MIT博士生贾斯汀·凯（Justin Kay）是计算机科学与人工智能实验室（CSAIL）的研究员，也是电气工程与计算机科学系助理教授、CSAIL首席研究员萨拉·比里（Sara Beery）团队的一员。他正致力于利用计算机视觉和机器学习技术，解决生物多样性监测中的数据处理瓶颈问题。当前，全球超过3500种动物正面临灭绝风险，主要受栖息地破坏、资源过度开发和气候变化影响。为应对这一危机，凯和团队正在开发高效、智能的AI分析工具，以更精准地追踪野生动物种群动态。 在一项最新研究中，凯与麻省大学阿默斯特分校的同事共同提出了一种名为“共识驱动的主动模型选择”（Consensus-Driven Active Model Selection, CODA）的新方法。该方法旨在帮助生态学家从数百万个现成的预训练AI模型中，快速筛选出最适合其特定数据集的模型。传统方式需大量人工标注测试数据以评估模型性能，耗时耗力。而CODA通过“主动学习”机制，仅需用户标注约25个最具信息量的数据样本，即可基于模型间的预测共识，高效推断出最优模型。 其核心原理在于：多个模型的集体预测比单一模型更可靠，如同“群体智慧”。通过构建每个模型的混淆矩阵（即模型对各类别的预测准确性），并结合已标注样本的反馈，系统可动态估算各模型在整体数据上的表现概率，从而指导用户精准标注关键样本，极大减少人工成本。 该方法已成功应用于野生动物图像分类，例如识别太平洋西北部的鲑鱼、鸟类和哺乳动物。在实际应用中，研究人员常面临数据分布漂移问题——新部署的摄像头捕捉到的图像与训练数据差异大，导致模型性能下降。为此，凯团队还开发了新的“领域自适应”框架，有效提升了鱼类计数的准确率，相关成果已发表于《机器学习研究汇刊》。 此外，团队还探索将AI预测与生态统计模型融合，使技术输出真正服务于“物种分布变化”“生态系统健康评估”等核心科学问题。凯强调，AI的价值不在于训练模型本身，而在于如何高效评估其在真实场景中的表现，并将人类专家知识融入分析流程。 这项工作被国际计算机视觉会议（ICCV 2025）评为亮点论文（Highlight Paper），并已发布于arXiv预印本平台。研究获得美国国家科学基金会、加拿大自然科学与工程研究理事会及阿卜杜勒·拉蒂夫·贾米尔水与食品系统实验室（J-WAFS）支持。 凯表示，随着自然环境变化速度前所未有，AI必须从“技术工具”转变为“科学伙伴”——帮助研究者从假设到数据驱动的决策实现快速转化。CODA等方法的出现，正为这一目标提供关键支持。