世界野生動物基金會的報告顯示，自20世紀70年代以來，脊椎動物的數量平均減少了60%。聯合國的一項全球評估發現，有近100萬物種面臨滅絕的危險，其中許多物種甚至可能在未來10年內就盡數滅絕。

為了更有效地保護野生動物，谷歌與七家國際動物保護組織聯合起來，憑借運動相機拍攝的照片，繪制了450多萬只野生動物的行動地圖。這些照片都發布在了野生動物觀察平臺（Wildlife Insights）上，這是一個支持AI系統的、基于谷歌云而運行的平臺，通過加速動態照片分析來簡化保護和監測野生動物的流程。

人力處理數據困難重重

通過向平臺傳送保護區照片和匯總數據，每個人都有機會改變該保護區的管理方式，并由專業環保人士和決策者的介入，最終幫助增強其保護能力，為野生動物提供更佳的保護環境。

通過運動相機拍攝的動物活動的動態照片，能夠幫助研究人員檢測并評估該野生動物物種的健康狀況，這對那些常日隱居的、罕見的物種來說尤為必要。運動相機在捕捉到活動跡象后，將被自動觸發以拍攝照片。生物學家和土地管理者在世界各處的森林和荒野地區都安裝了運動相機來監測物種，每年能拍攝數百萬張照片。

但當你有數百萬張野生動物的動態要整理時，面對堆積如山的數據，你會怎么做呢？更棘手的情況是，對于那些黑暗的、或在灌木叢間拍攝的照片，難以快速找到動物所在，你又將如何快速處理它們呢？如果光憑人力，又該如何快速過濾多達數十萬張的由自然因素觸發的（如風吹過后搖曳的草），而并無動物存在的無效照片呢？

若單純用人力來工作，處理所有這些照片格外費時費力。在谷歌的野生動物觀察平臺上線之前，十幾年來，生物學家們在收集有效數據方面都遭遇了莫大的挑戰。

用AI系統照亮自然界

有了野生動物觀察平臺，生物學家們可以將已收集到的圖像上傳到谷歌云上，并在編輯圖像時構建谷歌的物種識別AI模型，并與其他在線用戶合作在地圖上可視化野生動物，從而實現遠程觀察動物的健康狀況的圖景。它是世界上最大和且最多樣化的公共動態照片數據庫，允許人們探索數以百萬計的野生動物動態圖像，并按物種、國家和拍攝年份來查詢圖像。

一般而言，一個人每小時只能標記300到1000張圖像。但在谷歌人工智能系統的幫助下，野生動物觀察平臺可以將圖像分類速度提高3000倍，達到每小時分析360萬張照片的高效率。在平臺的開發階段，為了實現這一目標，研究團隊構建了一個AI模型，訓練其使用谷歌的開源系統TensorFlow框架對圖像中的物種進行自動分類。

不僅如此，TensorFlow的機器學習系統還能識別鳥鳴聲，并監測不同鳥兒的身體狀況和活動。在監測時，系統將記錄的音頻切成數分鐘的片段，然后將文件轉換成聲譜圖。根據節奏，聲譜圖被一一切割，每個聲譜圖之間的間隔不足一秒，再由AI神經網絡分別對其進行分析處理。通過這樣的數據處理過程，系統能快速識別出在該時間段內出現了哪種鳥的叫聲，并在匯編聲譜后，生成鳥兒的活動記錄。

TensorFlow已能夠處理不同鳥兒的聲譜圖來識別它們的聲音

盡管物種識別對AI來說是一項具有挑戰性的任務，但在谷歌的AI模型所訓練過的614個物種中，美洲虎、白唇山雀和非洲象等物種能被系統正確識別的概率已在80%到98.6%的區間內。保險起見，沒有絕對的正確識別把握的圖像會被系統自動刪除，這保證了生物學家在平臺上查詢到的圖像都是有效照片。

有了這些數據，保護區的管理者以及反偷獵項目的組織者可以實時線上評估特定物種的健康狀況，地方政府可以利用這些信息為決策提供數據支持，并制定相應的保護措施。

AI分類工具幫助研究人員對614個物種進行分類

得益于先進技術、數據共享和科學分析的有效結合，如今，我們有機會扭轉物種數量持續減少的惡性趨勢。

雖然我們才剛剛開始在野生動物觀測方面應用機器學習技術，但也已小有成就。從用戶們的反饋來看，用AI助手來給照片分類，并由生物學家進行觀測的解決方案，是可以幫助我們保護大自然和生態系統的，如此一來，我們的后代也有可能與眾多被合理保護著的野生動物和諧共處。

紀錄片《森林里的眼睛：使用運動相機和人工智能拯救哥倫比亞的野生動物》更為詳細地介紹了野生動物觀察平臺。這部紀錄片主要講述了一個攝影師的故事，他在野生動物觀察平臺上記錄了亞馬遜地區卡諾克里斯泰利斯保護區的動物的數據，這些動物也因為他的參與而獲得了更好的保護。