AI野生动物识别遇迁移危机 跨场景准确率大幅下滑

近日，埃克塞特大学研究团队在《公共科学图书馆·生物学》刊发论文《生物学中的深度学习正面临一场迁移性危机》，直指AI野生动物识别技术暴露致命缺陷。研究显示，这类AI模型在封闭训练数据集上表现优异，但迁移到真实野外场景时准确率骤降，可能误导野生动物保护决策，专家呼吁摒弃单一基准测试，改用真实使用场景评估AI性能。

3月4日，科技媒体Phys的一则深度报道将AI落地的隐秘漏洞公之于众：埃克塞特大学的两位研究者在最新刊发于《公共科学图书馆·生物学》的论文中，拆解了当前AI野生动物识别技术的主流宣传误区——尽管不少厂商宣称其模型能像人类观察者一样适配多样生态，但实际效果远未达预期。

研究团队通过对比实验发现，当前主流的AI野生动物识别模型，其训练数据集大多来自标准化的采集场景：比如专业红外相机拍摄的清晰素材、圈养野生动物的图像库，或是实验室环境下的受控拍摄内容。但当模型被部署到真实野外环境中时，光线变化、植被遮挡、不同季节的物种外观差异等变量，会让模型的识别准确率出现断崖式下跌，甚至会将本土保护物种误判为入侵物种，直接干扰野生动物保护的决策制定。

这篇论文并未将问题局限于野生动物识别领域，而是以医学诊断成像作为另一典型案例进行佐证：当前不少AI医学影像辅助诊断模型，在实验室基准测试中能达到接近90%的准确率，但放到真实临床场景中，因患者个体差异、医疗设备参数波动、扫描角度变化等因素，准确率会下滑至70%以下，甚至可能出现严重的误诊风险。这也意味着，“迁移性危机”是当前深度学习落地的普遍痛点。

研究人员在论文中明确指出，当前AI行业过度依赖实验室基准测试来评估模型性能，这种评估方式本质上是在“理想化环境”下完成的，无法反映真实使用场景的复杂性。不少厂商为了快速推进商业化，刻意放大模型在基准测试中的优势，却回避真实场景下的性能短板，这不仅会误导行业认知，还可能引发更严重的信任危机。因此，研究团队呼吁，AI落地前的评估必须转向真实使用环境，只有经过真实场景的验证，才能真正判断模型的实用价值。

从野生动物保护到医疗诊断，AI的落地场景正在不断拓展，但这场“迁移性危机”也提醒行业：AI的价值并非仅由实验室数据决定，只有真正贴合真实需求的技术评估，才能让AI真正服务于社会。