一位海豚訓練員用手發出「一起」的訊號，然後是「創造」。兩隻訓練有素的海豚消失在水下，交換聲音然後浮出水面，仰面翻轉並抬起尾巴。他們設計了自己的新把戲，並按照要求一前一後地表演。 「這並不能證明存在語言，」拉斯金（Aza Raskin ）說。 「但是，如果他們能夠使用一種豐富的、象徵性的溝通方式，那肯定會讓這項任務變得更容易。」
拉斯金是Earth Species Project (ESP) 的聯合創始人兼總裁，這是一個加州非營利組織，其雄心壯志是：使用稱為機器學習的人工智能(AI) 形式對非人類通信進行解碼，並將公開所有可用的專有技術，從而加深我們與其他生物物種的聯繫，以幫助對它們的保護。一張1970 年的鯨魚歌曲專輯激發了導致商業捕鯨被禁止的運動。動物王國的谷歌翻譯會產生什麼？
該組織於 2017 年在 LinkedIn 聯合創始人 Reid Hoffman 等主要捐助者的幫助下成立，並於去年 12 月發表了第一篇科學論文。目標是在我們的有生之年開啟與動物的溝通。 「我們正在努力的目標是，我們能否解碼動物交流，發現非人類語言的奧秘，」拉斯金說。 「在這個過程中，同樣重要的是，我們正在開發支持生物學家和動物保護的技術。」
長期以來，了解動物的發聲一直是令人類著迷並展開探究的主題。各種靈長類動物發出的警報聲因捕食者而異；海豚用標誌性的口哨呼朋引伴；一些鳴禽可以從它們的叫聲中提取元素並重新排列它們以傳達不同的信息。但大多數專家都沒有稱之為一種語言，因為沒有動物溝通符合所有標準。
直到最近，解碼主要依賴艱苦的觀察。但是，人們對應用機器學習來處理現在可以由現代動物交流感測器收集的大量數據產生了濃厚的興趣。 「人們開始使用它，」哥本哈根大學研究哺乳動物和鳥類聲音交流的副教授 Elodie Briefer 說。 「但我們還不知道我們能做多少。」
Briefer 與他人共同開發了一種演算法，可以分析豬的咕嚕聲，以判斷動物是否正在經歷積極或消極的情緒。另一個名為 DeepSqueak 的方法是根據囓齒動物的超音波呼叫判斷囓齒動物是否處於壓力狀態。另一個倡議——CETI 計畫（代表鯨豚翻譯倡議）——計劃使用機器學習來翻譯抹香鯨的交流。
今年早些時候，Elodie Briefer 及其同事發表了一項基於豬的發聲情緒的研究。在各種場景中從 411 頭豬身上收集了 7,414 種聲音。
然而 ESP 表示，它的方法不同，因為它不是專注於解碼一個物種的交流，而是所有這些。雖然拉斯金承認，社會動物（例如靈長類動物、鯨魚和海豚）之間進行豐富的象徵性交流的可能性更高，但目標是開發可應用於整個動物王國的工具。 「我們是物種不可知論者，」拉斯金說。 「我們開發的工具…以便在所有生物學中發揮作用，從蠕蟲到鯨魚。」
Raskin 說，他對ESP 的「激發直覺」的工作表明，機器學習可用於在不同的、有時是遙遠的人類語言之間進行翻譯——而不需要任何先驗知識。
這個過程始於開發一種在物理相空間中表示單字的演算法。在這種多維幾何表示中，點（詞）之間的距離和方向描述了它們如何有意義地相互關聯（它們的語義關係）。例如，「國王」與「男人」的關係和「女人」與「女王」的距離和方向相同。 （映射不是透過知道單字的意思來完成的，而是透過查看它們彼此靠近的頻率。）
後來注意到，這些「形狀」對於不同的語言是相似的。然後，在 2017 年，兩組獨立工作的研究人員發現了一種技術，可以透過對齊形狀來實現平移。要從英語到烏爾都語，請對齊它們的形狀並找到最接近英語單字點的烏爾都語詞點。 「這樣一來你可以很好地翻譯大多數單字，」拉斯金說。
ESP 的願望是創造這種動物交流的表現形式——同時在單一物種和許多物種上工作——然後探索諸如是否與普遍的人類交流「形狀」重疊等問題。 Raskin 說，我們不知道動物是如何體驗這個世界的，但也有一些情緒，例如悲傷和喜悅，似乎有些動物會與我們分享，並且很可能會與它們物種中的伙伴交流。 「我不知道哪個更令人難以置信——形狀重疊的部分，我們可以直接交流或翻譯，還是那些我們不能與其的部分。」
海豚使用咔噠聲、口哨聲和其他聲音來溝通。但他們在說什麼？
他補充說，動物不僅透過聲音溝通。例如，蜜蜂透過「搖擺舞」讓其他人知道一朵花的位置。也需要跨不同的溝通模式進行翻譯。
目標是“就像去月球一樣”，拉斯金承認，但這個想法也不是一下子就能達到。相反，ESP 的路線圖涉及解決一系列小問題，以實現更大的圖景。這應該會看到通用工具的發展，這些工具可以幫助研究人員嘗試應用人工智慧來解開所研究物種的秘密。
例如，ESP 最近發表了一篇關於動物交流中所謂的「雞尾酒會問題」的論文（並分享了其代碼），其中很難辨別一組相同動物中的哪個個體在嘈雜的社會環境中發聲.
「據我們所知，以前沒有人做過這種端到端的[動物聲音]解纏，」拉斯金說。 ESP 開發的基於AI 的模型在海豚標誌性口哨、獼猴咕咕聲和蝙蝠發聲上進行了試驗，當呼叫來自模型訓練過的個體時效果最佳；但是對於更大的數據集，它能夠解開來自不在訓練隊列中的動物的混合呼叫。
另一個計畫涉及使用人工智慧產生新的動物叫聲，以座頭鯨作為測試物種。新穎的呼叫——通過將發聲分成微音素（持續百分之一秒的不同聲音單位）並使用語言模型“說出”類似鯨魚的東西——然後可以回放給動物看它們是如何回應。 Raskin 解釋說，如果 AI 能夠識別出隨機變化與語義上有意義的變化的原因，它會讓我們更接近有意義的交流。 「它將讓人工智慧說這種語言，儘管我們還不知道它的意義。」
夏威夷烏鴉以使用工具而聞名，但也被認為有一套特別複雜的發聲。
另一個專案旨在開發一種演算法，該演算法透過應用自我監督機器學習來確定一個物種有多少種呼叫類型，這不需要人類專家對資料進行任何標記來學習模式。在一個早期的測試案例中，它將挖掘由聖安德魯斯大學生物學教授Christian Rutz 領導的團隊製作的錄音，以製作夏威夷烏鴉的聲音曲目清單——Rutz 發現了夏威夷烏鴉的聲音曲目，具有製造和使用覓食工具的能力，並且被認為具有比其他烏鴉物種更複雜的發聲集。
Rutz 對該計畫的動物保護價值感到特別興奮。夏威夷烏鴉極度瀕臨滅絕，只存在於圈養環境中，在那裡它被繁殖以重新引入野外。希望透過記錄不同時間的記錄，可以追蹤該物種的召喚曲目是否在圈養中受到侵蝕——例如，特定的警報呼叫可能已經丟失——這可能對其重新引入產生影響；這種損失可以透過幹預來解決。 Rutz 說：「這可能會在我們幫助這些鳥類從危機中恢復過來的能力上產生一個進步，」他補充說，手動檢測和分類呼叫將是勞動密集型的，而且容易出錯。
同時，另一個項目試圖自動理解發聲的功能意義。加州大學聖克魯茲分校海洋科學教授 Ari Friedlaender 的實驗室正在研究它。該實驗室研究難以直接觀察的野生海洋哺乳動物如何在水下活動，並運行世界上最大的標記程序之一。附著在動物身上的小型電子「生物記錄」設備可以捕捉它們的位置、運動類型，甚至它們所看到的（這些設備可以包含攝影機）。該實驗室還擁有來自海洋中戰略性放置的錄音機的數據。
ESP 旨在首先將自我監督機器學習應用於標籤數據，以自動衡量動物正在做什麼（例如它是否在進食、休息、旅行或社交），然後添加音訊數據以查看是否可以賦予功能意義與該行為相關的呼叫。 （然後可以使用回放實驗來驗證任何發現，以及先前已經解碼的調用。）這項技術最初將應用於座頭鯨數據——實驗室已經在同一組中標記了幾隻動物，因此可以看到如何發出和接收訊號。弗里德蘭德說，就目前可用的工具可以從數據中梳理出的內容而言，他「達到了上限」。 「我們希望 ESP 可以做的工作將提供新的見解，」他說。
但並不是每個人都對人工智慧實現如此宏偉目標的力量如此狂熱。 Robert Seyfarth 是賓州大學心理學榮譽教授，他在靈長類動物的自然棲息地中研究社會行為和聲音交流已有 40 多年。雖然他認為機器學習可以解決一些問題，例如識別動物的聲音曲目，但還有其他領域，包括發現發聲的意義和功能，他懷疑這會帶來很多問題。
他解釋說，問題在於，雖然許多動物可以擁有複雜的社會，但它們的聲音庫比人類少得多。結果是，完全相同的聲音可以用於在不同的上下文中表示不同的事物，而這只能透過研究上下文——個人的呼喚是誰，他們與其他人的關係如何，他們在層次結構中的位置，他們與誰互動──其意義才有希望被確立。 「我只是認為這些人工智慧方法是不夠的，」Seyfarth 說。 「你必須出去看看動物。」
#動物交流地圖需要包含非聲音現象，例如蜜蜂的「搖擺舞」。
對於這個概念本身——動物交流的形式將以有意義的方式與人類交流「形狀」重疊——也存在疑問。 Seyfarth 說，將基於電腦的分析應用於我們非常熟悉的人類語言是一回事。但對其他物種這樣做可能「完全不同」。 「這是一個令人興奮的想法，但它是一個很大的延伸，」華盛頓大學的神經科學家 Kevin Coffey 說，他共同創建了 DeepSqueak 演算法。
拉斯金承認，單靠人工智慧可能不足以解鎖與其他物種的交流。但他提到的研究表明，許多物種的溝通方式「比人類想像的更複雜」。絆腳石是我們收集足夠數據並進行大規模分析的能力，以及我們自己有限的認知。 「這些是讓我們摘下人類眼鏡並了解整個物種交流系統的工具，」他說。
#以上是人工智慧真的可以幫助我們與動物交談嗎？的詳細內容。更多資訊請關注PHP中文網其他相關文章！
