


Bolehkah kecerdasan buatan benar-benar membantu kita bercakap dengan haiwan?
Seorang jurulatih ikan lumba-lumba memberi isyarat "bersama-sama" dengan tangannya, diikuti dengan "mencipta." Dua ikan lumba-lumba yang terlatih hilang di bawah air, bertukar-tukar bunyi dan kemudian muncul ke permukaan, membalikkan badan dan menaikkan ekor mereka. Mereka mencipta helah baru mereka sendiri dan melaksanakannya satu demi satu mengikut keperluan. "Ini tidak membuktikan bahasa itu wujud," kata Aza Raskin. "Tetapi jika mereka boleh menggunakan bentuk komunikasi simbolik yang kaya, ia pasti akan memudahkan tugasan itu."
Ruskin ialah pengasas bersama Earth Species Project (ESP) dan Presiden, sebuah syarikat bukan untung California." cita-cita untuk menggunakan satu bentuk kecerdasan buatan (AI) yang dipanggil pembelajaran mesin untuk menyahkod komunikasi bukan manusia dan akan mendedahkan semua teknologi proprietari yang ada, memperdalam hubungan kita dengan spesies biologi lain untuk membantu melindungi mereka. Album lagu paus 1970 mengilhamkan pergerakan yang membawa kepada larangan penangkapan ikan paus komersial. Apakah yang dihasilkan oleh Terjemahan Google bagi Kerajaan Haiwan?
Organisasi yang diasaskan pada 2017 dengan bantuan penderma utama termasuk pengasas bersama LinkedIn Reid Hoffman, menerbitkan kertas saintifik pertamanya pada Disember lalu. Matlamatnya adalah untuk memulakan komunikasi dengan haiwan dalam hidup kita. "Apa yang kami usahakan ialah sama ada kami boleh menyahkod komunikasi haiwan dan menemui misteri pertuturan bukan manusia," kata Raskin. "Dalam proses itu, sama pentingnya, kami sedang membangunkan teknologi yang menyokong ahli biologi dan pemuliharaan haiwan." Panggilan penggera yang dihasilkan oleh pelbagai primata berbeza-beza bergantung pada pemangsa; Tetapi kebanyakan pakar tidak memanggilnya sebagai bahasa kerana tiada komunikasi haiwan memenuhi semua kriteria.
Sehingga baru-baru ini, penyahkodan bergantung terutamanya pada pemerhatian yang teliti. Walau bagaimanapun, terdapat minat yang kuat untuk menggunakan pembelajaran mesin untuk memproses sejumlah besar data yang kini boleh dikumpulkan oleh penderia komunikasi haiwan moden. "Orang ramai mula menggunakannya, " kata Elodie Briefer, seorang profesor bersekutu di Universiti Copenhagen yang mengkaji komunikasi vokal dalam mamalia dan burung. "Tetapi kami belum tahu berapa banyak yang boleh kami lakukan."
Briefer bersama membangunkan algoritma yang menganalisis rungutan babi untuk menentukan sama ada haiwan itu mengalami emosi positif atau negatif. Kaedah lain, dipanggil DeepSqueak, menentukan sama ada tikus ditekankan berdasarkan panggilan ultrasoniknya. Satu lagi inisiatif—projek CETI (yang bermaksud Cetacean Translation Initiative)—bercadang untuk menggunakan pembelajaran mesin untuk menterjemah komunikasi ikan paus sperma.
Awal tahun ini, Elodie Briefer dan rakan sekerja menerbitkan kajian berdasarkan emosi vokal babi. 7,414 bunyi telah dikumpulkan daripada 411 babi dalam pelbagai senario.
Walau bagaimanapun ESP mengatakan pendekatannya berbeza kerana ia tidak menumpukan pada penyahkodan komunikasi satu spesies, tetapi kesemuanya. Walaupun Ruskin mengakui bahawa potensi komunikasi simbolik yang kaya di kalangan haiwan sosial, seperti primata, ikan paus dan ikan lumba-lumba, adalah lebih tinggi, matlamatnya adalah untuk membangunkan alat yang boleh digunakan di seluruh dunia haiwan. "Kami adalah spesies agnostik, " kata Raskin. "Kami membangunkan alat... untuk bekerja merentasi semua biologi, daripada cacing hingga ikan paus
Raskin berkata kerjanya yang "intuitif menginspirasi" pada ESP menunjukkan bahawa pembelajaran mesin boleh digunakan dalam pelbagai , dan menterjemah antara kadang-kadang jauh. bahasa manusia—tanpa pengetahuan sebelumnya.
Proses bermula dengan membangunkan algoritma untuk mewakili perkataan dalam ruang fasa fizikal. Dalam perwakilan geometri multidimensi ini, jarak dan arah antara titik (perkataan) menerangkan bagaimana ia berkaitan secara bermakna antara satu sama lain (hubungan semantiknya). Sebagai contoh, hubungan antara "raja" dan "lelaki" adalah sama dengan jarak dan arah antara "wanita" dan "permaisuri". (Pemetaan dilakukan bukan dengan mengetahui maksud perkataan, tetapi dengan melihat kekerapan perkataan itu rapat antara satu sama lain.)
Kemudian mendapati bahawa "bentuk" ini adalah serupa untuk bahasa yang berbeza. Kemudian, pada 2017, dua kumpulan penyelidik yang bekerja secara bebas menemui teknik yang boleh mencapai terjemahan dengan menjajarkan bentuk. Untuk pergi daripada bahasa Inggeris ke Urdu, selaraskan bentuknya dan cari titik perkataan Urdu yang paling hampir dengan titik perkataan Inggeris. "Dengan cara itu anda boleh menterjemah kebanyakan perkataan dengan baik," kata Raskin.
Aspirasi ESP adalah untuk mencipta perwakilan komunikasi haiwan sedemikian - bekerja pada spesies tunggal dan banyak spesies secara serentak - dan kemudian meneroka soalan seperti sama ada terdapat pertindihan dengan 'bentuk' komunikasi manusia sejagat. Kita tidak tahu bagaimana haiwan mengalami dunia, kata Raskin, tetapi terdapat emosi, seperti kesedihan dan kegembiraan, yang sesetengah haiwan nampaknya berkongsi dengan kita dan mungkin berkomunikasi dengan orang lain dalam spesies mereka. "Saya tidak tahu mana yang lebih luar biasa - bahagian yang bentuknya bertindih dan kita boleh terus berkomunikasi atau menterjemah, atau bahagian yang kita tidak boleh
Ikan lumba-lumba menggunakan klik, wisel dan bunyi lain untuk berkomunikasi. Tetapi apa yang mereka bincangkan?
Haiwan berkomunikasi bukan hanya melalui bunyi, tambahnya. Contohnya, lebah menggunakan "tarian bergoyang" untuk memberitahu orang lain lokasi bunga. Terjemahan merentas mod komunikasi yang berbeza juga diperlukan.
Matlamatnya adalah "seperti pergi ke bulan," Ruskin mengakui, tetapi idea itu tidak akan tercapai sekaligus. Sebaliknya, pelan hala tuju ESP melibatkan penyelesaian beberapa siri masalah kecil untuk mencapai gambaran yang lebih besar. Ini sepatutnya melihat perkembangan alat umum yang boleh membantu penyelidik cuba menggunakan kecerdasan buatan untuk membuka kunci rahsia spesies yang mereka kaji.
Sebagai contoh, ESP baru-baru ini menerbitkan kertas kerja (dan berkongsi kodnya) mengenai apa yang dipanggil "masalah pesta koktel" dalam komunikasi haiwan, di mana sukar untuk menentukan individu mana dalam kumpulan haiwan yang sama. berkomunikasi dalam Penyuarakan yang bising dalam konteks sosial
"Untuk pengetahuan kami, tiada siapa yang melakukan pengasingan [suara haiwan] dari hujung ke hujung ini sebelum ini," kata Raskin. Model berasaskan AI yang dibangunkan oleh ESP, yang telah diuji pada wisel tandatangan lumba-lumba, penyu kera dan penyuaraan kelawar, berfungsi paling baik apabila panggilan datang daripada individu yang model itu dilatih tetapi dengan set data yang lebih besar, ia dapat merungkai panggilan Bercampur daripada haiwan yang tiada dalam barisan latihan.
Satu lagi projek melibatkan penggunaan kecerdasan buatan untuk menjana bunyi haiwan baharu, menggunakan ikan paus bungkuk sebagai spesies ujian. Panggilan novel - dibuat dengan memecahkan penyuaraan menjadi mikrofon (unit bunyi berbeza yang bertahan seperseratus saat) dan menggunakan model bahasa untuk "bercakap" sesuatu seperti ikan paus - kemudiannya boleh dimainkan semula kepada haiwan untuk melihat cara mereka bertindak balas. Jika AI boleh mengenal pasti punca perubahan rawak berbanding perubahan bermakna secara semantik, ia boleh membawa kita lebih dekat kepada komunikasi yang bermakna, jelas Raskin. "Ia akan membolehkan kecerdasan buatan untuk bercakap bahasa itu, walaupun kita tidak tahu apa maksudnya lagi."
Satu lagi projek bertujuan untuk membangunkan algoritma yang menentukan bilangan jenis panggilan spesies dengan menggunakan pembelajaran mesin penyeliaan sendiri, yang tidak memerlukan sebarang pelabelan data oleh pakar manusia untuk mempelajari corak. Dalam kes ujian awal, ia akan melombong rakaman yang dibuat oleh pasukan yang diketuai oleh Christian Rutz, profesor biologi di Universiti St. Andrews, untuk mencipta inventori himpunan vokal burung gagak Hawaii — Rutz menemui himpunan vokal burung gagak Hawaii dan mempunyai kebolehan membuat dan Kebolehan menggunakan alat mencari makan dan dianggap mempunyai himpunan vokal yang lebih kompleks daripada spesies gagak lain.
Tetapi tidak semua orang begitu bersemangat tentang kuasa kecerdasan buatan untuk mencapai matlamat bercita-cita tinggi tersebut. Robert Seyfarth, profesor emeritus psikologi di University of Pennsylvania, telah mengkaji tingkah laku sosial dan komunikasi vokal di kalangan primata di habitat semula jadi mereka selama lebih daripada 40 tahun. Walaupun dia berpendapat pembelajaran mesin boleh menyelesaikan beberapa masalah, seperti mengenal pasti himpunan vokal haiwan, terdapat bidang lain, termasuk menemui makna dan fungsi penyuaraan, di mana dia mengesyaki ia akan menimbulkan banyak masalah.
Masalahnya, jelas beliau, ialah walaupun banyak haiwan boleh mempunyai masyarakat yang kompleks, himpunan bunyi mereka jauh lebih kecil daripada manusia. Hasilnya ialah bunyi yang sama boleh digunakan untuk bermaksud perkara yang berbeza dalam konteks yang berbeza, dan ini hanya boleh dilakukan dengan mengkaji konteks - siapa yang dipanggil oleh individu itu, cara mereka berhubung dengan orang lain, di mana mereka sesuai dalam hierarki, siapa mereka berinteraksi dengan—dan maknanya diharapkan dapat diwujudkan. "Saya rasa pendekatan AI ini tidak mencukupi," kata Seyfarth. "Anda perlu keluar dan melihat haiwan itu." seperti "goyangan" tarian lebah".
Terdapat juga persoalan tentang konsep itu sendiri—bahawa bentuk komunikasi haiwan akan bertindih dengan cara yang bermakna dengan "bentuk" komunikasi manusia. Ia adalah satu perkara untuk menggunakan analisis berasaskan komputer kepada bahasa manusia, yang kami begitu biasa, kata Seyfarth. Tetapi berbuat demikian untuk spesies lain mungkin "berbeza sepenuhnya." "Ia adalah idea yang menarik, tetapi ia adalah satu regangan yang besar," kata Kevin Coffey, ahli sains saraf di Universiti Washington yang mencipta algoritma DeepSqueak.
Atas ialah kandungan terperinci Bolehkah kecerdasan buatan benar-benar membantu kita bercakap dengan haiwan?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

Video Face Swap
Tukar muka dalam mana-mana video dengan mudah menggunakan alat tukar muka AI percuma kami!

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas











Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal

Tingkatkan produktiviti, kecekapan dan ketepatan pembangun dengan menggabungkan penjanaan dipertingkatkan semula dan memori semantik ke dalam pembantu pengekodan AI. Diterjemah daripada EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, pengarang JanakiramMSV. Walaupun pembantu pengaturcaraan AI asas secara semulajadi membantu, mereka sering gagal memberikan cadangan kod yang paling relevan dan betul kerana mereka bergantung pada pemahaman umum bahasa perisian dan corak penulisan perisian yang paling biasa. Kod yang dijana oleh pembantu pengekodan ini sesuai untuk menyelesaikan masalah yang mereka bertanggungjawab untuk menyelesaikannya, tetapi selalunya tidak mematuhi piawaian pengekodan, konvensyen dan gaya pasukan individu. Ini selalunya menghasilkan cadangan yang perlu diubah suai atau diperhalusi agar kod itu diterima ke dalam aplikasi

Untuk mengetahui lebih lanjut tentang AIGC, sila layari: 51CTOAI.x Komuniti https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou berbeza daripada bank soalan tradisional yang boleh dilihat di mana-mana sahaja di Internet memerlukan pemikiran di luar kotak. Model Bahasa Besar (LLM) semakin penting dalam bidang sains data, kecerdasan buatan generatif (GenAI) dan kecerdasan buatan. Algoritma kompleks ini meningkatkan kemahiran manusia dan memacu kecekapan dan inovasi dalam banyak industri, menjadi kunci kepada syarikat untuk kekal berdaya saing. LLM mempunyai pelbagai aplikasi Ia boleh digunakan dalam bidang seperti pemprosesan bahasa semula jadi, penjanaan teks, pengecaman pertuturan dan sistem pengesyoran. Dengan belajar daripada sejumlah besar data, LLM dapat menjana teks

Model Bahasa Besar (LLM) dilatih pada pangkalan data teks yang besar, di mana mereka memperoleh sejumlah besar pengetahuan dunia sebenar. Pengetahuan ini dibenamkan ke dalam parameter mereka dan kemudiannya boleh digunakan apabila diperlukan. Pengetahuan tentang model ini "diperbaharui" pada akhir latihan. Pada akhir pra-latihan, model sebenarnya berhenti belajar. Selaraskan atau perhalusi model untuk mempelajari cara memanfaatkan pengetahuan ini dan bertindak balas dengan lebih semula jadi kepada soalan pengguna. Tetapi kadangkala pengetahuan model tidak mencukupi, dan walaupun model boleh mengakses kandungan luaran melalui RAG, ia dianggap berfaedah untuk menyesuaikan model kepada domain baharu melalui penalaan halus. Penalaan halus ini dilakukan menggunakan input daripada anotasi manusia atau ciptaan LLM lain, di mana model menemui pengetahuan dunia sebenar tambahan dan menyepadukannya

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

Editor |. KX Dalam bidang penyelidikan dan pembangunan ubat, meramalkan pertalian pengikatan protein dan ligan dengan tepat dan berkesan adalah penting untuk pemeriksaan dan pengoptimuman ubat. Walau bagaimanapun, kajian semasa tidak mengambil kira peranan penting maklumat permukaan molekul dalam interaksi protein-ligan. Berdasarkan ini, penyelidik dari Universiti Xiamen mencadangkan rangka kerja pengekstrakan ciri berbilang mod (MFE) novel, yang buat pertama kalinya menggabungkan maklumat mengenai permukaan protein, struktur dan jujukan 3D, dan menggunakan mekanisme perhatian silang untuk membandingkan ciri modaliti yang berbeza penjajaran. Keputusan eksperimen menunjukkan bahawa kaedah ini mencapai prestasi terkini dalam meramalkan pertalian mengikat protein-ligan. Tambahan pula, kajian ablasi menunjukkan keberkesanan dan keperluan maklumat permukaan protein dan penjajaran ciri multimodal dalam rangka kerja ini. Penyelidikan berkaitan bermula dengan "S

Menurut berita dari laman web ini pada 1 Ogos, SK Hynix mengeluarkan catatan blog hari ini (1 Ogos), mengumumkan bahawa ia akan menghadiri Global Semiconductor Memory Summit FMS2024 yang akan diadakan di Santa Clara, California, Amerika Syarikat dari 6 hingga 8 Ogos, mempamerkan banyak produk penjanaan teknologi baru. Pengenalan kepada Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage), dahulunya Sidang Kemuncak Memori Flash (FlashMemorySummit) terutamanya untuk pembekal NAND, dalam konteks peningkatan perhatian kepada teknologi kecerdasan buatan, tahun ini dinamakan semula sebagai Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage) kepada jemput vendor DRAM dan storan serta ramai lagi pemain. Produk baharu SK hynix dilancarkan tahun lepas
