关于AI在畜牧业的作用，有两种极端说法：一种认为算法很快会取代育种值估计，另一种认为不过是给现有系统加个界面。近期一篇由丹麦奥胡斯大学牵头，英国苏格兰农业学院（SRUC）、美国加州大学戴维斯分校与丹麦 VikingGenetics 参与的综述，把这件事拆成三段来回答：表型怎么来、机制怎么解、育种值怎么算。

结论并不热血，但很有用。

第一段：表型端，AI已经赢了

育种的第一道瓶颈从来不是模型，而是测不到。综述汇总的案例显示，这一端AI的进展相当扎实：奶牛用3D相机估体重，平均相关系数0.94，均方根误差33公斤，平均绝对百分比误差4%；泽西牛体况评分，精确命中率48.1%，但允许0.5分偏差时准确率达到93.5%；猪的活重估算采用双网络架构，速度达每秒1131帧，决定系数0.993；肉鸡腿重通过CT图像两阶段测定，分割交并比超过95%，随机森林回归的决定系数约0.89。

行为性状也在被量化。猪的采食、饮水、躺卧、站立与行走距离可由图像测定，据此估算的行为性状遗传力在0.19至0.57之间；群养猪长期追踪的半监督流程只需一台俯视RGB相机，平均追踪误差17.99厘米；绵羊行为分类中，耳标传感器准确率最高（86%至95%），颈标次之（67%至88%），腿标最不稳定（48%至94%）。

换句话说，AI在输入端做的是把过去测不起的性状变成可遗传的数字表型，这直接扩大了参考群，对遗传进展的贡献是实打实的。

第二段：机制端，热闹但有争议

在关联分析上，随机森林、梯度提升、支持向量机被大量用于SNP排序、特征筛选与上位性检测。例子很具体：奶牛剩余采食量研究中，随机森林筛出188个头部SNP，其中38个落在已知QTL区间，并识别出25对高频上位性互作；绵羊羊毛性状的两阶段关联分析，预测模型决定系数最高0.86。

但同一篇综述也没有回避反例：随机森林与逻辑回归筛出的前10个SNP只有2个重合；一项奶牛蹄病研究中，随机森林模型出现过拟合、表型预测效果差，超阈值SNP被判定为假阳性；猪的研究里，梯度提升、rrBLUP与PLINK三种方法共同检出的SNP只有5个。

第三段：基因组预测，AI还没赢

这一段最容易被忽略，却最重要。综述把方法分成两类：一类是混合策略，在GBLUP或贝叶斯框架里嵌入机器学习组件，如NN-Bayes、NN-MM、DLGBLUP、KAML；另一类是纯AI模型，直接用卷积网络、支持向量机、XGBoost、随机森林建模。

混合策略的表现是“模拟数据漂亮、真实数据平淡”。NN-Bayes在模拟验证中94.9%的检验优于线性贝叶斯模型，换到真实数据提升有限；NN-MM在组学数据缺失率超过80%时仍显著优于single-step方法；DLGBLUP在模拟数据优势明显，法国荷斯坦真实数据未见显著提升；KAML精度与贝叶斯相当但计算更快。

纯AI模型的对照结果更直接：猪的几乎所有性状上，GBLUP与最佳机器学习模型持平；黄羽肉鸡8个性状中有7个是经典方法优于或等于机器学习，只有半净膛重一项机器学习显著更好；奶牛行为性状上，深度学习的提升属于“边际性”，没有统计学显著差异。

真正的瓶颈是一份数据集清单

综述提到一个数字：公开的家畜视觉数据集只有58个。这解释了表型端为何进展快（团队都能自建私有数据集），而基因组预测端进展慢（需要跨群体验证、基准测试与标准化的表型定义）。

作者给出的定位很克制：AI的价值不在替代GBLUP，而在三处——输入端提供可扩展、无创、自动化的新表型；机制端通过非线性建模产生候选基因的生物学先验；整合端把这些产出接进实际育种决策。

对国内育种企业和种猪场来说，实践含义是：先把相机、称重、行为记录这类表型工具用好，把数据攒成连续的个体档案；要不要上深度学习算育种值，取决于有没有能力做跨群体验证——没有验证，精度再高也只是在自家数据上好看。

来源：生物通（2026-11-08）｜原文链接：https://www.ebiotrade.com/newsf/2026-11/202611081945454282.htm