美國密西根大學（University of Michigan）主導的一項跨機構研究，發表於《美國國家科學院院刊》（PNAS），證實大型語言模型（LLM）如 Claude 與 ChatGPT，能有效從 eBird、iNaturalist 等公民科學平台數以百萬則的業餘觀察留言中，精準萃取出「物種互動作用」（species interactions）的關鍵生態數據。
研究團隊以兩項個案驗證可行性：一是西海岸紅紋蝶（West Coast Lady butterfly）與西海岸植物的授粉關係，二是 eBird 平台上密西根鳥類的覓食、共棲與競爭行為記錄。在基準測試中，一名大學部研究助理耗時八小時分類的近 500 則留言，Claude 僅花六分鐘便完成同等任務，效率提升達 80 倍以上。
更關鍵的發現是，AI 在過程中挖掘出西海岸地區外來植物物種悄然入侵的早期跡象，這些訊號在傳統生態調查方法下極可能被忽略。研究團隊強調，AI 並非取代科學家，而是扮演「資料前處理引擎」，協助研究者將散落在網路各處的非結構化文字，轉化為可供科學分析的結構化資料集。經費來源橫跨美國國家科學基金會（NSF）、美國農業部（USDA）、David and Lucile Packard Foundation 及 Alfred P. Sloan Foundation 等公私部門。
這項研究本質上屬於純科學方法論的典範轉移，並非政商利益博弈事件，因此無須強行套用地緣或商業角力框架。其真正的深層意涵，在於生態學研究方法的世代交替，以及公民科學（citizen science）運動與生成式 AI 兩股平行浪潮的歷史性交會。
物種互動作用的觀測始終是生態學最棘手的方法論瓶頸。 傳統上，仰賴受訓生態學者長時間蹲點守候特定生態系，但這種「高人力成本、低地理覆蓋」的侷限，使得跨時空尺度的互動作用資料極度稀缺。研究第一作者 Hengxing Zou 指出，人類無法在 7x24 小時內同時監測同一塊棲地，但物種間的覓食、授粉、共棲與競爭行為，正是連結生態系功能與穩定性的核心環節。
從歷史脈絡觀察，eBird 自 2002 年由康乃爾鳥類學實驗室與美國國家 Audubon 學會共同建置以來，已累積逾十億筆觀察記錄；iNaturalist 平台亦匯聚數億筆業餘生物觀察。這些資料的真正價值長期被「隱藏在留言欄中」，因平台初衷並非為科學研究設計。 過去若欲從中萃取資料，僅能依靠人工逐筆閱讀，導致資料利用率極低。
Zou 特別強調其團隊使用 AI 的方式是「質樸的」（rustic）：他們刻意將 LLM 定位為資料篩選與分類工具，而非讓 AI 進行科學推論或創意決策。這種「人類定義問題、AI 執行勞力密集型閱讀工作」的分工模式，正是當前 AI 與科學研究結合時最務實且爭議最少的一條路徑。事實上，參與這項研究的成員涵蓋加州大學聖塔 cruz 分校、戴維斯分校、喬治亞理工學院、美國鳥類保育協會、聖母大學、聖塔菲研究院及密西根州立大學等八所機構，顯示公民科學 AI 化已開始形成跨校、跨州的學術合作網路。
比照 2012 年深度學習引爆影像辨識革命，進而促成 iNaturalist 等平台的物種自動辨識功能普及的歷史軌跡，LLM 與公民科學的結合極可能複製類似典範轉移。以下預測三種未來情境：
針對不同利害關係人，本研究的方法論突破提供了明確的行動藍圖：
01 起因觸發：密西根大學團隊證實 LLM 可從 eBird 留言高效率萃取物種互動資料
02 一階傳導：公民科學平台資料利用率從個位數百分比躍升至可量化規模
03 二階擴散：生態學、流行病學、入侵生物學研究方法論同步轉型升級
04 三階擴散：政策端加速導入 AI 監測工具進入國家生物多樣性策略
05 宏觀終局：全球生物互動作用資料庫成形，成為預測生態系崩潰與跨物種傳染病的數位基礎設施
領域延伸情報推薦 相關延伸研讀
依主題領域自動關聯之高參考價值外電情報
