چگونه هوش مصنوعی می‌تواند زبان حیوانات را تفسیر کند؟

باید بدانیم که هیچ سنگ روزتایی برای ترجمه سیگنال‌های ارتباطی حیوانات وجود ندارد بلکه معنای آنها باید از طریق مشاهده و آزمایش دقیق رمزگشایی شود. سنگ روزتا، یک لوح سنگی ناکامل از جنس سنگ آذرین و به رنگ خاکستری و صورتی مربوط به دوران مصر باستان است و در پیشرفت‌های معاصر و درک نوشتار هیروگلیف ابزاری سودمند واقع شده است.

حیوانات دارای سیستم‌های ارتباطی پیچیده‌ای هستند که هر کدام برای گونه‌های خود منحصر به فرد است. این زبان‌ها طیف وسیعی از صداها، حرکات بدن و ژست‌ها را در خود جای می‌دهند که اطلاعاتی را در مورد محیط، تعاملات اجتماعی و حالات عاطفی آنها منتقل می‌کند با این حال، رمزگشایی این زبان‌ها برای دانشمندان کاری بسیار چالش‌برانگیز است.

هوش مصنوعی با توانایی پردازش حجم وسیعی از داده‌ها و تشخیص الگوها، به‌عنوان ابزاری قدرتمند در رمزگشایی زبان حیوانات ظاهر شده است و اکنون محققان از تکنیک‌های هوش مصنوعی مانند یادگیری ماشینی و یادگیری عمیق برای تجزیه و تحلیل و تفسیر صداها و رفتارهای گونه‌های مختلف جانوری استفاده می‌کنند.

شناسایی ارتباطات حیوانات از طریق ضبط صداهای پرندگان، آواز نهنگ‌ها یا حرکات پستانداران می‌تواند بسیار وقت‌گیر باشد و حتی زیست‌شناسان باتجربه اغلب برای تمایز انواع سیگنال‌های‌ به ظاهر مشابه، تلاش می‌کنند.

اکنون، گروهی از محققان دریافته‌اند که این مورد ممکن است به سرعت توسط هوش مصنوعی ردیابی شود. هوش مصنوعی می‌تواند سیستم‌های ارتباطی نهنگ‌ها، کلاغ‌ها، خفاش‌ها و سایر حیوانات را که در دسترس هستند رمزگشایی کند.

در حال حاضر، دانشمندان دریافتند که گل‌ها می‌توانند صدای زنبوری که به سمت آنها می‌آید را بشنوند و آنها را به سمت ساختن شهد شیرین‌تر هدایت کنند. نهنگ‌های قاتل اورکا به لهجه‌های منحصر به فرد خود صحبت می‌کنند اما می‌توانند به گویش‌های مختلف با گونه‌های دیگر ارتباط برقرار کنند. دلفین‌ها نام‌هایی دارند که مادرشان از آن‌ها در ارتباطات استفاده می‌کنند، شبیه به نهنگ‌های بلوگا و خفاش‌ها. فیل‌ها سیگنالی برای گله دارند تا به آنها کمک کند تا زنبورهای عسل را که در حال نزدیک شدن هستند منحرف کنند زیرا اگر وارد خرطوم یا گوش آنها شود می‌تواند خطرناک باشد.

الگوریتم‌های یادگیری ماشین به‌عنوان آشکارسازهای الگو

الگوریتم‌های یادگیری ماشین به‌عنوان آشکارسازهای قدرتمند الگو و تولیدکننده محتوا عمل می‌کنند. در حالی که می‌توانند زبان نوشتاری و گفتاری انسان را پردازش کنند، همانطور که توسط چت‌بات‌های تعاملی نشان داده شده، ممکن است سیگنال‌های حیوانات را از ضبط‌های صوتی و تصویری شناسایی و طبقه‌بندی کنند.

با این حال، روش‌های یادگیری ماشینی به مقادیر زیادی داده نیاز دارند، همانطور که در مدل زبان Chat GPT-۳ مشاهده شده است که با استفاده از صدها میلیارد نشانه آموزش داده شده است و تقریبا با کلمات مطابقت دارند.

دکتر دامیان بلاسی یکی از محققان دانشگاه هاروارد گفت: «این معادل بیش از ۲میلیون کتاب است به همین دلیل ما به راه‌حل‌های خلاقانه برای جمع‌آوری داده‌های حیوانات وحشی نیاز داریم.»

پروژه‌هایی برای مجموعه داده‌ها برخی گونه‌ها در حال انجام است

در حالی که در این زمینه چالش‌هایی وجود دارد، چند پروژه تحقیقاتی نیز هوش مصنوعی را برای ارتباطات حیوانی آزمایش می‌کنند، مانند پروژه CETI، که رفتار ارتباطی نهنگ‌های اسپرم را مطالعه می‌کند. نهنگ اسپرم از گونه نهنگ‌هایی است که اغلب در گروه‌های متوسط تا بزرگ ۲۰ تا ۳۰ تایی و گاهی تا ۵۰ تایی یا مجموعه‌ای از یک نر و چند ماده دیده می‌شوند و  بین آب‌های گرم و سرد مهاجرت و معمولا در آب‌های عمیق تا عمق ۱۰۰۰ متری زندگی می‌کنند اما توانایی شنا کردن در عمق ۳۲۰۰ متری و یا بیشتر را نیز دارند.

مدیر هوش مصنوعی پروژه، پروفسور مایکل برونشتاین از دانشگاه آکسفورد توضیح داد: «ما از برچسب‌های ملایم و الهام گرفته شده روی نهنگ‌ها، ربات‌های زیر آب و طیف وسیعی از روش‌های دیگر برای ترسیم غنای کامل ارتباطات این حیوانات استفاده می‌کنیم».

پروفسور سونیا ورنز، یکی از نویسندگان این مقاله افزود: «اگر می‌خواهیم مکالمات حیوانات را رمزگشایی کنیم، باید بدانیم چه کسی با چه کسی و در چه شرایط محیطی و اجتماعی صحبت می‌کند. اگر این رویکردها را با آزمایش‌هایی که به خوبی طراحی شده ترکیب کنیم، یادگیری ماشینی می‌تواند به ما کمک کند تا بفهمیم حیوانات از کدام سیگنال‌ها استفاده می‌کنند و شاید حتی معنای سیگنال‌ها چیست. ما می‌توانیم از این دانش برای بهبود رفاه حیوانات در محیط‌های اسیر و طراحی استراتژی‌های موثرتر حفاظت استفاده کنیم.»

آزا راسکین و کاترین زاکاریان، از بنیان‌گذاران پروژه گونه‌های زمینی (ESP) هستند و بر سیستم‌های ارتباطی طیف وسیعی از گونه‌های جانوری را مطالعه می‌کند. آنان می‌گویند: «همانطور که ما درک خود را از رفتار ارتباطی گونه‌های دیگر گسترش می‌دهیم. ما می‌توانیم از این دانش برای بهبود رفاه حیوانات در محیط‌های اسیر و طراحی استراتژی‌های موثرتر حفاظت استفاده کنیم. در نهایت، امیدواریم که بتوانیم یک تغییر فرهنگی را آغاز کنیم و باعث احترام بیشتر به گونه‌های زیادی شویم که سیاره زمین را با آنها مشترک هستیم».

ابزار ارزیابی سریع قدرتمند برای کارهای حفاظتی

در آینده، حتی ممکن است گوش دادن به ارتباطات حیوانات در کل جوامع امکان‌پذیر باشد.

راسکین خاطرنشان کرد که یادگیری ماشینی همچنین می‌تواند به‌طور بالقوه امکان مقایسه دقیق ارتباطات آخرین افراد زنده‌مانده که همگی در مراکز پرورش حفاظت شده توسط اتحاد حیات وحش باغ‌وحش سن دیگو نگهداری می‌شوند را فراهم کند و آنها را به ضبط‌های پایه تاریخی تبدیل کند.

راسکین گفت: «تماس‌های از دست رفته می‌توانند به‌طور بالقوه دوباره برقرار شوند و مرمت فرهنگی نمونه‌ای عمیقا زیبا از مزایای این تحقیق است.»

پروفسور کریستین روتز از دانشگاه سنت اندروز افزود: «اگر بتوانیم سیگنال‌های ارتباطی مرتبط با پریشانی یا اجتناب را شناسایی کنیم، می‌توان از سیستم‌های نظارت صوتی غیرفعال برای استراق سمع حیوانات «شاد» یا «ناراضی» در سطح چشم‌انداز این طرح استفاده کرد».

با این حال، توسعه و استفاده از هوش مصنوعی برای ارتباطات حیوانات نیز ملاحظات اخلاقی را افزایش می‌دهد. بسیار مهم است که اطمینان حاصل شود، چنین فناوری به‌طور مسئولانه و با احترام به رفاه و حریم خصوصی حیوانات استفاده می‌شود. چارچوب‌ها و دستورالعمل‌های اخلاقی باید برای کنترل استفاده از هوش مصنوعی در تحقیقات ارتباطات حیوانات و کاربردهای بالقوه آن ایجاد شود. هوش مصنوعی در تلاش ما برای درک و برقراری ارتباط با حیوانات، تغییر دهنده بازی است به همین دلیل دانشمندان با استفاده از قدرت یادگیری ماشینی و بینایی رایانه‌ای در حال کشف اسرار این مورد هستند. بینایی رایانه‌ای یکی از شاخه‌های علوم رایانه است که شامل روش‌های مربوط به دستیابی تصاویر، پردازش، آنالیز و درک محتوای آن‌ها است.