微塑料（MPs）是一种直径小于5毫米的合成聚合物颗粒，它们已经从深海扩散到高海拔冰川，从极地冰层进入人体循环系统，成为21世纪严重的环境问题[1]、[2]、[3]。随着塑料产量的增加和产品破碎程度的加剧，环境中微塑料的存量和流动量持续上升，给水体、土壤、大气和生态系统带来了沉重负担[4]、[5]。这种污染的复杂性源于微塑料本身的异质性——它们构成了一个多样化的“污染物家族”，在大小、形状、颜色、聚合物类型、添加剂成分和表面风化方面存在显著差异，而不仅仅是一个具有统一化学性质的污染物类别[6]、[7]、[8]。这种内在的复杂性加上动态的环境相互作用，带来了前所未有的研究和管理挑战。
首先，检测和识别微塑料是主要障碍[9]。在沉积物、生物组织和有机碎片等复杂环境基质中检测和准确识别微塑料颗粒存在重大分析难题[10]、[11]。传统的显微镜检查和手动计数效率低下且具有主观性，限制了大规模分析。尽管光谱技术（如傅里叶变换红外光谱、拉曼光谱）可以提供化学指纹，但传统的光谱匹配方法在处理数千个颗粒、荧光干扰和老化光谱特征时存在困难，阻碍了快速自动分类[12]、[13]、[14]。其次，来源识别和命运追踪极其困难。确定微塑料的来源（如洗衣物、轮胎磨损、农业薄膜）对于有效管理至关重要，但环境风化（物理磨损、化学降解、生物膜形成）可能会掩盖原始特征，使得单一指标的来源归属不可靠[15]、[16]、[17]。第三，风险评估仍然是最大的科学不确定性。颗粒物的毒性并不遵循简单的剂量-反应关系[18]，而是取决于其物理性质、化学组成[19]、[20]、[21]，以及由表面附着形成的“生态晕”引发的复杂相互作用[23]、[24]、[25]。这种“颗粒化学-生物”毒性机制挑战了传统的毒理学方法，使得安全阈值的确定和政策制定变得更加复杂。
虽然传统研究范式在阐明微塑料的复杂相互作用机制方面面临重大挑战，但由人工智能（AI）和机器学习（ML）引领的数据智能革命正在带来强大的新工具和视角来应对这些挑战[26]、[27]。AI技术擅长从大量、高维和非结构化数据中自动提取深层特征，并建立复杂的非线性关系以实现模式识别和预测[28]、[29]。具体而言，使用深度神经网络（如卷积神经网络CNN）的计算机视觉可以在显微图像中实现微塑料的自动检测、分割和量化，显著提高分析的效率和客观性[30]、[31]。深度学习模型可以直接处理原始或预处理的光谱数据，从广泛的光谱库中学习模式，从而在噪声较大或复杂的环境样本中实现可靠的聚合物识别[32]、[33]。此外，ML算法（随机森林RF、支持向量机SVM、图神经网络GNN）整合了多源异构数据——物理性质、光谱特征、环境参数和地理信息——以发现隐藏的相关性。通过多特征融合，实现了更准确的来源识别，并利用初步的定量结构-活性关系（QSAR）模型将微塑料特性与生物效应联系起来[34]、[35]。
AI和ML正在从根本上改变微塑料研究，将研究范式从依赖经验的、假设有限的方法转变为数据驱动的、算法驱动的智能方法。在此背景下，本文对整个微塑料研究链中的AI/ML应用进行了系统评估。我们不仅关注孤立案例研究，还构建了一个涵盖检测、来源识别和风险评估的综合性框架，详细介绍了最新进展、操作原理和代表性应用。同时，我们也分析了数据智能范式面临的关键挑战：高质量标注数据稀缺、模型可解释性与物理机制之间的脱节，以及算法在不同环境和仪器间的泛化能力有限。最后，我们探讨了将尖端AI技术整合到微塑料研究中的未来方向，展望更加智能、可靠和富有洞察力的研究基础设施，以支持全球微塑料污染控制策略。
