水生所發表綜述文章探討AI驅動的生物分類學
人工智能正與科學研究深度耦合并加速重塑科研范式；在國家層面“AI for Science”持續布局推動下，AI驅動的知識發現路徑正在從愿景走向現實。近日，中國科學院水生生物研究所何舜平研究員團隊在《Science China Life Sciences》發表綜述文章“Advancing biological taxonomy in the AI era: deep learning applications,challenges,and future directions”。論文指出，生物分類學正處于從運用傳統形態學、分子系統學方法走向人工智能驅動的新拐點，深度學習正在重塑圖像、聲音、基因序列與性狀特征解析等多個生物識別與分類關鍵環節。
文章系統梳理了深度學習在物種圖像識別、生物聲學監測、DNA/eDNA序列分類及性狀機制解析中的最新進展，并指出隨著基礎模型將基因組視作“語言”進行大規模建模，從核酸序列到表型特征的跨層級推斷能力正在成形，“AI-分類學家”有望成為未來生物學研究的新型基礎設施。文章在結論中強調，AI不會替代分類學家，而是在重塑其方法論與工作流；分類學家在性狀解讀、進化脈絡判斷與模型校準等環節仍具有不可替代的優勢，應主動參與并引領AI與生物分類學融合的下一階段。
圍繞AI在生態監測中的應用轉化，水生所科研團隊已研發多款智能化設備，包括用于樣品自動處理和快速識別的浮游生物智能識別系統、底棲動物智能識別系統等。這些設備可以大幅縮短“樣品處理-識別-報告”的流程時間，能夠為環境風險評估提供更前置的生物學證據；在長時間連續監測、環境評價與水生態治理決策中具有現實意義。
作為長期從事魚類分類與系統演化研究的學者，何舜平研究員在文中呼吁：在AI驅動的時代，分類學家更需要轉變角色，從“命名者”升級為“基準制定者”和“模型校準者”。分類學家對生物性狀特征的深刻理解正是訓練和啟發基礎模型不可替代的關鍵認知，使AI能夠更貼近真實的生命規律，而非僅停留在表層統計關聯。
該工作揭示了傳統分類學與人工智能加速融合的趨勢，勾勒出分類學從經驗驅動邁向數據與模型驅動的新階段，并為生態監測智能化及生物基礎模型構建提供了可參考的路徑框架。
圖1 深度學習在生物圖像、聲音、基因序列與性狀特征等方面的應用
圖2 應用于浮游生物智能識別與報告的深度學習模型和自動化設備
圖3 深度學習模型與環境DNA監測技術結合
圖4 基礎模型有望解決生物分類學中的基礎問題
圖5 水生所研發新一代浮游生物智能識別儀（圖片來自水生生物數據分析管理平臺）
圖6 水生所研發新一代底棲動物智能識別儀（圖片來自水生生物數據分析管理平臺）
水生所陸蘇祥工程師為文章第一作者，水生所何舜平研究員、北京大學姚蒙研究員、中國科學院動物研究所郭寶成研究員為文章共同通訊作者。
文章鏈接：https://www.sciengine.com/SCLS/doi/10.1007/s11427-025-3074-8
