AI在海洋科学中的应用

20XX/XX/XXAI在海洋科学中的应用汇报人:XXXCONTENTS目录01

海洋科学与AI技术概述02

AI在海洋生态监测与保护中的应用03

AI在海洋资源勘探与开发中的应用04

AI在海洋环境预警与灾害应对中的应用CONTENTS目录05

AI在海洋监测技术与数据处理中的创新06

海洋AI技术的挑战与发展趋势07

高中生对海洋AI技术的认知与教育海洋科学与AI技术概述01海洋的生态系统服务功能海洋覆盖地球表面71%，提供全球50%以上的氧气，调节全球气候，为人类提供20%以上的动物蛋白来源，支撑全球30%的海洋生物多样性。海洋资源的战略价值海洋蕴藏约1350亿吨石油储量、140万亿立方米天然气储量及丰富矿产资源，2024年我国海洋经济规模已迈上新台阶，达10.5万亿元。全球海洋面临的严峻挑战全球约33%的海洋鱼类资源被过度捕捞，超过60%的珊瑚礁生态系统面临退化威胁，塑料污染每年导致超过100万只海洋生物死亡，气候变化加剧海洋酸化与海平面上升。传统海洋治理手段的局限性传统海洋环境治理依赖人工监测与经验判断，存在数据采集滞后、处理效率低下、覆盖范围有限等弊端，难以应对复杂多变的污染态势与生态危机。海洋科学的重要性与挑战AI技术赋能海洋科学的必然性

海洋环境的复杂性与传统手段的局限全球海洋生态系统面临气候变化、过度捕捞、污染等多重挑战，传统监测依赖人工与简单装备，存在效率低、覆盖范围有限、实时性差等问题，难以满足现代海洋管理需求。

海量多源海洋数据的处理需求海洋监测产生卫星遥感、声学探测、水下机器人采集等海量多模态数据，如珊瑚礁监测日均产生12TB数据，AI技术能高效处理这些数据，提取有价值信息。

提升海洋治理效能的迫切需求AI技术有效破解海洋环境复杂、监测难度大、治理成本高等痛点，在赤潮预警、生态修复、资源勘探、灾害应急等场景作用凸显，推动海洋治理进入智能化新阶段，是建设海洋强国的关键驱动力。AI在海洋领域的应用现状总览海洋生态监测与保护AI技术在海洋生态监测与保护中发挥重要作用，如2026年AI驱动的珊瑚礁监测技术已从实验室走向规模化应用，福建东山岛项目通过昇腾AI算力实现珊瑚识别准确率99%、鱼类识别93%。AI还能通过图像识别和声音识别技术，帮助海洋生物的自动识别和分类，分析生物分布、数量和迁徙路径。海洋环境监测与污染治理在海洋环境监测与污染治理方面，AI可实时监测海洋中的废弃物、漂浮物和沉积物等，并进行自动识别和分类。通过模式识别和数据挖掘，能分析监测数据中的异常情况，帮助迅速发现海洋污染源。例如，AI可通过卫星图像和智能算法识别海洋表面的塑料聚集区域，助力清洁船只高效行动，还能预测赤潮等生态问题，2025年中国海防“问海”大模型赤潮预报准确率达92%。海洋资源勘探与开发AI技术优化海洋资源的利用和开发，通过深度学习对海洋资源的分布和利用价值进行预测和评估。在深海探测中，AI驱动的水下机器人与智能控制系统实现图像识别、目标定位、路径规划与自主航行，北京航空航天大学研发的小型深海机器人2025年成功实现万米深海畅游。同时，AI在油气资源勘探、深海矿产资源开发等领域也提供数据支持，降低勘探成本，提高开采效率。海洋灾害预警与应对AI在海洋灾害预警与应对中作用显著，能利用机器学习算法对气象和海洋数据进行训练，精确预测风暴、海浪等极端天气事件。如盘古海洋智能预报大模型实现海洋预报从“天级”到“分钟级”的跨越，为海上安全筑起“智慧防线”，2025年生成超2000份灾害预警报告，南海浮标项目预警提前量达72小时。AI在海洋生态监测与保护中的应用02珊瑚礁AI监测技术与应用案例AI模型测试：精度与鲁棒性的双重挑战珊瑚礁监测依赖多模态AI模型，如视觉识别、声纹分析。测试需聚焦精度验证，如东山岛项目通过昇腾AI算力实现珊瑚识别准确率99%、鱼类识别93%；鲁棒性测试要模拟珊瑚白化、共生关系变化等边缘场景，确保模型误判率低于5%；数据一致性校验需处理图像、声学等异构数据冲突，可借助SAM图像分割工具自动化验证。硬件集成测试：低成本与高可靠性的平衡入门级监测系统（如500元级Arduino传感器+防水摄像头）需求激增，测试重点包括环境适应性测试，如防水、抗腐蚀、耐高压（水下20米）的硬件验证，需模拟盐度、温度梯度环境；实时性保障方面，边缘计算设备需满足毫秒级响应，可利用JMeter压测数据传输延迟，避免因网络波动导致监测中断。核心测试场景实战：从静态图像到动态视频以HarmonyOS5珊瑚白化监测系统为例，其识别准确率达95%。测试流程包括数据集增强，使用水下图像增强技术（如去雾算法）处理低对比度样本，提升模型泛化能力；目标检测验证，基于YOLOv8模型，输入10万+张珊瑚图像，测试边界框定位精度及分类错误率；动态视频分析，集成FFmpeg工具解析实时流，验证帧率稳定性（≥30fps）与白化识别延迟。预测模型测试：从水温到生态危机的预判“飞鱼-1.0”大模型可提前72小时预警珊瑚白化，精度±0.3℃。测试重点包括多专家模块（MOE）验证，模拟厄尔尼诺事件，测试模型自适应切换策略的能耗与准确性；生存概率预测，基于生物耐受度子模型，验证不同珊瑚物种的生存率计算逻辑，准确率达89%。海洋生物多样性智能识别与评估

01AI视觉识别技术在物种鉴定中的应用基于深度学习的图像识别技术，如YOLOv8模型，可对海洋生物图像进行精准分类。例如，2026年东山岛项目通过昇腾AI算力实现珊瑚识别准确率99%、鱼类识别93%，大幅提升了物种鉴定效率。

02声学监测与声纹分析技术AI技术能够对海洋生物发出的声音进行分析和识别，如鱼类叫声。传统声学分析每分钟录音需20分钟人工标注，AI方案（如YOLOv5迁移应用）将效率提升25倍，可有效分离多物种重叠声景。

03多模态数据融合的生物多样性评估多模态AI模型（如“瑶华”）整合图像、声学等多源数据，实现对海洋生物多样性的综合评估。该模型识别准确率达88%，在处理异构数据冲突（如视频与声纹时间对齐）时，可借助SAM图像分割工具自动化验证数据一致性。

04海洋生物生存概率与生态趋势预测AI模型可基于生物耐受度等数据预测不同物种的生存概率及生态系统变化趋势。例如，“飞鱼-1.0”大模型能提前72小时预警珊瑚白化，精度±0.3℃，对珊瑚礁等关键生态系统的保护具有重要意义。海洋生态系统健康评估的AI模型

多模态数据融合模型如“瑶华”多模态大模型整合图像、声学等数据，实现珊瑚礁识别准确率88%，需处理异构数据冲突如视频与声纹时间对齐，可借助SAM图像分割工具自动化验证。

微观尺度评估模型斯坦福大学空间智能模型解析蛋白质三维构象，冷冻电镜数据解析结构预测准确率超90%，助力揭示海洋生物物种间基因关系和演化规律。

宏观尺度预测模型“飞鱼-1.0”大模型可提前72小时预警珊瑚白化，精度±0.3℃，基于生物耐受度子模型计算不同珊瑚物种生存率，准确率达89%。

生态风险评估模型AI通过分析海洋污染监测数据，如塑料分布、油类泄漏等，结合物种分布和迁徙路径，构建生态风险评估模型，为海洋环境保护决策提供科学依据。AI在海洋污染监测与治理中的实践塑料污染智能监测与追踪

AI通过卫星图像和智能算法识别海洋表面塑料聚集区域，辅助清洁船只高效行动；水下机器人与声呐技术结合绘制海底塑料垃圾分布图，如太平洋“第八大陆”垃圾带的监测。赤潮与富营养化预警系统

中国海防“问海”大模型实现全球海洋15天动态预测，赤潮预报准确率92%，2025年生成超2000份灾害预警报告，南海浮标项目预警提前量达72小时。溢油事故快速响应与处置

国家海洋环境监测中心在青岛“宏浦6”轮沉船事件中，基于多源遥感+深度学习模型动态识别海面油膜，溢油轨迹预测误差＜1.2公里，应急响应时效提升40%。污染源智能追溯与监管

AI技术通过多模态数据融合分析，追踪陆源污染排放路径，如在长江流域生态保护中精准识别水体富营养化污染源，为治理方案制定提供科学依据。AI在海洋资源勘探与开发中的应用03AI辅助海洋生物资源评估技术

多模态数据融合识别技术AI通过整合图像、声学等多源数据实现海洋生物精准识别。如“瑶华”多模态大模型整合图像与声学数据，识别准确率达88%；东山岛项目利用昇腾AI算力实现珊瑚识别准确率99%、鱼类识别93%。

种群动态与资源丰度预测深度学习网络能够预测海洋生物种群动态与资源丰度。机器学习模型通过百万级图像数据训练，可精准解译海底生物形态特征，为资源评估提供科学依据，提升评估效率与准确性。

声呐与图像智能分析应用声呐识别算法能从纷繁声波信号中剥离鱼群轮廓；基于YOLOv8等模型的AI视觉识别系统，输入10万+张珊瑚图像，可测试边界框定位精度及分类错误率，动态视频分析帧率稳定性≥30fps。

评估技术的实践与挑战AI技术在未知物种识别、深海极端环境应用中仍存在瓶颈。需通过对抗性测试注入噪声数据评估模型鲁棒性，如东山岛项目通过该方法将分析时间从3天压缩至40分钟，同时需关注数据一致性与硬件集成等挑战。深海探测中的AI技术应用

多源异构数据融合与验证深海探测需整合卫星遥感、水下声呐、物联网传感器等10+类数据源，采样频率从毫秒级（如声学信号）到天级（如生态监测）不等。2026年技术通过构建数据可信度评估矩阵，如水下声呐时效性阈值≤50ms、精度容错率±0.1°，并开发模拟数据污染工具注入泥沙扰动等20+海洋噪声模式，确保数据一致性与鲁棒性。

极端环境仿真与硬件测试AI驱动的高压深水测试舱可模拟3000米深海压力环境，验证密封件形变对传感器精度影响；湍流场生成算法复现北大西洋湾流等复杂流体。某型AUV经强化PID控制算法测试后，定位误差从15米降至0.8米，港口数字孪生体已减少实景测试成本67%。

水下AI定位与探测算法优化SLAM算法在多路径效应下的鲁棒性测试是关键，2026年声学混响模拟器支持512通道并行测试，结合强化学习奖励函数框架（R=Σ(α·P_t-β·E_t)）优化定位精度与能耗。小型深海机器人已实现万米深海畅游，AI辅助的目标检测系统对水下小型生物识别AP提升12.7%。

深海资源开发与生态保护协同AI技术在深海矿产资源勘探中，通过多模态数据融合精确探测资源位置与储量，降低勘探成本。同时，数字孪生技术应用于深海采矿系统，实现物理实体与虚拟模型实时映射，在资源开发中兼顾生态保护，如“深海采矿数字孪生系统”已实现采矿车高保真实时预测与精准控制。海洋矿产资源勘探的AI解决方案01多源勘探数据智能融合整合卫星遥感、水下声呐、物联网传感器等10+类数据源，采样频率从毫秒级（声学信号）到天级（生态监测），构建数据可信度评估矩阵，处理泥沙扰动、设备断电等20+海洋噪声模式，确保数据一致性与容错性。02深海矿物靶区智能识别基于深度学习算法对多模态数据进行分析，如利用卷积神经网络（CNN）识别海底热液喷口、多金属结核等矿物特征，结合地质构造模型，实现矿物靶区的精准定位与储量估算，提升勘探效率。03勘探风险动态预警与评估AI模型实时分析勘探区域的地质稳定性、环境敏感性等因素，预测潜在的地质灾害（如海底滑坡）和生态风险，为勘探作业规划提供决策支持，降低勘探成本与环境风险。04数字孪生驱动勘探作业优化构建深海采矿数字孪生系统，通过多源传感器数据融合，实现采矿车与数字孪生体之间高保真的实时映射与精准预测，优化勘探路径规划与资源开采方案，提高资源开采效率与安全性。AI在海洋能源开发中的优化作用海上风电场运维效率提升AI可通过分析风机运行数据、气象预测等，实现故障预警与维护优化。如基于机器学习的预测性维护系统，能提前识别潜在故障，降低停机时间，提升发电效率。深海油气资源勘探精准度提高利用AI技术处理地震勘探数据、分析地质构造，可更精准定位油气资源。例如，通过深度学习算法对三维地震数据进行解释，能有效提高油气藏发现率，降低勘探成本。海洋能开发利用智能化管理AI在潮汐能、波浪能等海洋能开发中，可优化能量转换效率与电网并网策略。如智能控制系统根据实时海洋能资源状况，动态调整设备运行参数，实现稳定高效发电。AI在海洋环境预警与灾害应对中的应用04海洋灾害智能预警系统构建

多源异构数据融合技术整合卫星遥感、水下声呐、浮标传感器等10+类数据源，采样频率从毫秒级（声学信号）到天级（生态监测）不等，构建数据可信度评估矩阵，如卫星遥感时效性阈值≤3小时，精度容错率±5%。

AI预测模型与算法创新采用LSTM等模型处理时间序列数据，如中国海防“问海”大模型实现全球海洋15天动态预测，赤潮预报准确率92%，预警提前量达72小时；深圳盘古海洋智能预报大模型实现从“天级”到“分钟级”的跨越。

极端环境仿真与硬件在环测试通过高压深水测试舱模拟3000米深海压力，湍流场生成算法复现复杂流体环境，结合硬件在环（HIL）测试框架验证系统可靠性，如某型AUV经测试后定位误差从15米降至0.8米。

动态预警与应急响应机制构建多层级预警阈值自适应调节系统，如福建省P波段电磁密织网海雾监测系统实现分钟级探测，预警提前量达112分钟；国家海洋环境监测中心溢油轨迹预测模型误差＜1.2公里，响应时效提升40%。AI驱动的赤潮早期预警系统中国海防“问海”大模型实现全球海洋15天动态预测，赤潮预报准确率92%，2025年生成超2000份灾害预警报告，南海浮标项目预警提前量达72小时。多源数据融合提升预测精度盘古海洋智能预报大模型融合卫星遥感、浮标观测等多源数据，通过3D-EST架构对海洋与大气要素进行三维编码，实现1/36°尺度的精准刻画，为赤潮预测提供高分辨率数据场。AI辅助的赤潮灾害应急响应国家海洋环境监测中心在赤潮预警中引入AI动态推演技术，可快速预测赤潮扩散路径，为应急处置提供决策支持，显著提升响应效率。基于AI的生态灾害防治策略优化AI技术通过分析历史灾害数据和环境参数，优化赤潮等生态灾害的防治方案，如精准投放治理药剂、规划清理路线等，提高防治效果并降低对海洋生态的二次影响。赤潮等生态灾害的AI预测与防治极端天气与海洋环境变化的AI模拟

AI驱动的海洋环境动态预测中国海防“问海”大模型实现全球海洋15天动态预测，赤潮预报准确率92%，2025年生成超2000份灾害预警报告，南海浮标项目预警提前量达72小时。

极端海洋气象分钟级响应福建省P波段电磁密织网海雾监测系统实现分钟级实时探测，2025年福州港雾航预警提前量达112分钟，较传统雷达提升5.3倍，事故率下降68%。

海气耦合智能预报模型深圳盘古海洋智能预报大模型提出3D-EST架构，融入海陆交互动态与海气耦合理论，实现1/36°尺度精准刻画，预报速度从“天级”跨越到“分钟级”。AI在海洋监测技术与数据处理中的创新05水下传感器网络数据挖掘技术多源异构数据采集体系整合卫星、无人机、浮标、AIS等12类数据源，构建空天地海一体化监测网络，数据完整度提升至95%，为海洋数据挖掘提供丰富数据基础。跨尺度干扰挖掘检测网络（CIDNet）采用ResNet主干网络提取特征，在DUO数据集上对小型海洋生物检测AP提升12.7%，有效解决水下图像光照不均、低对比度等干扰问题。动态网络拓扑与自适应路由协议针对水下声信道传播延迟大、带宽有限等问题，设计分簇算法与自适应路由协议，实现节点移动、故障时网络拓扑的动态调整与数据可靠传输。传感器节点能量管理技术通过分簇算法优化能量消耗，结合波浪能、海流能收集技术，使传感器节点续航延长300%，减少对人工维护和更换电池的依赖。多模态海洋数据融合与AI分析多源异构数据采集体系整合卫星遥感、无人机影像、水下传感器（如声呐、温盐深仪）、AIS船舶信号等10+类数据源，采样频率从毫秒级（声学信号）到天级（生态监测）不等，构建空天地海一体化数据采集网络。数据融合关键技术采用动态干扰挖掘检测网络（CIDNet）等技术处理水下图像干扰，提升目标检测精度；通过多模态大模型（如“瑶华”）整合图像、声学数据，处理异构数据冲突，实现数据一致性校验，识别准确率可达88%。AI驱动的数据分析与应用利用AI技术从海量融合数据中提取有价值信息，如福建东山岛项目通过昇腾AI算力实现珊瑚识别准确率99%、鱼类识别93%；“海境AI大模型”实现从遥感观测到智能问答的端到端服务，支撑海洋环境保障、资源开发和生态保护等多场景应用。海洋大数据处理的AI算法与平台

多模态数据融合算法多模态大模型（如“瑶华”）整合图像、声学等多源数据，识别准确率达88%，需处理异构数据冲突，如视频与声纹的时间对齐，可借助SAM图像分割工具自动化验证。

海洋AI大模型平台中国科学院南海海洋研究所发布的海境AI大模型，由界面、区域预报、涡流、智能问答四大模型组成，构建从数据融合、智能预报、三维重构到交互认知的完整技术闭环，支撑多类海洋业务场景。

海洋智能预报大模型深圳盘古海洋智能预报大模型采用3D-EST架构，融合多源数据，实现1/36°尺度精准刻画，对比传统数值预报，实现从“天级”到“分钟级”的跨越，提升预报速度和精度。

数据可信度评估与处理构建数据可信度评估矩阵，针对卫星遥感、水下声呐等不同数据源设定时效性阈值、精度容错率和异常处理规则；开发模拟数据污染工具，注入泥沙扰动、设备断电等20+海洋特有噪声模式以验证系统鲁棒性。船舶海洋监测中的AI应用实践船体健康智能诊断系统集成应变计与光纤光栅传感器网络，实现船体疲劳裂纹毫米级早期识别，预警提前量达45天，关键设备故障识别准确率95.3%，显著降低维护成本。海洋环境智能预警机制融合卫星遥感、浮标数据与深度学习算法，赤潮预报准确率92%，溢油轨迹预测误差＜1.2公里，海上极端天气预警提前量提升至112分钟，事故率下降68%。船舶航迹优化与避碰决策基于AIS、气象、潮汐等17维数据构建智能路径模型，单次航路优化耗时＜8秒，空驶率降低至4.7%，智能避碰系统实现异常行为识别准确率85%，碰撞事故率下降92%。海洋生态多维度监测体系构建空天地海一体化数据采集架构，整合12类数据源，数据完整度提升至95%，通过AI解译实现海滩垃圾识别精准度突破90%，生态扰动早期预警准确率89%。海洋AI技术的挑战与发展趋势06海洋AI应用面临的技术瓶颈

多源异构数据融合挑战需整合卫星遥感、水下声呐、物联网传感器等10+类数据源，采样频率从毫秒级到天级不等，存在数据一致性校验与异构数据冲突处理难题，如视频与声纹的时间对齐。

极端环境适应性不足水下高压（如3000米深海）、高盐、温度梯度及湍流等极端环境，对传感器精度、硬件可靠性（防水、抗腐蚀）及实时性（边缘计算设备需毫秒级响应）构成严峻考验。

AI模型鲁棒性与泛化能力待提升海洋数据存在数据集有限、标注混乱等问题，AI模型在干扰环境（如水温波动、光线变化）下稳定性不足，对未知物种识别、复杂声景分离等边缘场景误判率较高。

算力与能源消耗巨大海洋监测日均产生12TB级声学或图像数据，传统处理效率低下，AI模型训练与推理对算力需求高，水下设备能源供应有限，更换电池困难，制约系统续航与部署范围。数据质量与模型可解释性问题

01海洋数据采集的挑战海洋环境复杂多变，传感器易受光照不均、低对比度、动态干扰等影响，导致数据质量参差不齐。水下声信道传播延迟大、带宽有限、信号衰减严重，多径效应和多普勒频移进一步加剧数据传输的不稳定性，影响数据完整性。

02模型决策的透明度困境深度学习等AI模型在海洋应用中常被称为“黑箱”，其决策过程缺乏透明度和可解释性。例如在珊瑚礁识别或赤潮预警中，模型如何得出特定结论难以清晰说明，这限制了科研人员对结果的信任和对模型的优化。

03数据预处理与标准化难题海洋数据来源多样，包括卫星遥感、水下传感器、无人机航拍等，数据格式、精度、时空分辨率差异大，预处理复杂。实现多源异构数据的有效融合和标准化，是保证AI模型训练效果和应用可靠性的关键瓶颈。海洋AI的伦理与法律考量

数据隐私与共享边界海洋AI系统依赖卫星遥感、水下传感器等多源数据，涉及国家海洋权益、商业机密及个人信息。需建立数据分级分类制度，明确共享范围与权限，如BBNJ协定强调国家管辖范围以外区域海洋数据的合规共享与知识产权保护。

算法偏见与决策透明性AI模型可能因训练数据偏差导致生态评估失真或资源分配不公。例如，过度依赖特定区域数据可能忽视深海或极地独特生态。需引入可解释AI（XAI）技术，如LIME模块提升决策透明度，确保海洋治理公平性。

技术滥用与生态责任AI驱动的高效捕捞、深海采矿等技术若滥用，将加剧海洋生态破坏。应建立技术应用伦理审查机制，遵循"科技服务生命"原则，评估项目对海洋生物多样性及生态系统完整性的长期影响，如联合国"海洋十年"倡议强调的可持续发展目标。

国际治理与标准协同海洋的全球性要求跨国合作制定AI应用规范。ISO/IEC30140-2海洋物联网认证、IMOECDISS-57海图数据规范等为技术落地提供框架。中国作为BBNJ首批缔约国，应推动建立全球统一的海洋AI伦理标准与监管协调机制。未来海洋AI技术的发展方向

多模态大模型与跨尺度融合未来海洋AI将向多模态大模型发展，整合图像、声学、遥感等多源数据，如“瑶华”模型整合多模态数据识别准确率达88%，实现从微观生物特征到宏观生态系统的跨尺度认知与评估。

自主智能体与无人系统协同AI自主智能体将推动“干湿闭环”深度协同，实现水下机器人、无人机等无人系统的自主决策与协同作业，如AUV与传感器网络协同，提升海洋探测与监测的自动化与智能化水平。

数字孪生与虚实共生数字孪生技术将成为海洋装备智能化核心，通过物理实体与虚拟模型实时映射，实现以虚映实、控实、预实、优化及虚实共生，已在深海采矿、跨介质航行器等场景落地应用。

边缘计算与实时响应边缘计算技术将在海洋AI中广泛应用，满足毫秒级响应需求，如水下传感器实现<10ms边缘处理延迟，减少90%无效数据回传，提升复杂海况下的实时监测与决策能力。

伦理规范与可持续发展随着AI在海洋开发应用深化，需建立健全伦理规范与ESG合规标准，确保技术应用兼顾短期利益与长期可持续，如推动海洋负排放国际标准制定，让海洋碳汇进入全球碳交易市场。高中生对海洋AI技术的认知与教育07知识掌握度：基础概念与海洋应用脱节高中生对“机器学习”“深度学习”等AI基础概念有一定了解，但对其在海洋场景的具体应用认知模糊。多数学生无法解释“AI为何需要大量海洋生物图像数据训练”“声呐数据如何通过算法转化为生物分布图”等关联性知识，将AI海洋应用等同于“传统调查的电子化包装”或“科幻电影里的万能探测器”。态度倾向性：价值认同与风险担忧并存学生普遍认同AI能提升海洋勘探效率、保护生物多样性，学习意愿较强。但同时也担忧过度依赖AI导致实地调查能力退化、算法偏见可能误判资源状况等风险，对技术伦理和生态影响的深层思考不足。应用理解度：场景认知局限且存在技术盲区学生对AI在海洋资源普查、物种鉴定等应用场景的认知边界模糊，鲜少有人能区分其在不同任务中的具体作用