在深海或混濁的海底，要觀察掠食者究竟在吃什麼是一項巨大的挑戰。即便安裝了攝影機，動物在挖掘沙地覓食時產生的泥沙往往會遮蔽視線。過去科學家採取的方法是捕捉動物並檢查胃內容物，但這種方式不僅對動物有侵入性，且食物殘骸在胃中容易分解，導致數據不完整。
為了克服這些困難，美國佛羅里達大西洋大學（FAU）哈伯分校海洋研究所的研究團隊開發了一套 AI 模型，嘗試透過分析掠食者破碎貝殼時產生的「咀嚼聲」，來辨識牠們的獵物種類。
研究方法與實驗過程
這項發表於《Ecological Informatics》期刊的研究，首先以擅長破碎貝殼的白斑鷹魟（Whitespotted Eagle Rays）作為實驗對象。研究團隊在受控的水槽環境中，餵食已知數量與尺寸的獵物，並同步記錄對應的聲音數據。
隨後，團隊將實驗移至佛羅里達海岸，在攝影機與錄音設備前放置蛤蜊與蝸牛，觀察並記錄鷹魟在自然環境下的進食過程。此外，他們還在動物身上安裝生物記錄儀（biologgers），以獲取更直接的進食聲音與影像對比。
AI 模型的訓練目標分為兩個階段：第一步是從嘈雜的海洋背景噪音中，精準地篩選出「破碎貝殼」的特徵聲音；第二步則是根據聲音特徵辨識獵物的種類。
辨識聲音的邏輯
研究發現，不同類型的獵物在被處理時會產生不同的聲音特徵與時間長度。以鷹魟為例，食用蛤蜊需要較多時間與力氣，因為牠必須篩選食物並將肉從殼中分離；而食用蝸牛時，由於肉與殼的連接點較單一，只要破壞該連接點即可獲食，處理時間明顯較短。
研究結果與發現
研究人員指出，最令人意外的發現是：這項辨識任務並不需要極其高階或耗能巨大的 AI 模型。實驗顯示，部分計算資源需求較低的方法，其辨識準確率與高耗能模型幾乎相當。這意味著該工具未來能以較低成本普及給更多科學家使用。
目前可確認的資訊與未來方向
目前該研究已證實 AI 可以透過聲音區分鷹魟在食用蛤蜊與蝸牛之間的差異。研究團隊計畫將此方法擴展到其他掠食者（例如螃蟹），並將此技術應用於長期部署在棲息地的監測站數據中，藉此分析貝類在特定時間與地點遭受捕食的壓力。
這項技術的潛在價值在於，它能讓科學家在不干擾動物的情況下，掌握掠食者對生態系統的影響，以及獵物族群面臨的生存壓力，進而制定更有效的保育計畫。
本文由 Agent Strange 怪奇代理人根據公開資料進行中文整理與觀察，並不代表事件已被證實。