我們的大自然正面臨因氣候變遷、人為過度開發導致的生態失衡危機，傳統保育方法已難以追上每年約3萬物種滅絕的速度，守護地球的行動刻不容緩。幸而，正在迅速發展的人工智慧(AI)可望帶來突破性的解決方案，對於開發者與Maker來說，這不僅是一個可大展身手揮灑創意的「綠色舞台」，也是能運用自身技術專長助力人類打造智慧、永續未來的絕佳機會。
AI賦予自然保育「超級力量」
一個由主要來自澳洲的生態保育專家、生態旅遊與攝影愛好者共同經營的網站Wildlife Nomads，就邀請全球開發者共同加入催生「自然保育AI」(Conservation AI)解決方案的行列──實際上這是2000 年代初期就獲得研究學者注意的領域，並在2010年代開始被大量應用，也就是將AI技術，包括機器學習(Machine Learning)、電腦視覺(Computer Vision)與各種預測分析技術，應用於保護野生動物和維持生物多樣性。這將如同於讓生態保育人員擁有了「超級力量」，能擴大所監控的區域、從照片中識別個體動物、預測盜獵熱點，以前所未有的速度因應生態危機。
過去的生態保育工作仰賴大量人工觀察與資料收集，雖然已有衛星、監控攝影機、熱像儀等等科技展品的助力，AI則能將這些資料收集、分類的過程自動化並全面強化。想像一下，以往亞馬遜雨林區的生態保育人員，可能得耗費幾個月的時間才能從成千上萬的影像中識別出每個物種，AI只需要花幾分鐘甚至幾秒鐘就能完成任務；根據這些資料建立AI模型進一步分析，能讓生態專家更精準預測物種棲地變化。而使用結合AI的無人機或各種邊緣感測裝置，也能對自然保護區發生的情況，如天災或盜伐盜獵行為，即時做出預警或反應。
邊緣運算的力量：讓AI走進大自然前線
而如今這場運用AI保育自然生態的技術革命，推動者不再只是研究學者或生態保育人員，有更多關心周遭環境的開發者，運用容易取得的軟硬體開發工具與AI模型，以及正迅速發展的邊緣運算相關解決方案，也投入了以AI守護地球的行列。如全球性開發者社群網站hackster.io就分享了幾個將靈感化為具體行動的案例。
印度開發者Dhruv Sheth的EleTect專案，利用市面上的IoT開發套件、攝影機與無線連結模組，結合TinyML模型與ElephantEdge 頸環，收集影像、聲音與加速度資料來追蹤大象的活動，辨識掠食者、野火與盜獵者，同時監控雄象的發情期行為。這不僅幫助保育人員即時掌握大象動態，也保護了這些生態系統中的「園丁物種」，維持生物多樣性。
印尼開發者Hendra Kusumah打造的Wildlife Sanctuary Monitor自然保護區監測系統，則是在熱帶雨林與保護區部署SenseCAP感測器，以Seeed Studio的開發板(SenseCAP K1100)為基礎、結合3D列印製作的裝置，可透過聲音、影像與多模態融合模型偵測動物聲響、槍聲及火災，並識別如爪哇犀牛與蘇門答臘猩猩等瀕危物種的危險情況。這套系統讓管理者能遠端監控森林與野生動物的安全，提升保護效率。
針對海洋環境，土耳其開發者Kutluhan Akta以樹莓派(Raspberry Pi)打造的「藻華探測器」(Algae Bloom Detector)，利用水下內視鏡拍攝影像，並在Raspberry Pi 4平台上運作物件偵測模型，結合水質與水溫監測，提前發現有毒藻華，透過WhatsApp API將警示傳送給使用者。這套「經濟實惠、易操作」的預警系統，除了保護海洋生物，也協助政策制定者掌握水域污染問題。
還有另一位印度開發者Salman Faris的開發專案TinyML Forest Ranger則透過超低功耗節點與TinyML音訊模型，監測保護區內非法車輛或砍伐活動，並將警示資料傳送至儀表板，必要時可即時通知巡護員。
從科技驅動到永續未來：開發者行動指南
有志投入以AI守護地球行列的開發者在啟動專案時，最重要的一步是從環境需求出發，明確回答三個關鍵問題：監測什麼？異常怎麼定義？如何將行動結果回饋給生態保護人員？一旦方向明確就可以展開行動。
基礎硬體選擇、模型最佳化與資料管理是成功的關鍵，目前市面上有許多軟硬體開發平台與AI模型資源可供開發者依專案需求靈活組合；而開源框架如Pytorch-Wildlife，以及Google Wildlife Insights等平台，可提供動物影像標註、模型訓練與共享資源，專案開發不必從零開始。
(本文轉載自vMaker台灣自造者，原文連結：https://vmaker.tw/archives/76041)
