一項由德國等國際團隊開發的AI模型PriMAT，透過創新的動態邊界框追蹤技術，成功克服叢林環境下光線與植被干擾，能高準確度地追蹤野生靈長類個體。這項技術不僅將過去無用的模糊影片轉化為研究資產，還能快速分析大量舊資料，為生態保育與靈長類研究帶來重大突破。
人工智慧（AI）技術正為長期受限的靈長類研究帶來突破性進展。由德國等國際研究團隊開發的AI模型PriMAT，能將過去因模糊或環境複雜而被視為無用的叢林影片，轉化為珍貴的研究資產，大幅提升對東南亞地區野生靈長類的監測能力。
過去，生物學家在叢林中追蹤動物，需仰賴自身的體力與隱蔽性來收集資料。即使後來發展出關鍵點偵測（keypoint detection）等自動化追蹤技術，透過辨識動物特定部位如肘部或尾根，在光線穩定、受控的環境中表現良好，但在自然叢林環境下卻頻頻失效。動物一旦踏入陰影或藏身茂密灌木叢後，追蹤就會中斷，使得大量影片資料無法有效利用。
為解決此困境，研究團隊專為非人類靈長類在自然環境中的追蹤需求，設計了多動物追蹤AI模型PriMAT。該模型捨棄追蹤動物特定特徵的傳統方式，轉而運用動態邊界框（bounding box）技術，持續鎖定目標靈長類。即使動物移動、穿越灌木叢，或在樹幹下方穿梭，甚至面對不斷變化的光線條件，PriMAT都能穩定追蹤個體，顯著克服了以往的技術挑戰。
科學家已將PriMAT模型應用於多個案例研究，包括阿薩姆獼猴（Assamese macaques）和紅額狐猴（red-fronted lemurs）。實驗結果顯示，該模型在辨識紅額狐猴個體方面達到八成三的準確率，且僅需數百幀標註影片即可。PriMAT的技術還成功應用於追蹤巴巴利獼猴（Barbary macaques）、幾內亞狒狒（Guinea baboons）、大猩猩（gorillas）和黑猩猩（chimpanzees）等其他靈長類物種。
這項基於AI的技術，讓研究人員得以重新審視多年來累積的叢林影片資料，在短短幾分鐘內自動分析數小時的舊影像，從中發掘過去無法獲取的寶貴資訊。儘管此類AI工具仍處於發展初期，其現有成效已證明能開啟科學研究中此前隱藏的巨大潛力，為生態保育和野生動物行為研究提供前所未有的洞察。