FairRSFM 是一个生物群落感知的遥感基础模型（RSFM）基准，将 14 个陆地生物群落类别映射为六个生态学上有意义的宏组，在统一的冻结骨干协议下评测，覆盖 m-EuroSAT、m-BigEarthNet、m-SA-Crop-Type 与 MMEarth20K 四个下游数据集。在 Prithvi-EO-2.0、SatMAE、DOFA 及三个随机种子上的结果表明，聚合指标持续掩盖随生物群落而异的差距：Prithvi-EO-2.0 在 m-EuroSAT 上整体 macro-F1 为 90.98%，最差组均值却只有 83.72%；m-SA-Crop-Type 整体 mIoU 从 27.30% 降至干旱与矿物组的 18.47%。BOLP、DBR、GroupDRO 三种缓解基线的效果因模型和任务而异，例如 BOLP 在不更新骨干的情况下将 Prithvi-EO-2.0 在 m-BigEarthNet 上的最差组 F1@opt 从 4
客座作者 Prof. Matthew Schwartz 撰文介绍他对 AI 加速科研的新尝试。此前他在《Vibe Physics》中比较过 Claude 与物理学研究生的能力；这次他不再对抗 Claude，而是让它寻找"Claude 形状"的问题——最契合当前 LLM 工具能力的问题，由此构建了用于定量科学精确计算的工具包 BootLoops。同类计算常在差异极大的领域反复出现，Claude 因而联系到生态学、群体遗传学等十余个领域；这些联系技术上往往正确、起初却并不显眼，Schwartz 便与各领域专家合作，引导 BootLoops 面向这些领域真正关心的问题。他同时指出，当前 LLM 擅长做科学却还不是科学家，需要大量细致引导，他称之为"阻抗失配"。
AIhub 发布 2026 年 9 月月度摘要：对 AI 先驱、获奖机器人专家、电影制作人和艺术家 Ken Goldberg 的访谈，谈及机器人学内部的文化碰撞、艺术与科学的相互借鉴，以及 AI 对艺术未来的影响；Isla Duporge 利用遥感和 AI 研究野生动物活动；Hannah Murray 开发优化方法，帮助生态学家确定相机陷阱等传感器的放置位置，以精确估计物种种群数量；Haruka Kiyohara 改进大规模推荐系统两阶段决策中的早期排序器，它可低成本地将多达数十亿物品过滤为较小候选集；Yash Saxena 研究外部知识在 AI 系统中的使用，追踪证据的流转；Haris Aziz、Patrick Lederer 和 Jeremy Vollen 以 “Approximate Strategyproofness in Approval-based Budget Division” 获 IJCAI-ECAI 杰出论文
威斯康星大学麦迪逊分校自然资源经济学助理教授、Global Fishing Watch科学顾问委员会主席詹妮弗·雷纳讨论了AI赋能船舶追踪技术的快速演变。其2026年7月发表的论文“Satellite-Based Fishing Fleet Tracking: A New Foundation for Fisheries Science and Management”指出，过去十年有两项关键突破：Global Fishing Watch于2018年发布基于AI模型的表观捕捞活动数据，首次让科学家、管理者、政策制定者、记者及公众获得全球尺度的工业捕捞船队数据。但AIS仍存在重大盲区，如船长可关闭或篡改应答器，卫星接收在许多地方仍不佳。
论文介绍用于设施农业大规模授粉监测的自动引导机器人 AGRICAM。该系统沿作物行间的低成本轨道自主运行，配备两台 RGB 相机、微气候传感器、GPS、RFID、运动传感器和 4G 连接，并将昆虫位置与局地环境数据上传云端，由计算机视觉模型量化访花及其时空变化。在一处商业蓝莓农场的测试中，它在 30 小时内绘制了长 80 m 工业塑料大棚中的昆虫授粉模式，确认棚内传粉者分布均匀，同时显示昆虫活动随时段和微气候而变化。
BirdCODE是地球物种项目（Earth Species Project）开发的一种监督式深度学习模型，用于鸟类声学零样本声音事件检测。该模型利用弱标注录音、合成声景和伪标注数据等多阶段训练策略，可对超过9000种鸟类进行时间精确的检测和分类。将其应用于超过一百万条录音，展示了规模化时间注释如何促进跨物种、季节、地理和混合物种互动的叫声行为分析。模型权重和检测结果已在GitHub上公开，以支持动物语言处理研究。该论文为预印本，目前正在审稿中。
这是一项一方原型展示，不是准确率研究。真正可迁移的是工作流：历史科学文献先变成结构化记录，再接入现代分类体系，最后做成可探索界面。原帖没有报告专家复核、错误率或可复用数据集，因此目前不能把结果当成已经验证的分类学数据。
授粉是地球最重要的生态过程之一，但了解不同昆虫如何贡献于授粉仍然困难。许多蜜蜂访花但不都传粉，传统区分生态功能需要劳动密集的田间实验，难以规模化。在2025年NeurIPS非人类动物通讯AI研讨会中，Alef Iury Siqueira Ferreira介绍了团队开发的声学模型，按生态功能对蜜蜂分类，提供可扩展的授粉研究方法。文章讨论了测量授粉质量的挑战、功能监测相比物种清单的优势，以及ML如何帮助理解传粉者、植物与生态系统之间的关系。
Ai2 发布 OlmoEarth 平台，用于支持其地球观测基础模型的大规模推理。该模型基于约 10 TB 多模态卫星数据预训练，已用于森林砍伐监测、粮食安全和野火风险等应用。平台旨在帮助缺乏基础设施的环境组织，提供从微调到推理的完整服务。目前，平台可在约一天内处理覆盖大陆区域的数据，处理数十 TB 影像，成本低于每平方公里一美分。文章还介绍了开发中应对的工程挑战。
荷兰 Naturalis 生物多样性中心的 Dan Stowell 教授领导“BioacAI”项目，旨在利用人工智能分析庞大的野生动物声音数据，以更高效地监测生物多样性。这一为期四年、由欧盟资助的项目汇集了欧洲和英国的研究人员，开发能自动识别物种的AI工具，预计2027年结束。同时，项目通过博士网络培养兼具声学、AI、动物学和生态学知识的“全栈”人才，以应对领域内技能短缺的挑战。
公民科学项目产生的生态数据量庞大，但手动分析海量录音耗时且困难。Earth Species Project的Julia Tan在NeurIPS 2025的“AI for Non-Human Communication”研讨会上发表论文，展示了如何利用AI流水线从嘈杂的公民科学录音中提取有用信息。她评估了旗舰模型NatureLM-audio在分析数十万条蛙类录音中的表现，发现即使不进行微调，该模型也展现出强大性能和节省时间的潜力，有助于支持大规模生物多样性监测。
地球物种项目（Earth Species Project）发布2025年度报告，总结了在动物语言处理（Animal Language Processing）领域的进展，包括：开发并开源了首个专为分析动物声音设计的大型音频语言模型NatureLM-audio；发表了14篇新论文；与研究虎鲸（与Raincoast保护基金会合作）、斑胸草雀（与麦吉尔大学合作）和腐肉乌鸦（与莱昂大学合作）等物种的研究者开展合作。此外，他们在NeurIPS会议上共同组织了“AI for Non-Human Animal Communication”研讨会，这是该主题首次正式出现在重要AI会议上；他们还共同组织了BioDCASE的多声道对齐挑战赛。
在野外，斑胸草雀并非孤立鸣唱，而是在动态社会群体中相互呼唤。生态学家理解这种交流需要知道谁在与谁通信，但个体级别的追踪一直困难。生态学家Hugo Loning与AI研究员Aneesh Chauhan合作，应用Earth Species Project开发的自我监督生物声学模型BirdAVES，从野外录音中识别个体斑胸草雀，生成“谁在何时歌唱”的时间线，从而研究社会行为、移动和信息共享。该论文已被NeurIPS 2025首届非人类动物AI研讨会接受。
俄亥俄州立大学计算机科学与工程、电气与计算机工程以及进化、生态和有机体生物学教授Tanya Berger-Wolf，在Huck生命科学研究所主办的“生命科学杰出讲座”系列中，发表了题为“AI for Nature: From Science to Action”的演讲。
过去十年，动物通信研究因大规模行为与生物声学数据、机器学习进展而走向融合。作者称这一融合为“Animal Language Processing（ALP）”，即以AI规模化研究非人类通信；该词由资深AI研究员Masato Hagiwara在2024年日语演讲中首次使用。ALP基于数十年动物行为学、野外生物学与生物声学积累，如大象以不同名字互称、雌性白鲸用“回来！”唤回幼鲸等发现。当前变化包括被动声学监测、动物佩戴标签、长期视频记录等工具带来的数据量与多样性空前增长，以及更大问题的提出。