一口塘的溶氧在凌晨三点掉到临界值，天亮前鱼就开始浮头。这类事过去靠老师傅巡塘、靠经验猜，现在水里的探头每隔几分钟报一次数，AI 能在曲线拐弯之前推一条预警。养殖是农业里少见的可控环境：数据连续、反馈明确、损失能算清。这篇按环节讲清楚，养殖、捕捞、溯源三条线上它分别能做什么、做不了什么，以及为什么记录义务要先于技术选型。
一池水的数据，比一张报表诚实
水产养殖的判断长期依赖两样东西：眼睛和经验。水色发暗、鱼群散开、吃食变慢，都是信号，但信号出现时往往已经晚了半天。探头把这几件事变成了连续曲线，水温、溶氧、酸碱度、盐度，每五到十分钟一个点，一天下来几百个数据。曲线的好处是能看见趋势，坏处是噪音一起进来了——探头结垢、鱼群撞击、增氧机启停，都会在曲线上留下尖刺。真正有用的因此是平滑和阈值判断之后的走势，而非那个实时数字。这类连续数据的处理方式，可以参考 时间序列数据怎么建模。
三条线，能做和不能做的分界很清楚
把行业里常见的说法拆成动作，边界就出来了：
| 环节 | 能做 | 不能做 |
|---|---|---|
| 水质预警 | 结合曲线与历史记录，提示缺氧、温差骤变、病害高发的时段 | 替代巡塘；判断某一尾鱼到底出了什么问题 |
| 投喂管理 | 按水温、摄食时长、存塘量给出投喂量区间 | 知道饲料实际被吃掉多少；应对突发的天气变化 |
| 捕捞辅助 | 叠加海况、历史渔获、水温锋面，缩小搜索范围 | 给出确定位置；绕开禁渔期与配额限制 |
| 溯源记录 | 把投苗、投喂、水质、出货批次串成一条时间线，生成可查页面 | 确保记录本身真实；替代现场核查 |
四行里最容易说过头的是第一行和第四行。预警听起来像「提前知道」，实际是「在几种已知模式里认出最像的那一种」；溯源听起来像「全程可信」，实际只是「信息被整理得更容易查」。把这两句分清，后面谈投入才不会被话术带着走。
为什么养殖环节先跑通
养殖是可控环境，这一点决定了它比其他环节更适合上模型。水体边界清楚，变量有限，干预手段也明确：开增氧机、换水、停料，几个动作下去，几小时内就能看到结果。于是「预警—动作—结果」这条回路能快速闭合，模型拿得到反馈，也改得动参数。开放海域的捕捞预测是另一回事，洋流、天气、鱼群洄游一起变，验证一次要等一个汛期，说不清是模型准还是运气好。同一个团队在塘口能做出效果，在远洋往往只能给个方向。
探头漂移之后，预警还算不算数
这是整套方案最脆弱的地方。溶氧探头用久了读数会偏高，酸碱探头结垢后反应变慢，校准记录一断档，后面所有预警都建在错的基础上。模型对数据质量没有免疫力，它会把错的输入算成一条看起来很合理的曲线，然后照样推送。第二种失效是预警疲劳：一天推四十条提醒，塘主第三天就开始不看，等到真出事那条也被划走了。第三种是它只认历史里出现过的模式，第一次遇到的极端天气、新换的混养品种、突然更换的饲料，历史里没有对照，给出的建议可能完全跑偏。数据分布变了而模型没跟着变，这类问题有个专门的说法，可以看 数据漂移是怎么回事。
记录义务先于技术选型
溯源的难点不在技术，在记录本身要能对得上。投苗多少尾、哪天换的水、用了什么投入品、哪天出的货、卖到哪个批次，这些信息过去散在手机备忘录、纸质本子、经销商的对账单里。AI 能把它们整理成时间线，甚至生成一张扫码可查的页面，但它没法让缺失的记录凭空出现，也没法确认填进去的数字是真的。更现实的一点：一旦对外承诺全程可查，任何一段空白都会变成被追问的地方。所以顺序应该是先补齐记录习惯，再上线系统，反过来做只会把漏洞放大。想理解记录之间怎么建立关联，可以看 知识图谱怎么把散落信息连起来。
看这类新闻时该问的三个问题
第一，它解决的是看得见的问题，还是预测未来的问题？前者好验证，后者要等一个周期才知道准不准。第二，数据从哪来、谁校准、多久校一次？答不上来的方案，预警数字多半是演示环境里的。第三，省下的损失能不能覆盖设备、流量、维护和人工？探头要换、网关要供电、平台要续费，这些钱按年算，常常比省下的那部分先到账。三个问题问完，一条新闻值不值得信，心里基本有数。
速查：养殖用 AI 的四个前提
- 探头有校准记录，数据断了自己能看出来
- 预警要少而准，一天几十条等于没有
- 记录先补齐，再谈溯源页面
- 预警与巡塘并行，老师傅的经验仍然管用
