中国数字渔业真正缺的不是AI,而是“把AI变成产量和现金流”的能力
数字渔业的终点也不是完全取消人的参与，而是让普通养殖人员在复杂、多变和高风险的环境中，能够持续做出接近优秀专家水平的决策。
当数字技术真正进入投饵、增氧、疾病管理和生产计划，并且能够用一个完整养殖周期的经营结果证明自身价值时，中国数字渔业才算从“示范阶段”进入产业化时代。
栏目｜水产养殖作者｜Danie团队 视觉｜煮石羽客与世界先进水平的差距，正在从单项技术转向数据可信、系统可靠、跨场验证与生产组织近几年，数字渔业迅速成为中国水产养殖业的热门方向。从池塘物联网、在线水质监测、自动投饵，到水下摄像、鱼群行为识别、病害预警、无人船、网箱机器人和数字孪生，几乎所有能够在工业、农业领域找到的数字技术，都已开始进入水产养殖场。早在2020年，农业农村部发布的《数字农业农村发展规划（2019—2025年）》就提出，要推进水质环境实时监控、饵料精准投喂、病害监测预警、循环水装备数字化控制以及海洋牧场智能监测等技术应用。但是，一个无法回避的问题是：安装了传感器、摄像头和管理大屏的养殖场，是否真的因此提高了成活率、降低了饲料系数、减少了能耗和人工，并形成可以复制的投资回报？中国数字渔业当前最突出的矛盾，已经不是“有没有技术”，而是技术能否在复杂养殖环境中长期稳定运行，能否进入生产决策，能否通过设备可靠性、操作规范和组织管理，最终转化为可验证的经营结果。换句话说，我们不缺数字化展示，缺的是生产闭环；不缺单项设备，缺的是可靠系统；不缺算法准确率，缺的是跨养殖场、跨季节和跨养殖周期的长期验证。在硬件层面，国产溶解氧、pH、温度、盐度、氨氮监测设备，自动投饵机、增氧机、无人船、水下机器人以及循环水养殖控制系统已经形成较完整的产品体系。中国在通信基础设施、电子制造、设备成本和工程实施速度方面，甚至具有明显优势。在算法层面，鱼体识别、苗种计数、摄食行为判断、疾病图像识别、鱼群轨迹分析和水质预测等研究也十分活跃。中国农业大学智慧渔业研究院公布的应用案例已经涉及空水协同监测、鱼苗智能计数、深远海网箱水下巡检和清洗机器人等装备，部分系统正在尝试构建“数据采集—智能分析—设备执行”的控制闭环。因此，简单地把中国与世界先进水平的差距归结为“传感器不够先进”或者“算法不够聪明”，并不准确。部分国产设备和实验室算法已经接近国际前沿，个别应用场景甚至具有成本和工程化优势。目前，中国大量项目集中在第一至第三级，部分头部企业、科研机构和示范基地正在进入第四级，并在特定场景探索第五级。世界先进企业也没有普遍实现真正意义上的无人化养殖。它们的领先之处，是将第二至第四级能力做得更加可靠、标准化和可复制，并在投饵、环境控制等局部环节形成受约束的闭环控制。水产养殖环境对传感器极不友好。盐雾腐蚀、生物附着、泥沙、水流冲击、温度变化和电极老化，都会导致传感器漂移。一个未经清洗和校准的溶解氧探头，虽然可能持续上传数据，但其读数未必能够代表池塘、网箱或养殖池的真实状态。在一些项目中，传感器安装位置、校准周期和数据异常处理并没有被纳入完整的运行规范。设备在线率很高，并不等于有效数据率很高。如果底层测量不可靠，后面的AI模型只是在精确处理错误数据。数字渔业的“第一公里”，不是大模型，而是校准、清洗、布点和质量控制。三、第二道差距：数据很多，但没有形成统一的生产语言不少养殖企业已经拥有水质、投饵、视频、设备运行、死亡、用药和销售数据，但这些数据通常分散在不同系统中。水质设备由一家供应商提供，投饵机使用另一套平台，视频存放在第三方云端，养殖记录仍由员工填写表格。设备之间的时间格式、单位、编号和接口并不统一，数据也未必能够导出。结果是：养殖场看起来已经产生大量数据，却很难回答最基本的经营问题——某一个养殖批次在特定水质、密度和投饵策略下，最终获得了怎样的生长速度、饲料系数和成活率？国际上关于智慧水产养殖的研究越来越强调数据互操作性和FAIR原则，即数据应当可查找、可访问、可互操作和可复用。相关研究认为，养殖数据系统之间缺乏自动化连接与互操作能力，正在拖慢人工智能的实际应用。中国需要建立的不是另一块综合管理大屏，而是统一的生产数据模型。所有信息都应围绕“养殖场—水体—养殖单元—批次—生物资产—操作事件”进行组织，使水质、投饵、设备、疾病和收获数据能够真正关联。没有批次身份的数据，只是信号；与生物资产和生产结果关联之后，数据才具有经营价值。四、第三道差距：算法准确率很高，但换一个场景可能立即失效数字渔业研究经常出现90%以上甚至更高的识别准确率，但实验室准确率并不等同于商业可用性。水下视觉受到浑浊度、光照、气泡、悬浮颗粒、鱼体遮挡、摄像机角度和养殖密度影响。一个在清洁水体中训练的鱼体识别模型，进入高密度池塘或深海网箱后，性能可能显著下降。疾病识别同样如此。不同鱼种、不同生长阶段、不同疾病发展期的外观差异巨大，而鱼体擦伤、机械损伤和应激反应又可能与疾病症状相似。世界先进企业更加重视多场点验证、影子运行和结果评估。所谓影子运行，是指模型先提供建议但不直接控制设备，由生产人员比较模型建议与实际结果，确认其稳定性后再逐步开放执行权限。Mowi在介绍其智慧养殖系统时，特别强调在多个挪威养殖场进行验证，并评估数字平台对生产和鱼类健康的实际价值。中国真正缺少的不是更多“高准确率模型”，而是经过不同水体、鱼种、季节和生产周期检验的模型产品。许多数字系统的能力止于“发现问题”和“发出报警”。例如，系统检测到溶解氧下降，可以向管理人员发送通知；但是否启动增氧设备、启动几台、运行多久、会不会引起底泥扰动、设备故障后如何切换，以及溶氧恢复后何时停止，都需要完整的控制逻辑。闭环控制的难点不只是算法，还包括联锁保护、报警分级、人工接管、设备冗余、断电应急和故障安全模式。尤其是在循环水养殖系统中，水泵、氧气、过滤、生物滤池、温度和投饵之间高度耦合。错误控制可能在几分钟内造成严重生物资产损失。因此，工业控制能力、设备可靠性和生物安全的重要性，往往高于算法是否足够新颖。世界领先的循环水养殖系统通常首先建立PLC、SCADA、历史数据库、冗余供氧和报警管理，然后才在稳定的自动化基础上叠加AI优化。中国部分项目则容易跳过基础自动化和运行规范，直接强调智能算法，导致“上层很智能、底层不可靠”。六、第五道差距：世界先进技术更懂生物过程，而不只是识别图像水产养殖不是普通工业制造。鱼虾是会生长、应激、患病并改变行为的生物系统。单纯依赖黑箱算法，很难解释鱼类摄食下降究竟来自饱食、低氧、温度变化、疾病、密度压力，还是饲料适口性改变。先进数字养殖正在向“机理模型与数据模型融合”发展。例如，生长模型可以描述体重、温度和饲料之间的关系；氧代谢模型可以估算不同密度下的氧气需求；生物滤池模型可以分析氨氮负荷和微生物处理能力。欧盟iFishIENCi项目已经围绕精准投饵、循环水养殖决策支持及数字孪生开展研究，希望通过环境、生物和设备数据优化投饵及生产控制。数字孪生的真正价值，不是制作一个三维养殖场，而是在虚拟空间中模拟“如果改变投饵量、密度、温度或者换水策略，未来会发生什么”。因此，中国数字渔业需要进一步加强水产营养、鱼类行为、疾病生态、流体力学、微生物和自动控制之间的交叉，而不能把数字化简单理解为“摄像头加算法”。七、第六道差距：世界先进企业建设的是运营体系，中国不少项目建设的是一次性交付工程摄像头需要清洁，传感器需要校准，水下连接器会腐蚀，通信网络会中断，投饵机需要维护，算法也需要重新训练。如果项目预算只覆盖设备采购和平台开发，却没有持续运维经费，系统往往会在一两个养殖周期后逐渐失去作用。世界领先企业的优势之一，是把数字技术嵌入生产组织。例如，Lerøy已经通过远程投饵中心管理分布在挪威北部较大范围内的海上养殖场。技术人员在岸基中心通过水下摄像头观察鱼群状态，并远程调整投饵；系统提供信息，但最终仍由专业人员解释信号并处理异常。这种模式的意义不只是“远程控制”，而是把原来分散在各个养殖场的经验集中起来：相比之下，中国部分数字渔业项目在验收时拥有完善的大屏和设备清单，却没有明确谁每天使用系统、谁负责校准、谁解释报警、谁有权修改参数，以及系统失效后如何恢复。如果组织流程不改变，再先进的系统最终也可能沦为参观展示设施。八、第七道差距：技术价值没有被转化为可以核算的经济价值但是，一些项目仍以设备数量、数据上传量、平台访问次数和展示效果作为主要验收指标，而没有证明技术是否改善生产结果。智能投饵是目前最容易形成经济闭环的方向之一，因为饲料通常是水产养殖最大的可变成本。厄瓜多尔对虾养殖已经探索将水下声学监测与需求投饵结合，通过虾摄食产生的声音判断投饵需求，以减少饲料浪费并改善生产表现。先进技术之所以能被采用，并不是因为“使用了AI”，而是因为它能够回答一个直接问题：投入一元数字化成本，可以节省多少饲料、减少多少死亡或增加多少产量？农业农村部在征集智慧农业主推技术时，也已经提出技术应当“成熟可靠、经济实用”，并具有跨区域应用和复制推广的基础。这反映出政策评价正在从“有没有先进技术”转向“能不能稳定创造价值”。中国数字渔业面临的任务，实际上比挪威等国家更加复杂。挪威海水养殖产业主要围绕大西洋鲑展开，养殖物种、网箱结构、饲料体系和生产周期相对统一，而且头部企业规模大、场点多，有条件建设集中运营中心和统一数据平台。中国水产养殖则同时存在池塘、工厂化循环水、流水养殖、稻渔综合种养、湖库养殖、近海网箱和深远海设施，涉及鱼、虾、蟹、贝、藻等众多品类。不同物种之间的摄食行为、水质要求、疾病风险和经济价值差异巨大。此外，中国大量养殖主体规模较小，利润率有限，数字化投资能力和专业运维能力不足。一套适用于高价值海水鱼网箱的系统，不可能直接复制到普通淡水池塘；适用于工厂化循环水的控制算法，也无法简单用于稻渔综合种养。因此，中国不能照搬单一物种、单一模式下形成的欧洲数字养殖方案。- 中间层形成水质、投饵、设备、批次和生物资产管理模块；
- 允许中小养殖户以服务方式使用，而不是一次性购买完整系统。
中国的复杂性既是障碍，也是机会。如果能够在多物种、多模式和低成本条件下形成可复制的数字养殖体系，其技术价值和国际市场空间可能超过目前高度集中于鲑鱼养殖的解决方案。数字化项目启动前，应首先确定要改善的生产指标。对多数养殖场而言，最值得优先建设的闭环通常只有三个：如果不能明确技术将影响哪一个经营指标，就不应急于采购设备和开发平台。每个养殖批次都应有统一身份标识，所有水质、投饵、设备、死亡、用药和收获信息应能够追溯到具体批次。同时必须记录人工操作。否则模型只能看到水质发生变化，却不知道工作人员刚刚换过水、清洗过滤池或者调整过投饵。3. 坚持“影子运行—人机协同—受限闭环”的上线顺序AI模型不应一开始就直接控制关键设备。更安全的方式是：先提供建议，与人工决策进行比较；验证稳定后，由人工确认执行；最后只在明确的安全边界内允许系统自动运行。一个数字养殖产品至少应在多个养殖场、多个批次和不同季节中接受测试。评价不仅包括算法指标，还应包括生物结果、经济结果、设备可靠性和人员使用情况。失败案例同样应被记录。只有明确知道技术在什么情况下会失效，才能形成真正可用的产品。未来数字渔业企业不能只销售设备，还需要提供校准、备件、远程诊断、算法升级、培训和生产复盘。对于中小养殖户，可以采用按养殖面积、养殖批次或者节省饲料量收费的服务模式，降低一次性投资门槛，并让技术供应商与养殖效果形成利益一致。中国需要建立覆盖主要养殖品种和典型生产模式的公共基准数据集、标准化测试场及第三方认证体系。行业公共平台不一定要集中保存所有企业数据，但应统一基础数据词典、设备接口、标注规则、评价方法、数据权属和网络安全要求。只有评价标准统一，企业之间的算法性能和设备能力才具有可比性。结语：数字渔业的终点不是“无人”，而是“持续做对”世界先进数字养殖的真正优势，并不是拥有更炫目的大屏、更复杂的算法或者更多机器人，而是能够把感知、数据、模型、设备、操作人员和经营指标连接成一个长期稳定的生产体系。中国与世界先进水平的差距，也不能简单概括为某个传感器落后几年，或者某种AI模型不够先进。技术能否连续运行多个养殖周期，数据能否被信任，模型能否跨场复制，设备失效时能否安全恢复，人员是否愿意按照系统工作，以及投资最终能否反映在饲料系数、成活率、能耗和现金流上。未来五年，中国数字渔业最重要的转型，不是从“小模型”走向“大模型”，而是：从项目型数字化走向运营型数字化，从设备采购走向生产能力建设，从展示生产过程走向真正改变生产结果。数字渔业的终点也不是完全取消人的参与，而是让普通养殖人员在复杂、多变和高风险的环境中，能够持续做出接近优秀专家水平的决策。当数字技术真正进入投饵、增氧、疾病管理和生产计划，并且能够用一个完整养殖周期的经营结果证明自身价值时，中国数字渔业才算从“示范阶段”进入产业化时代。高于行业平均水平的基本工资 + 丰厚的年终奖金 + 项目奖金 + 年度调薪机会，优秀员工可获得股权激励。（有意向请联系客服）订阅关注《深蓝牧鱼》 及时获取更多优质内容！
数据支持｜深蓝牧鱼 内容转载｜联系我们！
