《NJAS: Impact in Agricultural and Life Sciences》：Costs and benefits of AI camera systems in pig farming: A systematic literature review
编辑推荐：
近年来，采用人工智能（AI）方法的摄像系统是生猪养殖领域的研究热点，现有研究多聚焦于技术功能性与可行性，然而农业新技术落地的最终决定因素在于终端用户的成本与收益。研究人员借助ASReview软件开展系统性文献综述，旨在厘清生猪养殖场景下AI摄像系统的成本与经济
近年来，采用人工智能（AI）方法的摄像系统是生猪养殖领域的研究热点，现有研究多聚焦于技术功能性与可行性，然而农业新技术落地的最终决定因素在于终端用户的成本与收益。研究人员借助ASReview软件开展系统性文献综述，旨在厘清生猪养殖场景下AI摄像系统的成本与经济收益是否可被识别。经全面文献检索共获得4191篇出版物，最终纳入分析的文献为48篇。技术分析显示，63%（n=30）的相关技术属于面向简单动物监测任务的初级AI方法。已报道的效益主要包括劳动力与兽药支出削减、疾病早期发现带来的优势，以及生长阶段生产性能损失的降低。此外，基于AI的技术在群管理（如生长监测）、动物福利提升与死亡率降低等方面亦展现出潜在贡献。然而，所有纳入研究均未对购置、维护或系统部署等相关经济成本进行全面核算。尽管既有研究提及此类系统的潜在成本与收益，但缺乏规范的经济学评估。除直接部署成本与潜在节本增效外，还需重点关注技术性能指标——例如灵敏度不足可能引发额外支出。
引言
过去十年，面向畜牧业的人工智能（AI）摄像系统快速发展，为生猪养殖者在动物监测、圈舍流程自动化等方面提供了全新工具。现有研究覆盖躺卧行为识别、疾病监测、个体追踪等多个技术方向，已有综述证实此类系统在实时健康与福利监测层面具备可行性。学界常以劳动密集型监测需求、动物福利改善与生产提质增效为依据论证AI监测系统的必要性，叠加农业劳动力尤其是养殖环节熟练与非熟练劳动力短缺的现实背景，辅助养殖户日常作业的智能化系统需求将持续上升。当前多数评价停留在技术功能验证层面，缺乏从经济、法律、管理等维度的综合审视，而这直接关系到技术在实际生产中的接受度与应用广度。
材料与方法
本研究严格遵循系统性文献综述与Meta分析优先报告条目（PRISMA）规范开展。核心研究问题聚焦于：能否识别生猪养殖中AI摄像系统的成本与经济收益？具体包括成本收益是否被量化、技术效益如何分类、价值增值节点分布、衍生价值及测算方式，同时兼顾技术分级与欧盟法规适配性分析。
文献检索于Science Direct与BASE数据库开展，检索式涵盖“AI”“artificial intelligence”“automated”与“camera”“computer vision”“surveillance”“monitoring”及“pig”“sow”“piglet”“weaner”的组合。纳入标准为2013–2023年同行评审英文原创研究，明确针对生猪养殖场景下的AI摄像系统并报告具体技术指标；排除病例报告、会议论文、非AI系统研究及其他物种相关研究。
文献筛选分两步：首先由研究人员借助ASReview机器学习工具完成标题与摘要初筛，该工具基于支持向量机实现人机交互标注，可显著提升筛查效率；随后对初筛获得的潜在相关文献开展全文复筛，最终确定纳入分析的研究集合，筛选流程以PRISMA流程图完整记录。
数据提取阶段构建了标准化Excel数据库，逐篇记录文献基础信息、生猪生命周期阶段、养殖类型、价值链位置、应用场景、AI方法与分级等内容。同时依据欧盟AI法案（EU AI Act）与ISO/IEC JTC 1/SC 42标准制定法律风险评估清单，从用途、监管环境、训练数据、透明度与人工监督等维度对每项技术的合规风险进行分类。技术分级则参照自建的五级模型：规则驱动（阶段0）、狭义AI（阶段1）、情境感知AI（阶段2）、自适应AI（阶段3）与自主AI（阶段4）。
结果
检索结果与纳入研究特征
初检获得6226篇文献，去重后剩余4191篇进入初筛，经ASReview筛查与10%抽样复核，最终79篇进入全文评估，排除31篇后共48篇研究纳入分析。纳入文献中三分之二发表于2019–2023年，研究国家覆盖13个，以中国（n=17）、美国（n=8）与德国（n=7）为主；36项研究为实验条件下开展，仅9项为商业农场实地研究。
成本与收益
所有纳入研究均不同程度报告了技术效益，集中体现为劳动力与兽药成本下降、疾病早发现及生长性能损失减少，群管理优化、动物福利提升与死亡率降低亦被多次提及。但无任何研究从经济学视角量化系统购置、运维、部署等实际成本，也未将效益转化为可测算的经济指标，14项研究仅关注AI算法性能指标而未涉及任何经济层面的收益讨论，整体缺乏企业层面的成本收益核算。
价值链定位
按生猪生命周期划分，25%的研究聚焦育肥猪（n=12），其余分别针对生长猪、保育猪、哺乳母猪等不同阶段，仅3项研究覆盖跨周期场景。技术应用的价值链位置与生猪生产阶段高度匹配，但跨阶段的通用性仍有待验证。
养殖外的衍生效益
除直接生产价值外，持续采集的视觉数据可用于产品溯源与全链条透明化，在猪场建设优化、屠宰环节与兽医服务中具备潜在应用价值。疾病监测数据可支撑疫病防控，长期行为数据还能关联遗传育种，通过表型—基因型映射助力品种改良，相关潜在价值已被初步识别但尚未形成成熟的商业化路径。
技术分级
63%（n=30）的研究采用狭义AI（阶段1），即针对单一任务设计的简单算法；21%（n=10）为情境感知AI（阶段2），可结合场景语境解读行为含义；仅1项研究达到自适应AI（阶段3），可实现实时数据驱动的持续优化；无研究实现自主AI（阶段4）的多任务自主决策。整体而言，现有技术均以单点任务支持为主，尚未形成复杂场景下的集成化智能应用。
法律分级
依据欧盟AI法案分类，77%的系统被归为最小风险，8项为有限风险，3项为高风险。高风险场景主要涉及非洲猪瘟检测、圈舍污染预警与攻击行为识别，这类系统若商业化需满足更高的训练数据质量与合规性要求。此外，视觉数据可能采集猪只耳标等信息，存在间接关联养殖场主个人身份信息的风险，当前法规对此类数据处理的要求尚不明晰。
讨论
本综述揭示，现有研究多集中于实验室环境下的技术可行性验证，实地应用证据严重不足，导致成本收益结论的外推性受限。AI摄像系统虽在体重估测等场景实现了较高精度，但劳动力替代效应被高估：养殖户的现场作业包含关系建立、突发情况处置等多维任务，难以被单一技术完全取代；且算法准确率指标未考虑假阳性带来的额外工作负担，尤其在疫病监测场景下，误报可能造成严重的资源错配。
成本层面，现有研究普遍忽略硬件之外的系统集成、数据运维、清洁维护等隐性成本，而这类支出在污染高发的养殖环境中尤为突出。技术采纳的核心门槛在于全生命周期成本与收益的权衡，当前缺失的经济学证据直接导致养殖户决策依据不足。
数据价值方面，持续积累的养殖数据有望赋能育种、供应链透明化与消费者信任构建，但数据共享面临所有权界定不清、买方市场垄断压价等市场失灵风险，若无法建立合理的利益分配机制，将进一步削弱农户的采纳意愿。
法律与伦理层面，高风险AI系统的合规门槛、生物识别数据的隐私保护问题，以及技术应用中对动物福利、劳动过程监控的社会考量，均是未来研发必须回应的议题。研究同时指出，自建的技术与法律分级框架虽力求透明，但仍存在单一研究者筛查可能带来的选择偏倚、非英文文献遗漏等局限，相关结论需谨慎解读。
结论
现有证据表明，生猪养殖AI摄像系统在技术功能上已具备应用基础，法律合规性整体可控，但经济维度的评估严重缺失。单纯以算法准确率衡量技术价值存在明显局限性，未来研究必须补上成本收益分析这一关键环节，通过多学科协作构建兼顾农户、动物、产业链与社会的综合价值评估体系，才能真正推动该类技术在商业养殖场景中的落地应用。
