近日，上海海洋大学在渔情预报领域取得重要成果，其研发的“基于国产自主AI芯片的柔鱼渔场边缘预报平台—敖芯1.0”成果显著，相关技术达到国内领先水平。这一平台的诞生，为渔情预报的智能化发展注入了新的活力，有望改变传统渔情预报的模式，提升渔业生产效率与资源利用效率。

该项目由上海海洋大学陈新军教授、柳彬副教授等领衔的科研团队研发，团队汇聚了渔业资源与渔场学、人工智能海洋学等多领域的专家学者，还有一批优秀的本科生参与其中。在研究过程中，团队依托上海海洋大学的学科优势、充足的项目支持、先进的平台设备以及丰富的实验资源，为“敖芯1.0”平台的研发提供了坚实保障。

西北太平洋柔鱼渔场的时空分布变化复杂，对精准预报提出了极高要求。在此背景下，团队前期在深度学习的柔鱼渔场预报研究中积累了丰富经验，取得了一系列高水平成果。他们利用AI技术，在非对称时空尺度建模、多环境因子耦合分析以及短中期未来趋势预报等关键技术方向实现突破，为后续的研究奠定了坚实基础。

不过，传统的深度学习渔场预报系统因依赖大型服务器和远端数据传输，远洋渔船无法实现远端实时预报。为解决这一难题，团队引入边缘计算方案，选用华为昇腾Atlas200IDKA2开发者套件，成功实现模型从传统环境到国产AI芯片的迁移部署。这一过程并非一帆风顺，团队需要克服模型适配、性能优化等诸多挑战。通过深入了解CPU与NPU之间的差异，构建虚拟环境，并开发AscendCL算子，团队最终实现了模型的高效迁移与部署。

柔鱼渔场预报模型国产自主AI芯片迁移部署流程

国产AI芯片NPU柔鱼渔场预报性能与CPU对比

在模型迁移部署过程中，为平衡模型精度与效率，团队构建了量化评估体系，根据网络架构特性动态选择迁移方式。他们设计了多种实验方案，对比不同训练方式和迁移策略的效果。实验结果表明，半精度浮点数迁移在保持精度的同时，计算成本最低，稳定性和应用效果良好，成为最优迁移方式。

柔鱼渔场预报国产AI芯片迁移动态量化评估体系

考虑到柔鱼生命周期短，易受多种海洋环境因子影响，团队对多环境因子模型进行迁移部署研究。通过检验七种环境因子组合下模型的预测效果，确定了SST（海表面温度）与Chl-a（叶绿素a浓度）的组合为最佳方案，这一组合能更精准地预测柔鱼渔场分布。

此外，团队还基于NAS遗传算法构建轻量化模型。通过在预设架构空间中搜索，团队构建了二分类模型、二分类+残差模型、回归模型，并设计梯度搜索与全局搜索两种方案。实验结果显示，团队成功筛选出两类最优模型，在满足精度要求的同时，大幅降低计算量，其中最轻量化模型的计算量较原模型下降了98%，有效减少人工调参时间，规避局部最优。

基于NAS遗传算法构建轻量化模型的性能与计算量对比

为验证平台的实际效果，研究团队在中水集团舟山远洋渔业有限公司“舟渔968”鱿钓船上开展海上实测验证工作。远洋渔船搭载相关设备在西北太平洋目标海域进行测试，结果显示模型精度、平台稳定性及硬件适应性均达到预期目标，为平台的实际应用提供了有力支撑。

“敖芯1.0”平台具有多项创新点。在AI赋能渔业方面，首次实现渔场预报系统在边缘端的应用，提升了远洋渔船的实时预报能力；在量化与动态方面，构建迁移效能量化评估体系，根据网络架构特性动态选择迁移方式；在多因子组合方面，确定最佳因子组合，确保模型预测效果稳定；在NAS轻量化方面，自动化搜索高效动态编码，优化模型性能。

展望未来，“敖芯1.0”平台将持续优化升级。团队计划融合多源数据与高分辨率环境参数，拓展预报时间尺度，从短中期预报向季节性预测拓展，同时增强模型的可解释性。在产品覆盖方面，丰富渔情预报产品种类，部署渔汛预报、资源量预报等功能，形成完整的国产AI芯片边缘计算渔情预报系统。此外，团队还将探索跨海域模型迁移，推广至其他大洋性物种，实现全球渔场多鱼种渔情预报的边缘化计算部署，推动海洋渔业智能化发展迈向新高度。