急速な生物多様性の喪失は、効果的なモニタリングの緊急性を高めているが、従来の手動調査は資源集約的であり持続可能ではない。一方、デバイス上で動作するAI（オンデバイスAI）は拡張可能な代替手段として注目されているが、野外環境の変動性（照明の変化、天候、種の形態差など）が性能を著しく制限する。現在の主流手法はクラウドコンピューティングに依存しており、デバイスが収集した画像や動画をクラウドにアップロードし、モデルの再学習や微調整を行った後、更新されたパラメータをデバイスに戻すという流れを取る。しかし、遠隔地では限られた電力と不安定なネットワーク接続のために、このような大規模なデータ転送は現実的ではない。
この課題に対処するため、Jiaxing LiらはarXivに提出した論文（ID: 2605.16671）において、「モデル適応」から「知識適応」へのパラダイムシフトを提案している。研究チームは、視覚知覚と推論を分離する新しいアーキテクチャを設計した。フロントエンドは軽量な視覚エンコーダであり、画像特徴を抽出する。バックエンドは動的知識ベースであり、専門家の経験、種の属性、生態環境に関する知識を構造化された形式で格納する。従来の手法が専門知識をモデルパラメータに暗黙的にエンコードしていたのに対し、この知識ベースは明示的であり、検索や更新が容易である。エッジデバイスが未知または曖昧な視覚入力に遭遇した場合、システムはモデル全体を再学習するのではなく、知識ベースから関連情報を検索・推論して意思決定を補助する。このアプローチにより、デバイス側の計算負荷とストレージ要件が大幅に削減されると同時に、専門知識が長期的に保存・再利用・拡張可能となり、知識の持続可能性が実現される。
さらに、本研究は学際的協力と倫理的AIの構築を重視している。チームは生態学者、生物多様性の専門家、そして先住民コミュニティを積極的に知識ベースの構築と評価に参加させ、システムが依拠する専門知識が科学的に正確であるだけでなく、地域の文化や伝統的な生態学的知恵を尊重することを確保している。この協働開発モデルは「技術的植民地主義」を回避し、最終的に展開されるモニタリングシステムが地域コミュニティに真に役立ち、彼らの承認と長期的な維持管理を得ることを目指している。論文では、熱帯雨林の哺乳類モニタリング、サンゴ礁の健康評価、渡り鳥の移動経路追跡など、複数の実際のシナリオにおける本手法の適用可能性も議論されている。現在は概念実証段階にあるが、今後はより多様な生態系でのフィールドテストを実施し、システムの性能とスケーラビリティを定量的に評価する予定である。研究者らは、「知能」をクラウドからエッジに分散させ、モデルパラメータではなく知識を中核的な媒体とすることで、生態モニタリングがより民主的で持続可能かつ文化的に包摂的なものになると考えている。