讓AI看懂95萬物種，并自己悟出生態(tài)關(guān)系與個體差異!

俄亥俄州立大學(xué)研究團隊在2億生物圖像數(shù)據(jù)上訓(xùn)練了BioCLIP 2模型。大規(guī)模的訓(xùn)練讓BioCLIP 2取得了目前最優(yōu)的物種識別性能。

而更令人驚喜的是，即使在訓(xùn)練過程中沒有相應(yīng)監(jiān)督信號，BioCLIP 2還在棲息地識別、植物疾病識別等5個非物種任務(wù)中給出了遠超DINOv2的準確率。

BioCLIP 2在大規(guī)模訓(xùn)練中獲取了物種之外的涌現(xiàn)的生物學(xué)理解：

• 物種間生態(tài)對齊：不同達爾文雀在特征空間中的排列和他們喙的大小一致；
• 物種內(nèi)差異分離：雌雄/幼成體的特征落在與物種區(qū)別正交的子空間，且隨訓(xùn)練規(guī)模增大而更容易區(qū)分。

以下是論文詳情：

把“生命之樹”搬進顯存

大語言/視覺模型的“涌現(xiàn)”告訴我們：規(guī)模+結(jié)構(gòu)化監(jiān)督=意料之外的能力。

然而，生物多樣性研究領(lǐng)域一直沒有見到一個具有涌現(xiàn)屬性的視覺語義基座。BIOCLIP把CLIP的多模態(tài)對齊搬到物種上，利用〔界-門-綱-目-科-屬-種〕+學(xué)名+常用名的多粒度文本提供層級監(jiān)督。在此基礎(chǔ)之上，研究團隊提出一個問題：

如果把層級對比學(xué)習(xí)從1千萬張圖像直接推到2億，會不會學(xué)出超越“物種標簽”的生物學(xué)知識？

BIOCLIP 2正是這一實驗的答案。

為了實現(xiàn)這一目標，研究團隊從GBIF、EOL、BIOSCAN-5M、FathomNet等 4 大平臺收集了2.14億生物圖像，提出了TreeOfLife-200M數(shù)據(jù)集。該數(shù)據(jù)集包含95.2萬個不同的分類標簽，涵蓋標本、野外相機陷阱等豐富的圖像類別。這是迄今規(guī)模最大、最豐富的生命圖像庫。

在增大訓(xùn)練數(shù)據(jù)量的同時，研究團隊也將模型從ViT-B擴大至ViT-L。更大的參數(shù)量為新知識的涌現(xiàn)做好了準備。

性能一覽

物種識別：零樣本物種識別平均準確率55.6% →比第二好的SigLIP模型提升了16.1。少樣本物種識別遠優(yōu)于常用的視覺模型DINOv2。

非物種視覺任務(wù)：除了物種分類之外，BioCLIP 2還在棲息地識別、生物屬性識別、新物種發(fā)現(xiàn)和植物疾病識別等多項任務(wù)上超越了SigLIP和DINOv2等常用視覺模型。

BioCLIP 2在訓(xùn)練階段只接觸了物種層級的監(jiān)督信號，但卻在各類非物種生物視覺任務(wù)上取得了優(yōu)異的性能。這讓研究團隊深入調(diào)查了模型的特征空間，并發(fā)現(xiàn)了大規(guī)模訓(xùn)練帶來的涌現(xiàn)屬性。

兩大涌現(xiàn)屬性

1. 物種間生態(tài)對齊

具有相似生活習(xí)性和生態(tài)學(xué)意義的物種在特征空間中聚集在一起，如淡水vs咸水魚隨著訓(xùn)練規(guī)模擴大分界逐漸清晰。

解釋：層級標簽把生態(tài)近鄰拉向相似的文本原型，從而實現(xiàn)視覺特征和功能特征的對齊。

2. 物種內(nèi)差異分離

同一物種雌雄、幼成體之間的差異沒有被對比學(xué)習(xí)消除，而是沿著物種間差異正交的方向分布，且正交程度隨著訓(xùn)練規(guī)模增大同步增大。

解釋：當(dāng)對比學(xué)習(xí)將不同的物種分開后，物種內(nèi)的差異可以在正交子空間內(nèi)分布而不會影響物種分類的損失優(yōu)化（論文中定理 5.1）。

1M→10M→50M→214M 四檔實驗顯示：所有非物種視覺任務(wù)性能單調(diào)上升，且體內(nèi)差異的分離度 / 正交度同步提升，進一步證實了擴大訓(xùn)練規(guī)模給涌現(xiàn)屬性帶來的增益。

一句話總結(jié)：BIOCLIP 2 證明了“把正確的監(jiān)督做大”同樣能在專業(yè)領(lǐng)域復(fù)刻大模型的涌現(xiàn)屬性——不僅準確，而且懂生物。

項目主頁：https://imageomics.github.io/bioclip-2/
Demo網(wǎng)址：https://huggingface.co/spaces/imageomics/bioclip-2-demo
論文網(wǎng)址：https://arxiv.org/abs/2505.23883