Искусственный интеллект (ИИ) становится одним из ключевых инструментов развития современной аквакультуры. С ростом мирового спроса на рыбу и морепродукты интенсификация ферм выдвигает новые задачи: оптимизация кормления, мониторинг здоровья рыбы, управление качеством воды, снижение смертности и экологических воздействий. Как отмечают исследователи, внедрение ИИ уже преобразует отрасль: компьютерное зрение и машинное обучение повышают эффективность производства и устойчивость ферм, от предотвращения заболеваний до оптимизации схем кормления [1, 2]. В то же время эксперты указывают на проблемы с качеством данных, интеграцией систем и социально-экономическими рисками, требующие междисциплинарных подходов и контроля [1, 3].

Современные аквафермы – морские, пресноводные или смешанные – всё чаще превращаются в «умные» производства с сетями датчиков, подводными камерами и роботами. Например, в Норвегии с помощью подводных камер Aquabyte ежедневно снимаются более миллиона изображений рыб, которые ИИ анализирует для оценки их размера, заражённости паразитами, поведения и состояния[2]. Такие системы позволяют фермерам заранее реагировать на изменения: «мы видим будущее раньше, чем оно происходит» – отмечают пользователи [4, 2].

Типы акваферм и задачи ИИ

Аквафермы делятся на морские (открытые океанические или прибрежные клетки), пресноводные (проточные или рециркуляционные системы на суше) и смешанные (затонувшие отдалённые установки). Во всех типах ферм ИИ применяется для решения схожих задач, адаптированных к среде:

• • Оптимизация кормления. ИИ-модели анализируют данные о биомассе, температуре, уровне кислорода и др., чтобы рассчитывать оптимальную норму и расписание кормежки. Это позволяет снизить издержки и улучшить прирост. Например, компания Innovasea (Канада) предлагает «FlowFeeder» – водный робот с системой ИИ для точной раздачи корма. Кроме того, AI-модули типа BiomassPro у Innovasea оценивают массу рыбы на основе анализа изображений, позволяя точно планировать кормление [7, 8]. Аналогичные подходы используют и стартапы в Азии: индийская FarmMOJO («Aquaconnect») уменьшает затраты на корм на 20–30% через модель «Opti-Febicon» [9], а сканеры и компьютерное зрение на пресноводных фермах Китая анализируют аппетит рыб и автоматически регулируют подачу кормов.
  • Мониторинг здоровья и благополучия. Камеры с ИИ позволяют непрерывно наблюдать за поведением и состоянием рыбы без стресса от ловли. Системы анализируют появление болезненных симптомов, подсчитывают количество паразитов (например, морских вошей у лососей) и сигнализируют фермеру об отклонениях [2, 10]. В немецком проекте MonitorShrimp (AWI совместно с Oceanloop) разработана ИИ-система компьютерного зрения, способная в реальном времени отслеживать рост и поведение креветок – вплоть до раннего распознавания признаков стресса [11, 12]. Анализ изображения позволяет быстро обнаруживать болезни и принимать меры, что значительно повышает выживаемость стада.

• Контроль качества воды. Датчики и камеры в воде собирают информацию о температуре, pH, кислороде, мутности и других параметрах среды. ИИ-алгоритмы прогнозируют изменения этих показателей и помогают управлять системами фильтрации и аэрации. Например, норвежский стартап DynaSpace обрабатывает мультиспектральные изображения со спутников и радаров, чтобы оценивать гидрологические условия и прогнозировать загрязнения [13]. В пресноводных установках (УЗВ) российская компания Aqual («Сколково») разрабатывает системы мониторинга среды и автоматического регулирования кислорода, озона и других показателей, а также «умную кормушку», рассчитывающую порцию корма по биомассе и содержанию кислорода [13].
• Предиктивная аналитика и снижение смертности. На основе больших данных о состоянии ферм ИИ строит прогнозы роста, оптимальных сроков забоя и вероятности вспышек болезней. К примеру, китайский обзор отмечает, что предиктивная аналитика помогает заранее выявлять угрозы заболеваемости [1]. На суше ученые и компании создают цифровые двойники ферм: виртуальные модели, которые «реплицируют» экосистему и позволяют тестировать изменения параметров без риска реального хозяйства. Такие решения оптимизируют цикл производства и понижают потери. Примером является китайский проект «Шэньлан»: «Шэньлан 2» оснащен системой непрерывного контроля биомассы, следит за размером, весом и поведением каждого индивидуума [5]. Это позволяет фермерам быстро вмешиваться (например, изменить кормление или отловить больных рыб) и значительно сократить смертность.

Преимущества ИИ в аквакультуре очевидны: автоматизация снижет затраты и трудозатраты, повысит точность управления, улучшит благополучие животных и уменьшит воздействие на окружающую среду. Тем не менее при внедрении технологий необходимо учитывать риски и ограничения. Среди них – зависимость от качества данных и инфраструктуры (сбои датчиков могут привести к ошибкам). Системы ИИ могут вызвать опасения по этическим причинам: например, использование роботов-обработчиков для массовых процедур (от кормления до лазерной обработки рачков) должно гарантировать безопасность рыбы. Нарушение конфиденциальности данных (например, информации о приватных фермах) и отсутствие прозрачности алгоритмов тоже отмечаются экспертами как проблемы [3]. Кроме того, высокие затраты на технологии могут усилить дисбаланс между крупными и мелкими производителями. Ответственность за решения, принятые ИИ (например, в случае потери части урожая из-за ошибки модели), пока юридически не урегулирована. В целом эксперты призывают вводить эти технологии постепенно и с постоянным участием человека, а также разрабатывать нормативные рекомендации для сельского хозяйства, включая аквакультуру [3, 1].

Глобальный опыт и примеры

Практики применения ИИ в аквакультуре демонстрируют лидеры отрасли по всему миру. Ниже приведены некоторые заметные примеры и инновации по странам и регионам:

• • • Норвегия. Норвегия – мировой центр «умного» рыбоводства. Здесь работают такие компании, как Aquabyte, Innovasea (филиал в Британской Колумбии), TidalX (Google X), DNV и другие. Aquabyte из Бергена установила сотни подводных камер Hammerhead, которые с помощью ИИ-сервисов оценивают массу рыбы, считают морских вшей, анализируют поведение и аппетит рыб [2]. Подобные решения «вооружили» самых больших рыбоводов страны: датчики Aquabyte стоят в сайдах Mowi, Lerøy и других. Google X создала стартап TidalX, разработавший платформу автономного управления на предприятиях: она включает интеллекты для мониторинга биомассы и кормления. В 2025 году Tidal представила новый систему борьбы с болезнями – «Lice Control», которая 24/7 отслеживает появление морских вошей и уничтожает их с помощью «точечной энергии» (специального света) без химических обработок и без стресса для рыбы [10, 14]. Как отметил глава Tidal, это позволяет «защитить рыбу без химии, стресса и простоев» [10]. Другой пример – Innovasea (Канада/Норвегия) добавила к своей камере BiomassPro алгоритмы ИИ для оценки биомассы атлантического лосося в реальном времени [7]. Испытания в Британской Колумбии показали 99.7% точность, что помогает фермам планировать кормление и сроки забоя [8]. Норвежские регуляторы и институты также активно используют ИИ: DNV выпустила инструмент для автоматической валидации соответствия ферм нормативам, а исследователи следят за выбросами и благополучием рыб с помощью нейросетей.

  

  • • Канада. Канада развивает ИИ-решения как в морской, так и в пресноводной аквакультуре. Например, океанский кластер Canadian Ocean Supercluster вложил более $4 млн в проект Grieg Seafood и Innovasea по мониторингу здоровья рыб – с ИИ-камерами и инновационными датчиками сероводорода (H₂S) для заблаговременного определения проблем со здоровьем и условиями в воде [15]. Такая система поможет снизить потери поголовья и повысить выход продукции [15]. Кроме того, Институт Mila (Монреаль) сотрудничает с Innovasea для развития новых ИИ-инструментов: один из них – HydroAI для подсчёта и идентификации рыбы в реках и плотинах, другой – BiomassPro, упомянутый ранее [16]. Так, канадско-французское партнёрство Innovasea–Mila призвано ускорить внедрение ИИ в отслеживание и производство рыбы, совместив опыт аквакультуры с передовыми исследованиями глубокого обучения [16].

  

  • Китай. Китай осуществляет масштабную модернизацию аквакультуры с помощью технологий 4.0, и глубоководные фермы Shenlan 1 и Shenlan 2 проекта «Шэньлан» представляют собой последовательные этапы развития национальной программы по созданию умных морских акваферм для выращивания атлантического лосося. Shenlan 1, введённая в эксплуатацию в 2020 году, стала первой полностью погружаемой фермой страны. Конструкция объёмом около 50 тысяч кубометров и весом около 1500 тонн способна опускаться на глубину от 4 до 50 метров. Она размещена в холодных водах Жёлтого моря более чем в двухстах километрах от берега и оснащена интеллектуальными системами мониторинга и управления кормлением. Первые результаты оказались успешными: выживаемость рыбы превысила 80–90 процентов, средний вес лосося достигал более четырёх килограммов, что подтвердило коммерческую и технологическую состоятельность проекта. На базе полученного опыта в январе 2024 года в провинции Шаньдун спустили на воду «Шэньлан 2» – гигантскую глубоководную ферму высотой 71.5 м и объёмом 90 000 м³. Стоимость проекта около $700 млн. Эта автономная лососевая ферма оборудована комплексом ИИ-систем: автоматической кормовой системой, датчиками погоды и среды, подсветкой и, главное, системой мониторинга биомассы [5, 6]. Она позволяет в реальном времени измерять размер, вес, распределение и аппетит каждого рыбы без вылова. Китайские компании Ocean Group и Wanzefeng видят в этом путь к высокоинтенсивному океанскому рыбоводству. Помимо «Шэньлан», в Китае активно развивают прибрежные цифровые фермы и системы очистки воды с ИИ. Например, китайские стартапы и университеты работают над дронами для автоматического отслеживания состояния сетей и ультразвуковыми датчиками для обнаружения болезней в стаде.Таким образом, Shenlan 1 можно рассматривать как пилотный проект, доказавший жизнеспособность концепции глубоководного выращивания лосося в прибрежных широтах Китая, тогда как Shenlan 2 стала масштабированной и интеллектуальной версией, приближающей страну к созданию полноценного промышленного стандарта океанической аквакультуры будущего.

• • Чили. В Чили – одном из крупнейших производителей лосося – также растёт интерес к ИИ. Совсем недавно Chilean Salmon Council подтвердил, что все ведущие компании (AquaChile, Australis, Cermaq, Mowi, Salmones Aysén) внедряют ИИ на разных этапах производства [7, 8]. Внедрение ИИ позволяет этим фермам оптимизировать операционные процессы, снижать затраты и уменьшать нагрузку на окружающую среду. Одно из местных решений – система SORTpro норвежской компании Aquaticode, которая на базе ИИ сортирует миллионы молодых рыб по полу и потенциалу роста [10, 14]. Два крупнейших производителя Australis и AquaChile применяют SORTpro: нежелательные особи сразу отбраковываются, что сократило смертность и преждевременное созревание рыб [10, 14]. Таким образом, чилийские фермеры уже сегодня используют ИИ не только для анализа данных, но и для принятия активных решений по «поимке» и распределению рыбы.

• Индия и Юго-Восточная Азия. В Индии быстрыми темпами растут стартапы в области «аквакультуры 4.0». Наиболее известна Aquaconnect (Ченнаи) – по сути платформа FarmMOJO, объединяющая ИИ, IoT и спутниковый мониторинг. Она собирает данные о качестве воды, подаче корма, состоянии рыб и запускает алгоритмы оптимизации. По словам основателей, FarmMOJO позволяет фермерам прогнозировать болезни, планировать кормёжку и даже связывать их напрямую с рынками сбыта [9, 17]. Ежегодно платформа помогает нескольким тысячам фермеров АПР снижать затраты и повышать доходность. Другой пример – индийский стартап Aquapulse (Одиша), который разрабатывает AI-консультанта по послесборочной логистике и обеспечивает отслеживаемость продукции [18]. Правительство Индии также активно поддерживает цифровизацию отрасли: например, национальная программа PMMSY и создание прудовых кооперативов (FPO) включают инициативы по внедрению IT и ИИ в рыбное хозяйство.
• Россия. Хотя российская аквакультура пока уступает лидерам по масштабам, в стране появляются инновационные разработки. В Петрозаводском госуниверситете совместно с коммерческими партнёрами создана платформа FishGrow, основанная на ИИ и видеоаналитике [19]. Эта система ведёт мониторинг прудов и загонов (в том числе промышленных бассейнов), прогнозирует рост рыб, автоматизирует управление оборудованием и может интегрироваться с другими системами хозяйства [19]. Уже проводятся испытания FishGrow на рыбных фермах России и Беларуси. К тому же в России есть стартапы по IoT-акватеху: например, FishGuard устанавливает радарные посты на периметр фермы для обнаружения браконьеров и вспышек инфекций, а Aqual («Сколково») разрабатывает комплексные системы контроля воды и «умные кормушки» [13]. Биотехнологический проект Биопринтех создаёт инновационные аэраторы и устройства анализа состава воды, чтобы добиться эффективного выращивания рыбы без потерь [13].

Этические и практические соображения

Внедрение ИИ в аквакультуру открывает новые возможности, но ставит и ряд вопросов. Технические риски связаны с зависимостью от сенсоров и связи: выход из строя датчика может привести к неправильному решению (например, переливу кислорода или перекорму). Кроме того, алгоритмы обучаются на исторических данных – при резких изменениях климата или появлении новых болезней прогнозы могут оказаться неточными. Социальные и этические вопросы касаются, с одной стороны, благополучия животных, с другой – людей. С одной стороны, бесконтактный мониторинг снижает стресс рыб от частого вылова для измерений [2]. С другой – автоматизированная обработка (например, удаление паразитов с помощью лазера у Tidal) должна быть безопасной и проверенной с точки зрения долгосрочного влияния на здоровье (в отличие от химических обработок, такие технологии могут быть менее вредными [10, 14]). Важно также учитывать трудовые последствия: автоматизация может снизить спрос на ручной труд в аквакультуре, что при «подгонке» без переподготовки кадров грозит социальными проблемами. Вопрос ответственности: если решение ИИ (например, неточный прогноз погоды или сбой системы кормления) приведёт к потере части урожая, кто отвечает – фермер, разработчик ПО или поставщик оборудования? Такие юридические и этические аспекты должны обсуждаться на уровне отрасли и государства. Наконец, важно обеспечить прозрачность и обучаемость систем: фермеры нуждаются в объяснениях того, как ИИ приходит к тем или иным рекомендациям, чтобы доверять и корректировать их при необходимости.

Заключение

ИИ уже перестаёт быть футуристической идеей и становится частью практической повседневности в аквакультуре. Компьютерное зрение, машинное обучение и сети датчиков помогают фермерам разных стран – от Норвегии и Канады до Китая и Индии – решать сложные задачи: оптимизировать кормление и расходы, предсказывать вспышки заболеваний, постоянно контролировать состояние стоков и улучшать благополучие рыбы. Примеры Aquabyte и Tidal показывают, как анализ изображений рыб позволяет принимать решения «на опережение» [2, 10]. Проекты типа Shenlan демонстрируют возможность крупных автономных ферм с минимальным ручным трудом и высоким уровнем автоматизации [5, 6]. Научные исследования, такие как обзор Yang et al. (2025), подтверждают эффективность ИИ в аквакультуре, но отмечают необходимость работы над качеством данных и созданием универсальных решений [1].

В будущем ожидается ещё более тесная интеграция ИИ и интернета вещей: появятся цифровые двойники ферм, расширится применение дронов и роботов (например, автономных кормораздатчиков и очистителей сетей), усилится роль больших данных и анализа генетики популяций. Чтобы преимущества технологий раскрылись полностью, важно соблюдать баланс – сочетать новые решения с традиционным знанием и этикой. При ответственном подходе ИИ поможет сделать аквакультуру более продуктивной, устойчивой и экологичной, а мир – накормить растущее население с меньшими издержками и рисками для природы [1, 16].

Источники:

1. scribd.com
2. businessnorway.com
3. pubmed.ncbi.nlm.nih.gov
4. aquabyte.ai
5. salmonbusiness.com
6. salmonbusiness.com
7. seafoodsource.com
8. seafoodsource.com
9. icsf.net
10. fishfarmingexpert.com
11. https://www.google.com/search?q=thefishsite.com
12. https://www.google.com/search?q=thefishsite.com
13. habr.com
14. fishfarmingexpert.com
15. globalseafood.org
16. globalseafood.org
17. icsf.net
18. weareaquaculture.com
19. ai.petrsu.ru