集成所李剑平团队《光学学报》长文综述：AI赋能光学成像，人类正从看见海洋走向看懂海洋

       近日，中科院深圳先进技术研究院集成所李剑平团队，在《光学学报》“AI光学：涉水光学“专题发表特邀综述，《浮游生物原位成像智能观测：从光学采样到感知》，这也是团队深耕海洋观测领域十年来发表的首篇中文论文，是响应”把论文写在祖国大地上“号召、面向国内学界系统梳理领域脉络的一次集中呈现。文章系统梳理浮游生物观测技术迭代历程，首次构建了“硬件——数据——算法——量化”的全链条框架，深入剖析了浮游生物智能观测的每个技术环节，实现从技术原理到科学应用的完整地图，展现人类海洋观测从看见海洋到看懂海洋的关键范式跃迁。

从“捞起来”到“拍下来”

        过去科研人员主要依靠网具和采水器打捞浮游生物样本，经固定、染色后在显微镜下人工鉴定计数，该方法流程繁琐、效率低下，不仅容易损伤水母等脆弱浮游生物，化学试剂还会造成细胞形变，观测数据误差较大。原位光学成像技术有效解决了上述难题，通过水下非接触式原位拍照，可在不扰动海洋原生环境的前提下获取浮游生物影像。目前主流成像方式分为四类：明场/阴影成像适合快速测量生物轮廓与尺寸，暗场成像擅长解析透明生物精细结构，荧光成像可识别光合浮游植物并检测其生理活性，全息成像能够还原生物三维信息，但易受水体浊度影响。这些成像技术已集成于科考船拖曳成像仪、Argo浮标剖面成像仪、海面及海底定点监测设备中，形成了多尺度一体化海洋显微观测网络。但光学观测会产生海量影像数据，人工分析耗时费力，为此深度学习人工智能顺势赋能观测体系，迈入智能感知阶段，可自动完成浮游生物识别、数量统计与生态功能推演，补齐了图像解析的最后一环。

从“拍下来”到“看明白”

         光学采样带来了庞大的影像数据压力，单次科考航次便可产出数百万张图片，单张图内浮游生物个体可达数百个，依靠人工肉眼研判完全不现实，人工智能也由此成为最优解决方案。以深度学习为核心的AI模型，如同不知疲倦的科研实习生，依托数十万张专家标注样本完成训练，精准捕捉浮游生物像素级细微特征。目前水下图像智能分析主要分为两大方向：一是单体识别，先裁切单个生物目标再完成识别，技术成熟，当下研究正从已知物种分类，升级为可识别未知生物的开集识别，更贴合复杂真实海洋环境；二是全景直接识别，无需裁切图像，直接在原图中定位全部生物，能够还原生物真实空间分布，针对该方向标注成本高昂的难题，学界现已借助生成式AI合成仿真图像辅助模型训练，有效降低研发成本。

从“看明白”到“用得上”

         光学观测产出海量影像资料，人工判读效率极低，依托深度学习技术，AI可高效解析浮游生物图像，目前主要分为单体裁切识别与全景原图识别两条技术路径，业内也借助生成式AI缓解了全景识别标注成本高昂的难题。不过单纯识别生物种类远远不够，海洋科研与环境管理更需要精准量化的生态数据，因此还需要依托AI开展图像智能反演工作：借助几何模型弥补二维拍摄的局限，估算浮游生物三维体积，后续也将依托光场成像等真三维技术进一步降低测算误差；结合对应经验公式，由生物体积推算碳含量，实现海洋碳汇的定量评估；自动提取生物形态、行为等功能性状，建立生物外形特征与生态行为的关联；依托统计数据快速核算生物多样性指数，绘制高精度海洋生物空间分布图谱。

从“智能感知”到“自主认知”

         目前浮游生物观测尚且处于智能感知阶段，未来还将朝着更高阶的自主认知系统升级，核心目标是搭建海洋观测智慧物联网。一方面前端设备将实现感知智能，传感器搭载前置AI芯片，可就地实时处理影像数据，仅回传有效信息，减少数据传输压力；另一方面将构建边缘与云端协同的系统智能网络，水下观测设备作为前端感知单元现场快速研判，云端负责大数据融合与模型优化，形成闭环协同观测体系。与此同时，相关技术应用也会持续深化，除支撑海洋基础科研之外，还能落地藻华预警、核电生物防控、海洋碳汇监测等实际业务场景，助力海洋生态保护与开发。

跨机构协同创新，构筑产学研用合作网络 

         该综述由李剑平团队牵头，联合香港理工大学、北京师范大学、山东师范大学、哈尔滨工业大学（深圳）、自然资源部南海生态中心、自然资源部第三海洋研究所、厦门大学、中国科学院南海海洋研究所等多家高校与科研机构共同完成，汇聚了光学工程、人工智能与海洋生态等多学科力量，形成了从硬件研制、算法开发到生态应用验证的完整合作链条。

研究所海洋智能装备领域的科研布局，赋能多领域智能技术协同创新

         此项浮游生物智能观测研究，深度契合集成所海洋智能装备方向的科研布局，是该方向面向海洋强国战略的前沿引领性成果。研究依托水下探测传感、海洋光电成像、海洋信息智能处理等核心技术积累，率先打通水下光学硬件、AI智能算法与海洋生态应用全链路，持续驱动海洋智能装备向高端化、智能化迭代升级。与此同时，该方向有望与集成所另两大核心方向形成深度交叉：在具身智能机器人领域，环境感知、自主决策与边缘-云端协同控制等共性技术，将为水下观测平台的自主作业与闭环智能观测提供关键支撑；在神经交互与智能系统方向，精准信号解码、高通量信息交互、智能闭环控制等技术思路，可为水下图像像素级特征提取与海量数据高效传输注入新动力。未来集成所将持续发挥多学科交叉集成优势，以海洋智能装备为牵引，融通脑机智能、具身机器人三大板块核心能力，以通用智能底座赋能深海观测体系升级，为海洋生态保护、海洋碳汇核算、海洋防灾减灾提供更强有力的智能化装备与技术支撑。