李曼大会笔记31-Heiko Nathues：大数据和人工智能对养猪业的价值

会议笔记（四）

报告主题：公司加农户代养模式管控要点及创新趋势

会议笔记（五）

报告人：杨德鸿，温氏集团研究院

报告主题：育肥期间胸膜肺炎APP控制和净化经验

在第14届李曼中国养猪大会上，来自波尔文大学的海科·纳图斯（Heiko Nathues)教授发表了题为“大数据和人工智能对养猪业的价值”的专业分享。

数据：我们这个时代的“新黑色黄金”

讲者首先抛出核心观点：数据是这个时代的“新的黑色黄金”。

他指出，世界上许多最有价值的公司（如Meta等）都专注于数据收集，这充分证明了数据中蕴含的巨大价值，而养猪业也应从中寻求机遇。

为什么现在是猪业应用AI的关键时机？

讲者接着分析了为何当前是养猪业应用大数据和AI的关键时机。

面临的压力：行业正面临多重压力，包括新疾病和再发疾病的风险、抗生素耐药性（AMR）、成本波动以及可持续发展的目标。

显现的机遇：我们有机会更好地利用现有技术。这包括各类传感器、农场管理软件，以及大量在屠宰线上被采集但未被充分利用的数据。讲者特别提到，在一些地区（如欧洲），官方登记系统（如猪只移动记录）已经捕获了海量数据，但尚未被充分挖掘。

AI的优势：人工智能技术使得整合这些碎片化的数据，并将其转化为农场层面可执行的决策成为可能。

行业的基准：其他畜牧业部门（如家禽业）早已证明了数据驱动运营的巨大价值。讲者分享经验说，家禽业在数据采集的日常化和质量上，甚至领先了养猪业很多年。

核心论点：讲者总结，无论是农场内部还是整个行业的数据网络，都蕴含巨大潜力。但要释放这种潜力，关键在于“现在就开始标准化”。

猪业“大数据”与“AI”的定义

讲者接着定义了在养猪业中“大数据”和“人工智能”的具体含义。

什么是“大数据”？

“大数据”首先是高容量、多来源、纵向的记录，贯穿从农场到屠宰的整个链条。讲者强调，大数据的容量、速度和多样性极高，以至于传统的分析工具（如Power BI）难以处理。

这些数据的“颗粒度”可以非常精细，从动物个体，到批次、猪场、公司乃至整个区域。

什么是“AI”？

“AI工具箱”则提供了处理这些数据的能力，主要包括预测建模、异常检测等技术。

通过AI，数据的“时间范围”可以被灵活运用，既可以实现“实时警报”，也能提供“战略性的季度洞察”。

最终，AI的“产出”是我们真正追求的价值：包括风险评分、精准预测（尤其是预测），以及根本原因分析和行动建议。

生猪行业的五大关键数据流

讲者详细拆解了贯穿生产链的五大关键数据流。

数据流一：猪场内部数据

最基础的数据来源于猪场内部。几十年来，行业一直在记录核心生产指标，如繁殖KPI、死亡率、治疗记录、饲料消耗等。

近年来，随着技术进步，数据来源极大丰富，包括了环境气候传感器和动物行为传感器。

数据流二：动物与人员的移动

第二大关键数据流是动物和人员的移动。这不仅包括官方的登记数据（Registries），更包括运输公司通过GPS等技术捕获的私有数据。

讲者举例说明，运输公司可以精确追踪卡车在A农场的装载时间、运输时长、在B农场的停留时间，乃至在清洁消毒中心的停留时长。

这些数据对于生物安全至关重要。例如，通过比对GPS数据和生物安全协议（如要求消毒30分钟），可以立即发现执行中的违规或漏洞。

数据流三：实验室诊断数据

第三类数据流来自实验室的诊断信息。

这包括常规的实验室结果，如PCR和血清学数据，也包括更前沿的RNA/DNA测序数据。

讲者指出，目前已有商业化的表位建模（Epitope Modelling）技术，用于识别病毒特征，这些诊断数据未来价值巨大。

数据流四：屠宰环节数据

第四个关键数据流来自屠宰环节。

目前，胴体重量是标准数据。但屠宰场还会记录大量的病变（Lesions）数据，特别是那些导致胴体被修剪（Trimming codes）或废弃（Condemnations）的记录。

讲者强调，该领域目前的研究热点是利用AI模型分析图像数据。如PPT所示，已有研究利用摄像头和卷积神经网络（CNN）自动检测耳部病变、胸膜炎或肺炎。

讲者认为，这些屠宰端的病变数据，对于农场主评估猪群健康状况具有极其重要的意义。

数据流五：经济与市场数据

第五类数据流是往往被忽视的宏观经济数据。

这包括饲料价格、药物费用、工时成本和能源使用等。

讲者以欧洲的Euro stats系统为例，该系统由欧盟委员会监管，收集并公开发布所有生猪和猪肉的市场数据。这些高价值的经济数据目前尚未被行业充分利用。

从数据到信息：瑞士“PIG DATA”项目实践

在梳理了所有关键数据流之后，讲者提出了一个核心问题：如何真正利用这些数据，将其转化为有价值的信息？

讲者以此引出了他们团队在瑞士开展的“PIG DATA”项目。该项目获得了瑞士国家科学基金会的资助。

这是一个高度跨学科的合作项目，参与方包括：

• 伯尔尼大学的兽医公共卫生研究所和猪诊所。
• 苏黎世大学的信息学研究所，他们拥有顶尖的数据科学家。
• 瑞士联邦研究所WSL（气候与森林动态研究部）。

讲者特别解释了为何与气候研究所合作：因为这些研究人员拥有多年处理真正“大数据”的经验。他们通过遍布全国的传感器收集海量的气候数据，并且早已习惯使用非传统技术来分析这些数据。

“PIG DATA”项目概述

该项目的核心目标非常明确：将瑞士养猪业的常规数据，转化为可操作的健康和生产性能见解，最终为生产者提供决策建议。

项目的范围是整合来自农场、猪只移动、动物健康和屠宰场的多个数据集。

项目的方法是建立一个保护隐私、标准化且可互操作的数据管道，即“PIG DATA SPACE”（猪数据空间）。

讲者坦言，实现这一点的最大障碍是数据隐私和信任。向头部企业索要数据的第一反应通常是拒绝。但通过充分沟通和建立信任，项目得以推进。技术上最大的挑战则是实现数据的“标准化”。

项目的最终产出是经过验证的、具有可衡量影响的“用例”（Use Cases），即利用数据解决行业面临的具体问题。

项目面临的第一个挑战，是必须先充分理解瑞士养猪业的生产结构。

讲者介绍，瑞士猪业是高度隔离的（Segregated），全国有超过6000个农场。

如PPT所示的示意图，瑞士猪业的结构非常复杂。猪只从核心群、种猪中心、分娩场、育肥场直至屠宰场，个体和批次在不同场之间频繁流动，形成了一个高度关联的网络。理解这个网络是数据整合的第一步。

项目架构与数据治理

在理解了行业结构后，团队开始构建“PIG DATA”项目的技术架构和数据治理体系。

数据摄入 (Ingestion)：首先是建立一个统一的基础设施。因为数据来源五花八门，包括Excel、SQL数据库等，项目组建立了一个安全的服务器系统来统一摄入和上传数据。

数据标准化 (Standardization)：讲者指出，标准化是项目中“极其困难”的一步。核心难题是“统一ID”。同一个农场，在不同的饲料公司、不同的屠宰场数据库中，往往使用完全不同的ID。因此，必须花费巨大精力找到“共同标识符”，才能将数据关联起来。

数据质量 (Quality)：讲者反复强调，数据质量是整个项目“最关键的步骤”，也是最大的挑战。他指出，必须有人工专家介入，仔细甄别数据中的“异常值”（Outliers）：判断它究竟是需要删除的脏数据，还是一个由特定原因导致的真实数据？数据清洗和对齐工作耗费了大量时间。

隐私与追溯 (Privacy & Traceability)：此外，项目还建立了严格的隐私保护机制（如去识别化、访问分层）和数据可追溯性机制，确保数据安全合规。

最终，团队构建了“PIG DATA SPACE”（猪数据空间）。

这是一个基于云和安全服务器的中央数据系统。

如图所示，该系统成功整合了来自生产链各环节的数据：

核心生产数据：来自种猪场、保育场、育肥场和屠宰场的数据。

供应链数据：来自交易公司、饲料厂和兽医（如用药记录）的数据。

外部宏观数据：整合了长达五年的气候数据、肉类市场数据，以及来自Swissmedic（药品监管机构）和FLEKO & AGIS（官方屠宰数据库）的数据。

讲者总结，通过这个数据空间，他们第一次能够全面审视从猪只出生到屠宰的整个链条，以及期间发生的所有关联事件。

“PIG DATA”项目用例解读

讲者接着分享了三个基于“PIG DATA SPACE”实现的具体用例。

用例一：早期健康与死亡率风险预测

第一个用例的目标是：能否结合气候、采食、生长和治疗等数据，在“群体层面”实现早期疾病检测？

讲者解释，这对瑞士尤为重要，因为瑞士猪群没有PRRS、支原体肺炎等主要疾病，因此必须在疾病爆发的第一时间检测到首个感染农场。

团队对比了不同监测策略的效率：

随机抽样 (random)：如图中底部的线所示，检测效率非常低。

哨点农场 (sentinels)：这是传统方法，效率有所提升。

高关联度 (in-degree)：即选择网络中连接数最多的农场，效率优于哨点。

最优模型 (greedy max.)：讲者团队开发的模型。该模型不仅考虑网络连接，还纳入了农场的“动态检查表”（如通风、饮水、饲料转换、隔离记录）。

结果显示，“greedy max.”模型的检测效率是所有策略中最高的。

讲者强调了该模型的核心价值：使用最优模型，不仅检测到疫情爆发的比例最高，而且实现这一目标所需监测的农场数量，可以“减少约90%”。对于瑞士这样拥有超过6000个农场的国家而言，这意味着巨大的成本节约和效率提升。

用例二：繁殖与生产力优化

第二个用例专注于繁殖和生产力优化。

项目试图解决的具体问题包括：

分娩预测：能否准确预测产房需求，以便优化人员配置？

性能预测：能否根据早期（如保育期）的信号，预测该批次在育肥期的ADG（日增重）和FCR（料肉比）？

瓶颈识别：识别出在哪些特定的周（日历周）会系统性地出现生产瓶颈或损失。

讲者提到，由于该模型是为特定商业公司开发的，无法展示详细数据。但他确认，利用该数据空间，模型成功地实现了更顺畅的生产流程、优化的猪舍利用率和更高的劳动力效率。

用例三：福利、抗生素使用(AMU)与病变分析

第三个用例专注于动物福利、抗生素使用（AMU）和屠宰病变分析。

该用例旨在回答：能否利用数据改善动物福利，并减少抗生素的使用？

具体应用包括：

AMU模式分析：自动检测异常的抗生素使用模式，并为兽医推荐更优的窄谱替代方案。

病变根本原因分析：将屠宰时发现的病变（如胸膜炎、肺炎）与猪只在农场阶段经历的特定事件（如环境突变、饲料更换）进行关联。

福利信号预警：通过监测动物活动或采食量的细微变化，提前预测咬尾等福利问题的发生风险。

福利KPI仪表板：最终创建一个综合仪表板，将屠宰病变、跛行记录和干预措施结合，量化评估福利水平。

讲者分享了用例三中的一个重要发现，这个发现在项目开始前未曾预料到。

分析团队将屠宰数据（这些数据本就存在，无需额外收集）与运输物流数据进行了关联分析，结果令人惊讶：

运输时间 (Transport Time)：数据显示，“运输时间”越长，最终产品的“猪排重量”和“火腿重量”显著越低（P值 < 0.05）。

待宰时间 (Lairage Time)：这个因素的影响更为惊人（P值极小）。猪只在屠宰场待宰的时间越长，其猪排和火腿的重量损失就越大。

讲者指出，这是一个清晰的证据，表明“从农场到屠宰场的物流”与“最终产品的质量和数量”之间存在直接的负相关。这一发现证明，优化物流可以为行业挽回巨大的经济损失。

项目总结：成功与挫折

在分享了具体用例后，讲者总结了“PIG DATA”项目带来的经验教训。

1. 最大的瓶颈：数据现实

讲者指出，项目最大的瓶颈是“数据现实”，尤其是“缺失和不一致的编码”。例如，即使系统规定了统一的农场ID，但实际操作中，不同参与者（如饲料厂、屠宰场）要么不使用它，要么随意修改它，导致数据格式混乱。这再次印证了数据质量是关键，且AI无法完全替代人工在数据治理上的工作。

2. 小胜为先，建立信任

项目通过从简单、高投资回报（ROI）的预警功能入手，实现了“小胜为先”。这些早期成果帮助团队在长达数年的项目周期中，保持了所有参与者的热情和动力。

3. 可解释性与反馈回路

AI模型的“可解释性”非常重要。清晰的归因分析有助于农场主理解模型为何这样建议，从而提高方案的接受度。同时，项目组发现，来自“农民的输入和反馈”，能显著提高模型的相关性和准确性。

4. 扩展的关键：治理 > 算法

在项目扩展（Scaling）阶段，团队学到的最重要一课是：“标准的架构和数据治理，远比花哨的算法更重要”。

如何启动类似的数据项目？

对于“如何设置类似的项目？”这一问题，讲者推荐了一篇其团队发表的相关论文。

讲者笑称，这篇论文与其说是一篇科学论文，不如说更像一篇关于“心理学和政治学”的文章。它详细描述了团队是如何“说服整个行业参与并共享数据”的——而这正是此类项目中最困难，也是最关键的一步。

实际应用路线图

讲者最后提供了一个清晰的“实际应用路线图”，用于指导企业或区域（即使不是国家层面）启动自己的数据项目。

第1步：统一数据录入和ID

讲者强调，这是“最重要”的第一步。实现标准化可以消除后续大量的工作负载和潜在错误。

第2步：连接核心数据流

连接农场软件、气候、屠宰报告等核心数据流。讲者提醒，这一步必须有IT专家的深度参与，绝非兽医可以独立完成。

第3步：试点1-2个简单用例

从1-2个简单的用例开始，设定明确的KPI并进行月度复盘，以此来展示数据整合的价值。

在这一步，讲者再次严厉警告了数据质量的重要性，并引用了实验室的俗语：“垃圾进，垃圾出” (Shit in, shit out)。如果输入的是坏数据，产出的必然是坏信息。

第4步：培训人员

必须培训员工，教会他们如何理解模型输出，并将其转化为标准操作流程（SOP）。

第5步：迭代优化

淘汰表现不佳的模型，将效果好的模型扩展到更多场点。讲者指出，这是一个持续迭代的过程，使用模型越久，对它的理解越深，模型的效果也会越好。

现在投资AI明智吗？

在演讲的最后部分，讲者探讨了“现在投资AI是否明智？”这一现实问题。

他指出，未来已来，特别是基于摄像头（计算机视觉）和音频的AI技术，正在迅速进入生产前线。

PPT详细列举了六大即将成熟的应用场景：

1.发情与分娩预测：利用计算机视觉和活动传感器，可提前24-48小时检测母猪静立发情。AI模型还能预测分娩窗口，帮助员工优化初乳支持，减少死胎。

2.精准母猪饲喂：通过摄像头自动进行体况评分（BCS），结合采食模式，为每头母猪精准调整妊娠和哺乳期日粮，提高产奶量和断奶重。

3.仔猪存活与生长：视觉和音频分析技术能实时标记仔猪受寒、被压风险，甚至能识别腹泻和咳嗽的特定信号，从而实现精准干预，降低断奶前损失。

4.环境与健康早期预警：AI自动调控通风、加热和降温。更重要的是，系统能通过监测水、料、温度或声音的“异常”，自动触发对PRRS、APP等疾病的生物安全警报，实现更快的隔离。

5.育成流程与市场营销：称重摄像头和智能秤能预测猪群的每日体重分布。这使得抓猪计划能完美匹配屠宰场要求的重量范围，从而减少罚款并提高均匀度。

6.预测性维护与物流：AI可对料线、饮水器、风扇等关键设备进行预测性维护，减少停机时间。库存算法也能优化疫苗、药品和饲料的订购与交付。

讲者给出了一个“也许...”的答案，并展示了一个基于“万头母猪”规模猪场的投资回报（ROI）估算。

他强调，以下数字“均为估算，而非严谨的研究数据”。

通过应用AI技术，假设实现以下改善：

提高断奶数（+0.7头/母猪/年）：年收益 945,000 RMB。

降低育成期死亡率：年收益 279,000 RMB。

改善FCR（降低0.05）：年收益 6,470,000 RMB。

优化母猪饲料（节省1%）：年收益 360,000 RMB。

节省能源（降低7%）：年收益 840,000 RMB。

提高屠宰质量溢价（+1%顶级率）：年收益 2,270,000 RMB。

节省劳动力/维护成本：年收益 900,000 - 1,200,000 RMB。

讲者总结，仅基于这些保守估算，一家万头母猪场应用AI和大数据技术后，每年的额外总收益可达“1200万至1300万人民币”。

在展示了巨大的经济潜力后，讲者也进行了冷静的提示：在规划和实施任何AI项目时，都必须考虑“经济学、伦理学和监管”问题。

他强调，尽管各国的法律法规不同，但项目从规划之初就必须遵守当地的法律条件，并充分考虑数据伦理（如偏见、问责、透明度等）。

新的边界：猪业AI的未来

最后，讲者展望了AI在猪业的“新边界”。

1. 基因组学 + 表型组学

将基因组学与来自真实世界的表型组学数据（如屠宰数据、传感器数据）相结合，实现“稳健性育种”。

2. 因果AI (Causal AI)

AI模型将从仅仅发现“相关性”（如待宰时间与出肉率相关），进化到能提供“可靠的干预建议”（如何优化物流），即实现因果推理。

3. 边缘分析 (Edge Analytics)

未来的AI将更多在“边缘端”（如猪舍内的设备）运行。讲者以声音识别为例，AI模型直接在猪舍内的设备上分析音频，判断是否有咳嗽，而无需上传海量的原始音频数据。模型只传输“信息”（如“警报：检测到咳嗽”），极大降低了延迟和数据流量。

4. 联邦学习 (Federated Learning)

鉴于集中原始数据的巨大困难（如隐私和标准化），联邦学习将是未来趋势。它允许模型“跨多个农场进行学习，而无需将原始数据集中到一起”，实现去中心化的智能。

5. 可持续性

未来的AI系统将把碳足迹、氮排放和福利指标，像成本一样嵌入到日常运营决策中。

冠牧学习心得

1. 标准化是AI的第一课，而非算法

讲座最大的教训是“标准架构和治理比花哨的算法更重要”。Heiko教授的团队发现，最大的瓶颈是“不一致的编码”和“数据缺失”。对于养猪企业而言，启动AI项目的第一步不是购买昂贵的算法，而是立即着手统一内部的ID和数据录入规范（如事件、治疗、死亡）。

2. “垃圾进，垃圾出”：数据质量是AI的生命线

Heiko教授反复强调，数据质量是整个项目中最关键的步骤。AI无法将错误的数据变为正确的决策。必须有人工专家（兽医或生产主管）参与数据“清洗”过程，甄别“异常值”是错误还是真实情况。错误的源数据必然导致错误的AI预测。

3. 重新审视数据链条：从农场到屠宰场的“隐形损失”

瑞士“PIG DATA”项目的一个意外发现是：“运输时间”和“待宰时间”越长，猪排和火腿的重量就越低。这表明物流环节存在着巨大的“隐形经济损失”。猪场管理者不应只关注场内生产，而应将屠宰场的数据（如病变、胴体重量）纳入分析，打通从生产到屠宰的完整数据链。

4. 从“小胜利”开始：选择高ROI的简单用例建立信任

Heiko教授建议的路线图强调“试点1-2个用例”。与其追求大而全的系统，不如从一个简单、高ROI（如通过声音预警咳嗽）的应用开始。这些“小胜利”能快速验证价值，建立团队（尤其是IT与兽医）和管理层的信任，为后续扩展铺平道路。