Science|进化适应全球变暖将加剧渔业产量损失,忽视进化过程导致预测系统性偏高

近期，波兰雅盖隆大学Jan Kozłowski教授与澳大利亚莫纳什大学Dustin J. Marshall教授和Craig R. White教授联合在《Science》期刊发表重要研究成果，揭示了一个违反直觉的“进化悖论”：鱼类对全球变暖的进化适应虽然有利于自身生存，但却会进一步加剧渔业可持续产量的损失。

研究团队构建了一个基于最优资源分配原理的生活史优化模型，成功预测了近3000种鱼类的生活史特征共变模式，并用近几十年观测到的鱼类体型变化趋势加以验证。模型预测，温度升高带来的死亡率上升将驱动鱼类进化出更早的性成熟和更小的体型——这种进化策略虽然缓解了个体适合度的损失，却使渔业产量损失在不考虑进化时约14%的基础上进一步恶化至约22%，加剧幅度达50%。在高排放情景下，世纪末渔业产量损失可达约30%。

这一发现表明，现有渔业预测模型因系统性地忽略进化过程而高估了未来产量，亟需将生活史进化纳入全球渔业管理框架。

全球变暖正在深刻改变支撑人类社会的生物学过程。渔业为数十亿人口提供动物蛋白，且需求预计将持续增长，气候变化因此不仅威胁生态系统，更直接关乎全球粮食安全。

为应对这一威胁，大量机理模型已被开发用于预测鱼类对升温的响应，但这些模型几乎无一例外地假设鱼类在进化上是“惰性”的——即未来鱼类的响应方式将与当前完全一致。然而，如果鱼类会适应全新的热环境，那么基于当前响应模式的预测可能产生系统性偏差。

这项研究的重要意义在于：

• 首次将进化适应纳入全球渔业产量预测：构建了一个以最优资源分配为核心的生活史模型，不仅解释鱼类为何变小，更预测了这种变化对渔业产量的定量影响

• 揭示了“进化帮助鱼类却损害渔业”的悖论：鱼类通过提前性成熟和缩小体型来适应高死亡率环境，这有利于个体存活，但减小了可捕获的鱼体大小，降低了可持续产量

• 提供了强有力的减排政策论据：良好的气候政策（低排放情景）每年可保护约1800万吨渔业产量，为避免最坏气候情景增添了生态系统服务层面的紧迫理由

核心框架：最优资源分配与生活史进化

该模型的理论基础是经典的生活史优化理论。对于不定生长的动物（如大多数鱼类），个体将资源用于“生产”（包括生长和繁殖），其速率遵循体重的幂函数关系。在性成熟之前，所有生产资源用于生长；成熟后，资源在生长和繁殖之间分配，直到某一年龄停止生长、将全部资源转向繁殖。

模型的关键在于：何时成熟、如何分配资源，完全由最优化过程决定——在给定死亡率下，最大化终生后代产出的生活史策略将被自然选择偏好。早成熟的好处是在累积较少死亡风险前就开始繁殖，代价是体型较小、繁殖产出较低；晚成熟则相反。模型不预设性成熟时间、生长轨迹或停止生长的体型，这些都由优化过程自动涌现。

模型验证：跨越近3000种鱼类

研究团队利用FishBase数据库中近3000种鱼类的生活史数据，检验了模型的预测能力。通过为每个物种生成理论生长曲线，并与实际观测的von Bertalanffy生长方程拟合结果进行比较，模型解释了关键生活史性状58%–97%的变异。具体而言，高死亡率鱼类生长更快但更早成熟、成熟体型更小，低死亡率鱼类则生长较慢但成熟更晚、体型更大——这一经典格局被模型精确再现。

死亡率与温度的关键纽带

进化预测的桥梁是温度与死亡率之间的经验关系。研究团队基于76个自然鱼类物种的数据估算，体型无关的自然死亡率每升温1°C增加约4.2%。这种温度依赖性来自疾病、缺氧、代谢消耗加速等多重机制。据此，模型预测每升温1°C，鱼类最大体长将缩短约3.2%，性成熟时体长缩短约3.5%——这些预测与全球实测数据高度吻合。

渔业影响评估：43个全球主要渔业物种

研究团队计算了43个占全球野生渔获量约32%的鱼类物种在不同排放情景下的渔业参考点变化，分别模拟了“无进化”和“有进化”两种条件下的产量预测，覆盖了从低排放（SSP1-2.6）到高排放（SSP3-7.0）的三种IPCC共享社会经济路径。

死亡率驱动生活史策略的最优转换

模型清晰展示了死亡率如何重塑鱼类的最优生活史。在低死亡率条件下，鱼类将更长时间的资源投入生长，较晚才开始繁殖，最终达到较大的体型。当死亡率升高时，最优策略发生转变：个体提前将资源从生长切换到繁殖，更早成熟但体型更小。

这一机制可以直观理解——在“高风险”环境中，“及早繁殖”比“长大后再繁殖”更有利于基因传递，因为等待的代价（死亡风险积累）超过了延迟的收益（更大体型带来的更高繁殖力）。由此产生的生长轨迹在形态上类似经典的von Bertalanffy生长曲线，但其内在驱动力来自资源分配的进化优化。

Fig. 1 | 死亡率改变最优生长与繁殖分配方案：低死亡率（左列）和高死亡率（右列）条件下，鱼类生长期与繁殖期的时间分配、资源投入速率及体重增长轨迹的比较

生活史优化模型成功预测近3000种鱼类的性状共变

将模型预测与FishBase中近3000种鱼类的实际观测数据对比，结果令人印象深刻：模型仅凭死亡率这一个变量，就解释了渐近体长97%、von Bertalanffy生长系数83%、性成熟年龄58%、性成熟体长84%的种间变异。

死亡率越高的鱼类，渐近体长越小、生长系数越大、性成熟越早、成熟体长越小。模型还成功捕捉了近几十年升温带来的鱼类体型变化趋势——预测的最大体长每升温1°C下降约3.2%，与全球数十个物种、1200多个种群的实测数据（约2%–5% °C⁻¹）高度一致。对于性成熟体长，模型预测约下降3.5% °C⁻¹，也与地中海16种鱼类的观测结果（约3% °C⁻¹）吻合。

Fig. 2 | 进化优化成功预测死亡率与生活史的关系：左列为模型预测的死亡率-性状关系（渐近体长、生长系数、性成熟年龄、性成熟体长），右列为模型预测值与实际观测值的比较

进化缓解鱼类适合度损失，却加剧渔业产量下降

在中等排放情景（SSP2-4.5，升温约2°C）下，如果鱼类不发生进化适应，升温导致的生长加速和死亡率升高将使鱼类繁殖力下降约16%，渔业产量下降约14%。

然而，当允许鱼类进化优化其生活史时，出现了一个引人注目的悖论：进化适应略微缓解了适合度损失（从−16%改善至−15%），但反而加剧了渔业产量损失（从−14%恶化至−22%）。这一悖论的机制在于：鱼类通过提前性成熟来应对升高的死亡率，将更大比例的资源从生长转向繁殖，虽然生长速率在暖水中更快，但更早的成熟意味着更小的最终体型。从个体角度看，这是理性的——赶在死亡前尽可能多地繁殖；但从渔业角度看，鱼变小了，每条鱼的产肉量降低，可持续捕获量随之下降。进化适应提升了所有物种的适合度（+0.1%至+3.9%），但同时降低了所有物种的渔业产量（−3.9%至−12.3%）。

Fig. 3 | 适应帮助鱼类却损害渔业：无进化（浅色）与有进化（深色）条件下，鱼类体长、体重、适合度和渔业产量从2000年代到2090年代的变化百分比

排放情景越极端，进化对渔业的惩罚越严重

对43个全球主要渔业物种的逐物种分析显示，经历升温幅度越大的物种，生活史进化调整越剧烈，渔业产量损失也越严重。以阿拉斯加鳕（walleye pollock）为例，该物种占2022年全球渔获量的3.6%，预计经历约2.7°C升温后，最大体重将进化缩小12%，渔业产量下降约17%，相当于每年损失约50万吨。

在高排放情景（SSP3-7.0）下，鱼类体型平均缩小约16%，世纪末渔业产量损失可达约30%。而良好的气候政策（SSP1-2.6，低排放）每年可保护约1800万吨渔业产量，相当于避免了最极端进化变化带来的损失。敏感性分析表明，没有任何现实的生长增强情景能够抵消死亡率升高驱动的进化影响——排除进化响应的渔业模型将系统性地高估未来产量。

这项研究通过构建经过多重验证的生活史优化模型，揭示了鱼类进化适应对全球渔业的深远影响。主要发现包括：

鱼类将进化出更小的体型：温度升高带来的死亡率增加将驱动鱼类进化出更早的性成熟和更小的最终体型，平均缩小约20%。体型缩小是生物应对气候变化的近乎普遍的响应，该模型从生活史优化的角度提供了终极进化解释。

进化适应加剧渔业损失约50%：在中等排放情景下，考虑进化适应后的渔业产量损失（约22%）比不考虑进化时（约14%）恶化约50%。这意味着现有不含进化因素的渔业预测模型系统性地高估了未来产量。

减排政策具有巨大的渔业保护价值：低排放情景相比高排放情景每年可保护约1800万吨渔业产量。气候政策不仅关乎温度控制，更直接影响生态系统服务和全球粮食安全。

进化的生态系统级联效应值得关注：不同物种的进化响应不均匀，可能产生物候不匹配，扰动营养级联和食物网结构。该模型虽聚焦渔业，其框架可推广至变温动物的广泛类群。

多物种生活史进化的大规模参数优化

该研究的核心是为每个物种在给定死亡率下求解最优生活史策略，涉及复杂的非线性优化问题。当需要将此框架扩展到数百个物种、多种排放情景和时间步长时，传统优化方法的计算成本急剧上升。深度强化学习可以训练策略网络直接学习“最优资源分配策略”：给定物种参数和环境条件，输出每个生活阶段的最优生长-繁殖分配比例。神经常微分方程（Neural ODE）可以将离散的生长方程替换为连续的神经网络参数化动力系统，同时拟合和预测数千物种的生长轨迹。贝叶斯优化可以在高维参数空间中高效搜索每个物种的最优生活史解，特别是在存在多个局部最优的复杂适应性景观中。这些方法可以将模型的物种覆盖范围从43种扩展到FishBase中的全部鱼类物种。

温度-死亡率关系的精细化建模

该研究使用了76个物种的集中估计值（每升温1°C死亡率增加约4.2%），但不同物种、生境和生活阶段的温度-死亡率关系差异巨大。梯度提升树（如LightGBM）可以整合物种分类学特征、栖息地类型、体型、代谢速率、地理分布等数十个预测因子，为每个物种建立个性化的温度-死亡率响应曲面。迁移学习可以利用数据丰富物种（如鳕鱼、鲱鱼）上训练的死亡率模型，迁移到数据稀缺的热带鱼类。高斯过程回归可以在估计温度-死亡率关系的同时量化不确定性，将这种不确定性传递到渔业产量预测中，生成概率性而非确定性的产量预测。时空深度学习可以融合海洋温度遥感数据、渔业调查数据和生活史数据库，建立全球尺度的动态死亡率场，捕捉温度效应的区域和季节异质性。

渔业管理策略的AI决策支持

该研究预测了不同排放情景下的产量变化，但实际渔业管理还需要考虑捕捞策略的动态调整。多智能体强化学习可以模拟渔业管理中不同利益方（渔民、监管机构、保护组织）的博弈互动，在进化导致鱼类体型缩小的背景下寻找各方可接受的可持续捕捞策略。数字孪生可以为每个主要渔场构建虚拟模拟环境，将该研究的生活史优化模型、海洋环境模型和捕捞动态模型耦合，在虚拟环境中测试不同管理方案的长期后果。因果推断机器学习可以从历史渔业数据中区分气候变化、过度捕捞和进化变化对产量下降的各自贡献，为精准管理提供依据。自然语言处理可以自动监测全球渔业文献和报告，提取鱼类体型和性成熟变化的时间趋势数据，实时更新模型参数。

跨物种进化预测的基础模型

该研究的框架表明，死亡率-生活史优化关系具有跨物种的普适性。大规模预训练的生物学基础模型（Foundation Model）可以在FishBase等大型数据库上学习物种生活史参数之间的通用关系，然后在特定物种或新数据上快速微调。图神经网络可以将系统发育树作为图结构，利用亲缘关系约束进化预测——近缘物种的进化响应应更相似。少样本学习（few-shot learning）可以在仅有少量观测数据的物种上，利用从数据丰富物种中学到的先验知识生成可靠的生活史预测。这种方法不仅适用于鱼类，还可扩展到其他变温动物（爬行类、两栖类、无脊椎动物），为预测全球变暖对广泛生物类群的进化影响提供统一框架。