——正通过计算机视觉系统、物联网传感器网络和预测分析平台实现部分自动化。Aquabyte、Observe Technologies 以及 Cermaq 的内部技术部门等公司已部署水下摄像头，利用机器学习实时估算鱼类生物量、检测海虱侵扰并监控摄食行为。以往需要训练有素的技术人员每日多次肉眼检查网箱的工作，如今已能自动标记并推送警报至移动设备。

在野生捕捞渔业中，人工智能正通过船舶管理系统、渔获预测工具和电子监控计划介入。电子监控系统——在一些司法管辖区被强制要求作为海上观察员的替代方案——利用摄像头和人工智能辅助的视频审查来记录副渔获物、核实品种组成并标记丢弃事件。这使合规监控从人类观察员角色转向人机混合审核的工作流程，对渔获数据的收集和验证方式产生了深远影响。

在加工厂内，机器视觉系统正被部署用于自动分级、瑕疵检测和份量控制。Marel、Baader 及其他海产加工设备制造商现已集成基于人工智能驱动的分拣线，能以人工分级员无法企及的速度评估鱼的大小、脂肪含量（通过近红外光谱）及表面缺陷。

最终结果是，渔业工人正越来越多地与自动化监控系统协同工作，而非亲自执行监控任务。角色正从直接观察和手动干预转向系统监督、异常处理，以及传感器尚无法复制的基于情境的判断力。

AI 可自动化的任务

生物量估算：安装在海水网箱上的计算机视觉系统可以持续估算单条鱼的平均重量和网箱总生物量，从而取代人工取样和目测估算。
海虱计数：搭载经过训练的机器学习模型的水下摄像机会对每条鱼身上的海虱进行计数和分类，这项任务此前需要潜水员入网检查或人工肉眼识别。
投喂优化：自动投喂系统利用残饵检测（识别从摄像头前下沉的未食用饲料）和鱼类摄食行为来实时调整投喂量，取代工人设定的固定投喂时间表。
水质监测：连续的传感器阵列能够测量溶解氧、温度、pH值、盐度和氨氮含量，取代按固定时间间隔进行的人工探棒读数。
渔获分拣与定级：加工厂中基于视觉的传送带系统能比人工分拣员更快、更一致地按种类、尺寸和质量等级分拣鱼类。
电子监控录像中的兼捕识别：AI辅助的视频审核工具能在电子监控录像中标记潜在的兼捕事件，从而减少人工审核员浏览原始视频的时间。
渔船航线优化：基于AI的捕捞情报平台（如 Pelagic Data Systems、Satlink）会分析历史渔获数据、海洋学条件和卫星图像，以推荐最佳渔场。
死亡检测：利用水面摄像头或水下传感器实现的自动死鱼检测系统，能够比日常人工检查更早地发现死亡事件。

日益增值的技能

数据素养与系统监控能力：能解读仪表盘、理解传感器警报，并能区分真实系统报警与误报的工作人员，正变得越来越有价值。这不是编程，而是在具体场景中理解数字背后的实际意义。

兽医与健康诊断能力：随着自动化系统承担起常规监测，人工职责集中在诊断和应对超出正常范围的健康事件。对鱼类疾病、应激指标和治疗方案的理解变得更加关键，而非弱化。

设备维护与校准能力：水下摄像头会变脏、传感器会漂移、自动投饵机会卡住。能维护、排查故障并校准这些系统的工作人员必不可少。这是在传统机械技能之上新增的一个技术能力层。

法规与合规应对能力：电子监控、捕捞记录和可追溯性要求正在全球范围扩展。懂 MSC 认证、IUU 捕捞法规以及产销监管链文件的工作人员和主管，对寻求市场准入的运营企业而言，正日益珍贵。

跨职能沟通能力：随着 AI 系统产生越来越多数据，需要有人将数据转化为运营决策，并跨团队传达——在水产养殖技术员、兽医、饲料管理员和捕捞协调员之间。这种协调角色正不断成长。

非结构化环境中的适应性解决问题能力：在开阔水域和受天气影响大的情境中，依然需要经验判断力，目前没有任何 AI 系统能妥善应对。在信息不完整、身体承受压力的情况下做出良好决策的能力，仍然是人类的核心优势。

重要性逐渐降低的技能

手动生物量采样：通过撒网、称重和测量样鱼来估算网箱生物量的手工流程，正被基于计算机视觉的持续估算所取代。
固定时间表投喂：严格遵循预定投喂表的机械操作，正被基于食欲的自动化系统取代。只会照表投喂而不会解读鱼群行为的工人，其发挥空间正不断收窄。
手动水质检测：规定时间间隔的手持探头读数，正被连续的传感器网络取代。会操作YSI探头的技能，其价值已不如理解数据流背后的含义。
肉眼渔获分级：在加工车间，人工按大小和品质对鱼进行分级的能力正在被自动化替代。大规模生产已不再需要大量经验丰富的分级工来完成日常分拣。
纸质日志记录：手写的捕捞日志、投喂记录和死亡报告，正被数字化系统取代。将基础数据录入旧式纸质表格的技能需求正在下降。

本行业AI应用现状

AI在该行业的应用极不均衡，基本遵循规模经济逻辑。大型工业化水产养殖企业——如挪威的三文鱼生产商美威（Mowi）、萨尔玛（SalMar）和格里格海产（Grieg Seafood），智利的三文鱼养殖场，以及东南亚的大型对虾养殖企业——是应用最前沿的群体。这类企业拥有资本实力，能够部署水下摄像系统、自动化投喂基础设施和数据分析平台，同时它们也面临着优化饲料转化率和降低死亡率的强大商业压力。

中型及小型养殖企业则处于过渡阶段。许多企业已部署基础性物联网水质监测，但尚未集成计算机视觉或预测性分析功能。其障碍与其说在于技术可获得性，不如说在于集成复杂性、连接基础设施（特别是离岸和偏远养殖场），以及相对于运营规模而言的前期资本投入成本。

野生捕捞船队的应用程度最低。电子监控的应用正在增长，但这主要是出于合规驱动，而非生产力驱动。市场上存在AI辅助的渔获预测工具，但主要使用者是拥有相应数据基础设施的大型工业化捕捞船队。小型渔船和个体渔民基本不在当前的AI应用曲线上。

在加工环节，AI应用比水上作业更为深入。在挪威、冰岛、智利和美国主要加工中心的大型加工设施中，自动化分级与分切生产线已成为标准配置。其经济账很简单：加工环节的人工成本高、产能需求大，而该技术已经足够成熟，能够交付稳定的投资回报。

未来工作流演变

未来五年，水产养殖领域渔业工人的发展轨迹如下：单位产量所需的工人数量减少，但留任的工人技术水平更高，人均承担的责任也更大。

到2028年，一位网箱养殖技术员管理的网箱数量很可能多于现在，依靠持续自动化监测，系统只会将需要人工处理的异常情况推送出来。他们的轮班不再从实地巡检开始，而是从查看夜间的系统警报入手——包括死亡标记、投喂异常、溶氧骤降、海虱计数阈值。人工干预将由数据触发，而非既定日程表决定。

在野生捕捞领域，工作流的演变更侧重于合规性与可追溯性，而非运营自动化。电子监控将在更多司法管辖区成为标配，其生成的数据将流入供应链追溯系统，这正是买家和零售商日益要求的内容。渔民需要理解并操作这些系统，将其作为日常工作的常规部分。

在加工环节，人工将集中在产线监管、质量异常处理，以及那些品种或产品形态变化过大、产量过低而不值得投资自动化产线的加工上。标准化品种的大宗商品加工将越来越自动化；而特色、手工及高价值产品的加工将保留更多人工参与。

更宏观的结构性转变，是从劳动密集型的观察和常规任务执行，转向一支规模更小、技术更精湛的劳动力队伍，负责管理自动化系统，并处理这些系统无法解决的边缘问题。

常见AI应用场景

海虱管理（鲑鱼养殖）: Aquabyte 和 Observe Technologies 部署水下摄像头，利用机器学习模型在鱼游过时对每条鱼身上的海虱进行计数和分类。这使得治疗决策能够基于实时感染数据，而非定期人工抽样，从而减少过度治疗（化学成本、耐药风险）和治疗不足（福利与监管风险）。

基于食欲的自动投喂: Akva Group 的 iFeed 和 Pentair 的 AquaFeed 等系统通过颗粒饲料残留摄像头和鱼类行为分析，实时调节投喂量。在鲑鱼养殖中，饲料通常占变动生产成本的50%–70%；即使饲料转化率仅有微小改善，也会带来显著的经济效益。

预测性死亡警报: 监测网箱水面的计算机视觉系统和水下摄像头能标记出死亡事件前兆的异常鱼行为模式——昏睡、水面聚集、游动异常。早期发现可在损失扩大前及时干预。

电子监控与副渔获物验证: AI辅助审查电子监控录像（由 Archipelago Marine Research 及美国西海岸底栖鱼渔业的电子监控供应商等使用）降低了海上观察员的费用，同时保持捕捞记录文档的完整性。

渔船捕捞情报: Pelagic Data Systems 和 Satlink 的捕捞情报工具等平台，结合历史渔获数据、海面温度、叶绿素浓度和海流模式，生成渔场推荐，从而降低燃料成本，减少无效搜索时间。

加工线视觉系统: Marel 的 SensorX 及类似系统采用X射线和近红外成像，在加工线上检测鱼骨、测定脂肪含量并优化分割出品率，减少让重损耗并提升产品均一性。

风险与挑战

连接和基础设施差距：许多水产养殖场位于偏远的沿海或海上位置，宽带连接有限。来自水下摄像头和传感器阵列的实时数据传输需要可靠的连接，但并非普遍可用。卫星连接成本正在下降，但对于小型运营而言仍然是一个限制。

虚假警报疲劳：自动化监测系统会产生警报。当警报阈值校准不当时，工人会产生警报疲劳，并开始忽略通知——包括真实的警报。针对每个站点的具体条件校准这些系统是一项持续的操作挑战，而非一次性设置任务。

技能转型摩擦：目前水产养殖和渔业从业人员大多是为体力、观察性工作而招聘和培训的。向具备数据素养、系统监控角色的转型需要培训投入，而许多运营方尚未做出这一投入。其风险在于自动化系统已被部署但未得到有效使用的能力差距。

数据质量和模型漂移：基于挪威鲑鱼养殖场数据训练的机器学习模型不一定适用于智利养殖场、不同物种或不同的季节条件。随着条件变化，模型性能会随时间退化。维持模型准确性需要持续的数据收集、重新训练和验证，这是许多运营方低估的技术开销。

电子监控的监管不确定性：电子监控要求正在扩大，但用于合规目的的AI辅助录像审查的法律地位因管辖区而异。在一些渔业中，AI标记的事件仍需人工复核才能用于执法目的，这限制了自动化带来的效率提升。

劳动力替代和社区影响：在以捕鱼和鱼类加工为主要就业来源的沿海社区，加工厂的自动化带来了直接的就业影响。这在技术采用过程中引发了政治和社会摩擦，尤其在替代就业机会有限的地区更为突出。

网络安全风险：随着水产养殖运营变得更加互联——包括传感器网络、自动投喂系统和基于云的管理平台——它们也面临着更大的网络安全风险。一个被入侵的投喂系统或被篡改的水质数据都可能对生产和养殖生物福祉造成严重后果。

未来展望（3–5年）

未来三到五年，水产养殖运营将从零散的人工智能工具，转向集成化的运营平台，届时传感器数据、计算机视觉、投喂系统、健康记录和收获规划将连接在统一的数据环境中。当前这种由分散的单点解决方案拼凑而成的局面——这边装一套摄像系统，那边放一个水质传感器，另有一套独立的养殖管理ERP——将逐步整合，因为大型养殖企业会自建或采购集成平台，而互操作性标准也将日趋成熟。

用于网箱巡检和网衣清洗的自主式水下航行器（AUV），在挪威和苏格兰的三文鱼养殖业中，正从试点阶段迈向商业部署。这些系统减少了对潜水员干预的需求，并且相比人工潜水员能够提供更一致的巡检覆盖。五年内，由自主式水下航行器辅助巡检很可能成为大规模海上网箱作业的标准实践。

在野生捕捞领域，电子监控的强制要求将大幅扩展。美国、欧盟及数个太平洋岛国正在逐步推行更广泛的电子监控覆盖，将其作为比海上观察员更具成本效益的替代方案。这将使人工智能辅助的影像审查成为渔业管理基础设施的常规组成部分，而不再只是一种实验工具。

水产养殖中遗传与健康数据的整合将变得更加精细。来自选择性育种计划的基因组数据、摄像系统的实时健康监测以及传感器网络的环境数据相结合，将实现对鱼类健康和生长的更精准管理——同时减少抗生素使用、改善动物福利水平并提高生产效率。

这对劳动力的影响十分重大。根据挪威海产研究基金（FHF）和联合国粮农组织（FAO）等行业组织的预测，工业化水产养殖的单位工人生产率将持续提升，这意味着产量增长不会同比例转化为就业增长。留存下来的岗位将要求更高的技术技能，薪酬也将更优厚，但单位产出对应的岗位数量将会减少。

最终洞察

渔业工人不会被人工智能取代，而是正在被它重新定位。那些世代定义这一角色的体力劳作、观测判断与例行监测任务，正逐渐被传感器网络、计算机视觉和自动化系统所承接。留下来的——同时也是变得更有价值的——是经验丰富的工人在任何算法未曾训练应对的情境中，所带来的情境化判断、适应性解决问题的能力以及技术监督。

能最顺利渡过这一转型的，并非那些部署最多技术的运营方，而是那些对劳动力技能予以同等投入的运营方。一位网箱养殖技术员，如果能理解生物量估计算法究竟在测量什么，知道何时该信任它、何时该人工接管，并能够诊断投喂系统为何会出现异常行为，那么其价值将远大于技术本身。渔业工作中的人类角色并未消失——它正变得更加技术密集、更具决策分量，并且在最优秀的运营中，对技能的要求也更高。

渔业工人

AI 如何融入这个职业