介绍计算机算法不仅可以帮助我们检查软件程序中的错误，还可以帮助科学家找到自然界中真正的错误。今年发表在PNAS上的一篇论文提出了基于传感器的大规模昆虫检测，利用深度学习技术获取全面的生态信息大数据。生物种群进入了快速灭绝的新时代。世界已经到了一个危急关头：许多迹象似乎预示着世界末日的到来。以生物学为例，人类现在正在经历的第六次生物大灭绝，可能相当于6500万年前的白垩纪大灭绝事件。在那种情况下，曾经是地球统治者的恐龙沉入地下，成为岩层中的化石。科学家和博物学家都可以轻松访问大量鸟类、哺乳动物和两栖动物的灭绝记录。在那段时间里，地球上大约80%的物种消失了。现在，有无数的研究报告表明昆虫正在消失。三年前，德国克雷费尔德昆虫学会的一份报告得出结论，飞虫的数量在30年内减少了75%。随后，发表在《自然》杂志上的一项关于昆虫总生物量和种群数量的测量研究[1]也证实了这一点。昆虫在世界上扮演着重要的角色然而，与其他表明昆虫种群保持稳定的研究相比，这样的结论可能确实是耸人听闻的。研究人员想知道昆虫灭绝的影响是否被夸大了。考虑到昆虫对我们人类生存环境的重要影响，研究人员在做出相应结论之前应该有准确详细的数据。昆虫就像可以自我加油的微型汽车。昆虫的身体结构比人类发明的任何设施都要先进。昆虫可以执行无数的任务。从瓜果蔬菜到杂草花粉，从枯枝落叶到粪便腐肉，昆虫可以说无处不在。它们净化土壤和水，促进自然界养分的产生。在循环。蜜蜂提供授粉（图片来源pixabay）因此昆虫为生态系统中无数其他物种提供了食物来源，昆虫数量减少的影响可能难以想象。尽管现代科技发展迅速，但研究人员并没有显着改进探索昆虫的手段。研究人员仍在使用缓慢、低效和劳动密集型的方法追踪昆虫。如果他们能用新技术完成这项古老的工作，获得更详细的昆虫信息，相应的问题就会更容易解决。人工智能带来希望然而，在过去的十年中，深度学习等技术的发展为昆虫学这一古老学科带来了新的机遇。基于深度学习算法的图像处理技术和计算机视觉技术正在取代传统的人工观察方法。在农业中，昆虫通常被视为害虫。因此，现有的昆虫检测技术往往通过检测昆虫的行为，开发出更高效的杀虫剂来控制害虫。然而，研究人员可以根据相同的技术原理重新调整它的用途。最近的研究表明，使用相机、雷达和麦克风等传感设备可以获得的数据集的大小比传统观察方法高出几个数量级。因此，深度学习算法成为提取和处理数据的重要工具。该方法已用于单一物种的检测。例如，研究人员可以将以橄榄树为食的昆虫引诱到陷阱中，然后自动拍照并使用远程服务器中的算法对其进行分析。相应的识别算法在人脸识别问题上已经超越了人类的能力，昆虫领域也不例外。深度神经网络已经可以识别和统计昆虫的数量，还可以获得更丰富的内容，比如蜜蜂和其他访花昆虫的季节动态信息。H?ye和他的同事[2]专注于几个具有潜在革命性的研究应用。首先，为了更好地了解全球昆虫减少的严重程度，世界各地的研究机构可以开始采用基于图像识别的技术来监测昆虫的数量和多样性。类似于拍照、识别花朵等手机应用，人们也可以用同样的思路来识别昆虫个体[3,4]。虽然这种方法不太适合严肃、系统的生态检测和科研任务，但也是一个值得期待的方向。能够生成高时间和空间分辨率图像的延时相机也正在开发中，可用于检测田野、森林和其他地区的特定昆虫种类。深度学习进一步促进昆虫研究这些新技术也带来了了解物种间相互作用的机会。物种之间的相互作用对整个生态系统至关重要。但由于发生时间不确定、概率低，人工检测和记录难度较大。然而，高速图像检测技术可以解决这个问题。比如昆虫访花、动物吃草、落叶植物的过程，都可以通过固定的摄像头位置记录生物完整的生长过程。延时相机和深度学习技术记录植物与昆虫相互作用的能力也得到了证明。物种之间存在着复杂的相互作用。Nature(S.Seiboldetal.Nature574,671–674;2019)更雄心勃勃的目标之一是利用机器学习图像识别和分类技术来促进分类学本身的发展。在最近的一项研究中，识别系统通过从大约65,000幅博物馆标本甲虫图像的数据中学习，实现了75%的成功率。虽然识别系统的成功率会提高，但分类学家不必担心“人工智能抢饭碗”等失业问题。新技术可应用于日常的鉴定鉴定工作，减轻科研人员的工作量，让专业人员将更多的精力投入到标本研究中。
