过去，养鸡农得在半夜走进鸡舍，靠耳朵分辨鸡只有没有出现「啰音」（呼吸道疾病的特有声音）；但农民时间有限，一天顶多进鸡舍巡三次，而打喷嚏、咳嗽这类异常声音，又常和背景噪音太相似、不够明显，「漏听」几乎在所难免。
如果有一套系统能全天候守在鸡舍，不仅听见异常声音，还能透过图像观察鸡只状态、同步记录体重，情况会不会有所不同？这正是「智能监测走进畜牧业」的真实场景。
透过传感、图像辨识、声音分析与 AI，畜牧养殖管理，已经逐步从仰赖人力巡视、凭经验判断，转向以数据支撑的决策；智能畜牧不只能提高生产效率，也能改善动物福利与整座牧场的生物安全。
本文从家禽到猪只，采访两位长期投入智能畜牧管理的研究者：国立中兴大学生物产业机电工程学系蔡燿全副教授以及国立台湾大学生物机电工程学系郭彦甫教授，探讨科技如何成为畜牧业的最佳助手。
科技接手观察，补上人力巡视极限
「如何客观量化健康指针，其实相当困难。」蔡燿全副教授指出，人工巡视的限制，在于「人不可能一直在现场」。以鸡舍为例，鸡只体重反映健康状况，但用「肉眼估算」并不精准，原因出在羽毛会随当下温湿度蓬松变化；至于鸡只的消化道疾病，则要看肛门与粪便，但「异常声音」要在夜深人静的半夜靠「人耳」去分辨，这些都是鸡农单靠人力会存在的局限。
养猪也是。郭彦甫教授指出，过去猪农评估一栏猪的健康状态，多半是走进去、用肉眼看一下，母猪花多少时间吃料、站立、有没有在哺乳，无法精确量化判读。
靠肉眼、人耳判读，既消耗人力、又不够精准，因此，智能畜牧把这些工作交给机器，透过传感器接手观察，目标在于「及早发现」。
以鸡舍为例，机器读的是「身体征象」。
蔡燿全副教授指出，透过「家禽监测系统」，在鸡舍装设麦克风、摄影机与秤重平台，把叫声、鸡冠与鸡眼的颜色、体重，连同温湿度、风速、气体等环境数据，一并转成可判读的数据。
以体重为例，当鸡只走上秤重平台，秤出几只的总体体重后，平台上方的摄影机，再以AI图像辨识方式，辨识出秤重平台上的鸡只数量，进而换算出鸡只的平均体重，更进一步的做法是，只要在鸡舍中央架一台主机，创建「图像轮廓对应实际重量」的关系，鸡舍的其余角落，只需由上往下拍的摄影机（不必装设秤重平台），单靠图像就能推算体重。这也同步解决了动物福利的问题：不必再人工抓鸡悬挂量重，对鸡只的干扰降到最低。
在猪舍方面，机器读的则是「行为与姿态」的动态变化。
郭彦甫教授指出，只要在母猪分娩栏后方架设摄影机，以机器视觉与深度学习，辨识母猪的姿态，量化牠花多少时间进食、站立与哺乳，同时逐只追踪栏内仔猪的移动，把状态分成哺乳、休息与活动三类。当母猪把乳头压住、迟迟不让仔猪吸奶，又不太进食，系统就能标记出这头母猪已接近生病，整栏仔猪可能跟着吃不到奶、活动力下降。这些画面，都让长期被关在窄栏、行动受限的母猪处境，能够直接被机器纪录、透过数据化被猪农看见。
专家教会 AI 读懂异常，监测从记录升级为预警
但机器「看得到」只是第一步，「读得懂」则要靠人与 AI 协作。
以猪舍的应用场景为例，郭彦甫教授指出，AI的机器学习过程，得先由「人」在图像里，把猪一只一只单独标注起来，累积上千张图像之后，提供给AI学习、训练，确保AI能够「读懂」之后，之后就由机器接手，自动辨识每一只猪；例如有些小猪在吃饲料、有些在喝水、有些在打架、互咬；郭彦甫教授指出，这套AI 辨识仔猪「日常行为」的准确率已达到91.36％，等于在100只仔猪中，AI就能精准判读出91.36只的行为模式。
鸡舍的场景也是同样逻辑。蔡燿全副教授解释，透过预先架设机器在鸡舍，进行现场录音，接着以滤波去掉杂讯、把声音切成小段，再请专家逐段标注，哪些是正常叫声、哪些是异常啰音，取出声纹特征之后，再喂给AI机器学习，训练出辨识模型。
当机器学会判读后，监测的价值就能直接从「记录」，升级为「预警」。
举例来说，鸡舍的声纹辨识系统，由于是24小时录音，在农民尚未察觉、还没记录到异状之前，系统就先发出「侦测到异音」的预警，不会等到农民到现场查看才发现。此外，图像辨识系统则可以预先侦测到人眼较难察觉的鸡眼异常（鸡眼异常后2至3天会出现较高死亡率），等于替农民争取到提早3天处置的黄金时间。
预警换来实际效益。蔡燿全副教授表示，根据合作鸡农的回馈，导入这项系统之后，育成率可提升约3％，因为透过系统24小时不间断监控，农民更能做到「及早发现、及草治疗」，提高鸡只「从饲养到出货」生命周期的完整性。此外.传播途径。蔡耀全副教授补充，传统鸡只育成率大约落在80％，导入系统这几年来，育成率持续提升，近年来已经逐步成长至85％至87％。此外，因为农民不再需要频繁进出鸡舍，也切断了病原透过人脚、野鸟粪便带入的传播途径。蔡耀全副教授补充，传统鸡只育成率大约落在80％，导入系统这几年来，育成率持续提升，近年来已经逐步成长至85％至87％。
猪舍也是。郭彦甫教授指出，量化母猪的姿态与哺乳行为，能够提早判断牠是否接近生病，另一方面，系统对仔猪群体活动力的追踪，则让农民能够更早察觉「一头母猪不好、整栏仔猪跟着受影响」的连锁效应，进而提早做出相对应的准备措施。 科技带来的好处，除了提前预警，减少人为疏漏，当农民的巡视工时下降、劳动强度减轻，也能间接让更多青年农民，愿意回乡接手畜牧场。
技术到位、市场未到，智能畜牧的应用挑战
然而，尽管智能畜牧的技术持续进步，但要真正落地应用并普及化，目前仍有待跨越的门槛。
「因为农民没有 IT 部门。」蔡燿全副教授点出了智能畜牧最大的门槛：推广难度高。
他解释，老一辈农民对科技熟悉程度较低，一旦网络不稳、甚至插头没插上的小状况，原厂可能就得亲自跑一趟畜牧场，服务成本相当高，再加上台湾市场规模有限，负责落地推广、技术转移的农业科技公司，意愿自然不高。
此外，「农民投入意愿」也是一大门槛。「如果这个科技一定可以帮他赚到钱，他就会乐意接受。」郭彦甫教授观察，猪农评估导入系统的关键，在于能不能帮他「赚到更多钱」，而非只是「节省时间和劳力」，「如果只是省下劳力，农民多半会倾向自己来、或是另外聘请人力。」台湾虽然在2020年就从口蹄疫除名，但近年来面对周边国家持续存在的非洲猪瘟等疫情风险，猪农对外部人员（智能农业团队、农业科技厂商等）进出格外谨慎，都让智能畜牧的应用落地，还需要更多沟通与推广。
最后一道判断留给人，「数据治理」智能畜牧下一步
换句话说，智能畜牧的技术本身，其实已经备妥，唯独产业与市场的节奏，还需要时间跟上。
从鸡舍到猪场，传感与 AI 接手了「看」这件过去只能靠人力与经验撑着的工作，效率、动物福利与疫病防线，也因此被重新画过一遍。
值得一提的是，两位研究者不约而同都将「最后一道判断」留给了人：鸡只该不该投药、母猪难产怎么处置，这类牵涉责任的决定，仍由农民与兽医拍板，AI 负责的是更精准的监测、让异常更及早被发现。
随着愈来愈多养殖现场，开始累积这些数据，郭彦甫教授预测，「数据治理」将是畜牧业下一步的趋势。他解释，当养殖场规模扩大、不常亲临现场的经理人将更依赖简单直观的报表，掌握场内状况；而这些累积下来的数据，还能推估产量、预估禽只出场时机，同时对接市场价格，做出更合适的决策。
数据源
- 中兴大学生物产业机电工程学系蔡燿全副教授
- 台湾大学生物机电工程学系郭彦甫教授