6月15日，我国首个渔业大模型“范蠡大模型1.0”在中国农业大学发布，据悉，该模型可以实现渔业多模态数据采集、清洗、萃取和整合等，将为渔业养殖工人、管理经营者和政府决策部门提供全面、精准的智能化支持。
“范蠡大模型1.0”发布现场。中国农业大学供图
渔业大国，面临转型的需求
作为水产养殖大国，我国在2023年水产养殖产量达到了5812万吨，占世界水产养殖总产量的60%以上，为城乡居民提供了1/3优质动物蛋白。
然而，我国水产养殖资源利用率和劳动生产率仍然较低，产业发展面临着转型升级的需求。范蠡大模型设计者、发起者、国家数字渔业创新中心主任、中国农业大学信息与电气工程学院教授李道亮指出，我国水产养殖品种繁多、养殖模式多样化，建立完整的养殖生产模型面临巨大挑战。此外，水产养殖行业劳动力老龄化现象严重，劳动力成本占养殖成本的70%左右，平均年龄达到55岁。新一代缺乏养殖经验，不愿意从事传统养殖生产，急需人工智能技术的支持。
范蠡大模型设计者、发起者、国家数字渔业创新中心主任、中国农业大学信息与电气工程学院教授李道亮。中国农业大学供图
随着现代技术的进步，水产养殖业正经历着从1.0时代向4.0时代的演变。李道亮介绍，渔业1.0时代以小农生产为主，依靠人力、手工工具和经验进行养殖。2.0时代，机械化、装备化程度逐渐提高，以机械动力和电力进行生产。3.0时代，自动化和计算机技术成为核心，生产装备具备数字化、网络化、自动化特征。到4.0时代，物联网、大数据、人工智能、机器人等技术广泛应用于生产，无人化生产逐渐成为现实。
然而，我国水产养殖行业对人工智能、机器人学习等技术的应用相对滞后。如何利用现代技术提升水产养殖效率，打造未来的无人渔场成为亟待解决的课题。
渔业模型，从小到大的升级
李道亮认为，构建基于机理模型的水产养殖模型面临着巨大的挑战。我国水产养殖品种繁多，养殖环境差异巨大，需要考虑鱼类品种、饵料、病害、环境变化等众多因素。由于品种、养殖模式和地区气候的差异，建立像发达国家那样针对每个养殖品种的机理模型并不现实。
“范蠡大模型1.0”的出现为解决这一难题提供了新的思路。大模型是指具有大规模参数和复杂计算结构的机器学习模型，参数数量可达数十亿甚至数千亿。在渔业领域，大模型能够利用深度学习和数据驱动的方法，分析海量的养殖数据，揭示其中的规律和关联性。李道亮表示：“范蠡大模型不仅可以模拟和预测水质、饵料、疾病等因素对养殖效果的影响，还能优化养殖方案，提升生产效率和经济效益。”
智能池塘养鱼场景。中国农业大学供图
随着社会发展和水产养殖业转型，渔业大模型正成为产业发展的重要推动力。李道亮带领团队联合中国联通、中国电信、中国移动三家运营商、全国主要水产院校和科研机构，以鱼、虾、蟹、贝等27种我国主养品种水产文本语料为主，辅以文本、图像、视频、音频等多模态数据，构建了大规模渔业专业知识语料库。通过深度学习架构和预训练、微调、参数共享与注意力机制、提示工程等技术，实现了渔业多模态数据的采集、清洗、萃取和整合。“范蠡大模型不仅实现了丰富的渔业养殖知识生成，还涵盖了水、饵、病、管等多方面多元化的预测、分析和决策功能。”李道亮说。
范蠡为名，改变未来的渔业
成功构建的大模型被命名为“范蠡大模型1.0”。李道亮解释，范蠡是春秋末期越国大夫，他是著名的政治家、军事家，也是商家鼻祖，同时也是我国最早的水产养殖专家。早在2500年前的春秋时期，他就写了《养鱼经》，并流传至今。他希望这个以范蠡命名的模型能够在新时代为我国水产养殖带来新的气象。
据介绍，“范蠡大模型1.0”分为“请问我”、“请听我”、“请看我”、“请决策”四个模块，分别代表文本、语音、视频、物联网决策四大场景，用户可以查询渔业的不同应用。
针对准确监测和评估鱼类健康状况和体重，需要耗时费力，且可能对鱼类造成伤害的问题，国家数字渔业创新中心开发了基于计算机视觉技术的鱼类体重估计模型。该模型利用机器视觉实时捕捉水下鱼类图像，通过深度神经网络算法自动完成图像中鱼类目标的检测和定位，并提取形状、颜色、纹理等多维度特征，以非接触方式实现对鱼类体重的实时、准确估算，同步完成生长及健康状态监测和计算，为投饵决策、水环境、能耗优化控制提供数据支撑。
范蠡大模型利用了多种现代技术，以此实现水产养殖的数字化、无人化。图为鱼的种类识别模型。中国农业大学供图
“当前，范蠡大模型还是1.0版本，未来将会不断进化。人工智能在智慧渔业中的应用是多元化、深远且长期的，不可能一蹴而就。未来，范蠡大模型还有很长的路要走，必须充分发挥通信、科研、水产养殖企业、养殖户等不同领域的优势力量，以产学研用协同推进大模型的开发与应用，人工智能才能真正落地。”李道亮说道。
免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，可联系本站进行审核删除。
