یک سازمان مستقر در کالیفرنیا می خواهد از قدرت یادگیری ماشینی برای رمزگشایی ارتباطات در سراسر قلمرو حیوانات استفاده کند. اما این پروژه مشکوکانی دارد
یک دلفین‌دار با دست‌هایش علامت «با هم» را می‌دهد و به دنبال آن «ایجاد» می‌کند. دو دلفین آموزش دیده در زیر آب ناپدید می شوند، صداها را رد و بدل می کنند و سپس بیرون می آیند، به پشت خود می چرخند و دم خود را بلند می کنند. آنها یک ترفند جدید برای خود ابداع کرده اند و آن را به صورت پشت سر هم اجرا کرده اند، همانطور که خواسته شده است. آزا راسکین می گوید: «این ثابت نمی کند که زبان وجود دارد. اما مطمئناً بسیار منطقی است که اگر آنها به روشی غنی و نمادین برای برقراری ارتباط دسترسی داشته باشند، این کار بسیار آسان تر می شود.
راسکین یکی از بنیانگذاران و رئیس پروژه گونه های زمین (ESP) است، یک گروه غیرانتفاعی کالیفرنیا با جاه طلبی جسورانه: رمزگشایی ارتباطات غیر انسانی با استفاده از نوعی هوش مصنوعی (AI) به نام یادگیری ماشین، و ایجاد تمام دانش در دسترس عموم است، در نتیجه ارتباط ما با سایر گونه های زنده را عمیق تر می کند و به محافظت از آنها کمک می کند. آلبومی از آهنگ نهنگ در سال 1970 جنبشی را تقویت کرد که منجر به ممنوعیت صید تجاری نهنگ شد. یک Google Translate برای قلمرو حیوانات چه چیزی می تواند ایجاد کند؟
این سازمان که در سال 2017 با کمک اهداکنندگان اصلی مانند رید هافمن، بنیانگذار LinkedIn تأسیس شد، اولین مقاله علمی خود را در دسامبر گذشته منتشر کرد. هدف این است که ارتباطات را در طول زندگی خود باز کنیم. راسکین می گوید: «هدف ما این است که آیا می توانیم ارتباطات حیوانی را رمزگشایی کنیم، زبان غیر انسانی را کشف کنیم؟ در طول مسیر و به همان اندازه مهم این است که ما در حال توسعه فناوری هستیم که از زیست شناسان و حفاظت از محیط زیست پشتیبانی می کند.
درک آوازهای حیوانات از دیرباز موضوع شیفتگی و مطالعه بشر بوده است. پستانداران مختلف زنگ هشدار می دهند که با توجه به شکارچی متفاوت است. دلفین ها یکدیگر را با سوت های امضا خطاب می کنند. و برخی از پرندگان آوازخوان می توانند عناصر تماس خود را بگیرند و آنها را برای برقراری ارتباط پیام های مختلف مرتب کنند. اما بسیاری از کارشناسان از نامیدن آن به عنوان زبان خودداری می کنند، زیرا هیچ ارتباطی با حیوانات تمام معیارها را برآورده نمی کند.
تا همین اواخر، رمزگشایی بیشتر بر روی مشاهدات سخت تکیه می کرد. اما علاقه به استفاده از یادگیری ماشینی برای مقابله با حجم عظیمی از داده‌هایی که اکنون می‌توانند توسط حسگرهای حیوانی مدرن جمع‌آوری شوند، افزایش یافته است. الودی بریفر، دانشیار دانشگاه کپنهاگ که ارتباطات صوتی را در پستانداران و پرندگان مطالعه می کند، می گوید: «مردم شروع به استفاده از آن کرده اند. اما ما هنوز نمی‌دانیم چقدر می‌توانیم انجام دهیم.»
Briefer به طور مشترک الگوریتمی را توسعه داد که غرغر خوک را تجزیه و تحلیل می کند تا بگوید آیا حیوان احساسات مثبت یا منفی را تجربه می کند. دیگری به نام DeepSqueak، بر اساس تماس های اولتراسونیک آنها قضاوت می کند که آیا جوندگان در وضعیت استرس قرار دارند یا خیر. یک ابتکار دیگر – پروژه CETI (که مخفف عبارت Cetacean Translation Initiative) است – قصد دارد از یادگیری ماشینی برای ترجمه ارتباطات نهنگ های اسپرم استفاده کند.
با این حال ESP می گوید رویکردش متفاوت است، زیرا روی رمزگشایی ارتباطات یک گونه متمرکز نیست، بلکه روی همه آنها متمرکز است. در حالی که راسکین اذعان می‌کند که احتمال بیشتری از ارتباطات نمادین و غنی در میان حیوانات اجتماعی وجود خواهد داشت – به عنوان مثال نخستی‌ها، نهنگ‌ها و دلفین‌ها – هدف توسعه ابزارهایی است که می‌تواند در کل قلمرو حیوانات به کار رود. راسکین می‌گوید: «ما آگنوستیک گونه‌ها هستیم. ابزارهایی که ما توسعه می‌دهیم… می‌توانند در تمام زیست‌شناسی، از کرم‌ها گرفته تا نهنگ‌ها، کار کنند.»
راسکین می‌گوید «شهود انگیزشی» برای ESP، کاری است که نشان داده است که یادگیری ماشینی می‌تواند برای ترجمه بین زبان‌های مختلف و گاهی اوقات دور از انسان – بدون نیاز به دانش قبلی – استفاده شود.
این فرآیند با توسعه یک الگوریتم برای نمایش کلمات در یک فضای فیزیکی شروع می شود. در این نمایش هندسی چند بعدی، فاصله و جهت بین نقاط (کلمات) چگونگی ارتباط معنادار آنها با یکدیگر (رابطه معنایی آنها) را توصیف می کند. مثلاً «پادشاه» با «مرد» با همان فاصله و جهتی که «زن» با «ملکه» رابطه دارد. (نقشه برداری با دانستن معنی کلمات انجام نمی شود، برای مثال با نگاه کردن به تعداد دفعات وقوع آنها در نزدیکی یکدیگر انجام می شود.)
بعداً متوجه شد که این "اشکال" برای زبان های مختلف مشابه است. و سپس، در سال 2017، دو گروه از محققین که به طور مستقل کار می کردند، تکنیکی را پیدا کردند که امکان دستیابی به ترجمه را با تراز کردن اشکال فراهم می کرد. برای رسیدن از انگلیسی به اردو، شکل‌های آن‌ها را تراز کنید و نزدیک‌ترین نقطه را در اردو به نقطه کلمه در انگلیسی پیدا کنید. راسکین می گوید: «شما می توانید بیشتر کلمات را به خوبی ترجمه کنید.
آرزوی ESP این است که این نوع بازنمایی از ارتباطات حیوانی را ایجاد کند – کار بر روی هر دو گونه منفرد و بسیاری از گونه ها به طور همزمان – و سپس بررسی سوالاتی مانند اینکه آیا با شکل جهانی انسان همپوشانی وجود دارد یا خیر. راسکین می‌گوید: ما نمی‌دانیم حیوانات چگونه دنیا را تجربه می‌کنند، اما احساساتی وجود دارد، برای مثال غم و شادی، به نظر می‌رسد برخی با ما در میان می‌گذارند و ممکن است به خوبی با دیگران در نوع خود ارتباط برقرار کنند. نمی‌دانم کدام یک باورنکردنی‌تر خواهد بود – قسمت‌هایی که شکل‌ها روی هم قرار می‌گیرند و می‌توانیم مستقیماً ارتباط برقرار کنیم یا ترجمه کنیم، یا قسمت‌هایی که نمی‌توانیم.»
او اضافه می کند که حیوانات فقط به صورت صوتی ارتباط برقرار نمی کنند. برای مثال زنبورها از طریق "رقص تکان دادن" به دیگران از موقعیت گل اطلاع می دهند. همچنین نیاز به ترجمه در روش های مختلف ارتباط وجود خواهد داشت.
راسکین تصدیق می کند که هدف "مثل رفتن به ماه" است، اما ایده همچنین این نیست که یکباره به آنجا برسیم. در عوض، نقشه راه ESP شامل حل یک سری مشکلات کوچکتر است که برای تحقق تصویر بزرگتر ضروری است. این باید شاهد توسعه ابزارهای عمومی باشد که می تواند به محققانی که سعی می کنند از هوش مصنوعی برای باز کردن اسرار گونه های تحت مطالعه استفاده کنند، کمک کند.
به عنوان مثال، ESP اخیراً مقاله ای را منتشر کرده است (و کد آن را به اشتراک گذاشته است ) در مورد به اصطلاح «مشکل کوکتل مهمانی» در ارتباطات حیوانات، که در آن تشخیص اینکه کدام یک از یک گروه از حیوانات مشابه در یک محیط اجتماعی پر سر و صدا صدا می کنند دشوار است. .
راسکین می‌گوید: «تا جایی که ما می‌دانیم، هیچ‌کس قبلاً این گره‌گشایی (صدای حیوانات) را انجام نداده است. مدل مبتنی بر هوش مصنوعی توسعه‌یافته توسط ESP، که روی سوت‌های دلفین‌ها، صدای ماکاک و صدای خفاش آزمایش می‌شد، زمانی که تماس‌ها از سوی افرادی می‌آمدند که مدل روی آن‌ها آموزش دیده بود، بهترین عملکرد را داشت. اما با مجموعه داده‌های بزرگ‌تر می‌توانست مخلوطی از تماس‌های حیواناتی را که در گروه آموزشی نیستند جدا کند.
پروژه دیگر شامل استفاده از هوش مصنوعی برای ایجاد تماس‌های جدید حیوانات، با نهنگ‌های گوژپشت به عنوان گونه آزمایشی است. تماس‌های رمان – که با تقسیم صداها به ریز واج‌ها (واحدهای متمایز صدا که یک صدم ثانیه طول می‌کشد) و با استفاده از یک مدل زبانی برای "گفتن" چیزی شبیه به نهنگ ساخته می‌شوند – سپس می‌توانند برای حیوانات پخش شوند تا ببینند چگونه آنها چگونه هستند. پاسخ دادن. راسکین توضیح می‌دهد که اگر هوش مصنوعی بتواند تشخیص دهد که چه چیزی یک تغییر تصادفی را در مقابل یک تغییر معنی‌دار می‌سازد، ما را به ارتباطات معنادار نزدیک‌تر می‌کند. "این است که هوش مصنوعی به زبان صحبت کند، اگرچه ما هنوز معنی آن را نمی دانیم."
هدف پروژه دیگری توسعه الگوریتمی است که با استفاده از یادگیری ماشینی خود نظارتی که نیازی به برچسب‌گذاری داده‌ها توسط متخصصان انسانی برای یادگیری الگوها ندارد، مشخص می‌کند که یک گونه چند نوع تماس تحت فرمان خود دارد. در یک آزمایش اولیه، ضبط‌های صوتی ساخته شده توسط تیمی به سرپرستی کریستین روتز، استاد زیست‌شناسی در دانشگاه سنت اندروز، استخراج خواهد شد تا فهرستی از رپرتوار آوازی کلاغ هاوایی – گونه‌ای که روتز کشف کرد. ، توانایی ساخت و استفاده از ابزارهایی برای جستجوی غذا را دارد و اعتقاد بر این است که مجموعه ای از صداها بسیار پیچیده تر از سایر گونه های کلاغ است.
روتز به ویژه در مورد ارزش حفاظتی پروژه هیجان زده است. کلاغ هاوایی به شدت در معرض خطر انقراض است و فقط در اسارت وجود دارد، جایی که برای معرفی مجدد به طبیعت پرورش داده می شود. امید است که با ضبط ضبط‌های انجام شده در زمان‌های مختلف، بتوان ردیابی کرد که آیا رپرتوار تماس گونه‌ها در اسارت فرسوده می‌شود – مثلاً ممکن است زنگ‌های هشدار خاصی از بین رفته باشند – که می‌تواند عواقبی برای معرفی مجدد آن داشته باشد. این ضرر ممکن است با مداخله برطرف شود. روتز می‌گوید: «این می‌تواند یک تغییر مرحله‌ای در توانایی ما برای کمک به بازگشت این پرندگان از لبه پرتگاه ایجاد کند.
در همین حال، پروژه دیگری به دنبال درک خودکار معانی کاربردی آوازها است. این با آزمایشگاه آری فریدلندر، استاد علوم اقیانوسی در دانشگاه کالیفرنیا، سانتا کروز، در حال پیگیری است. این آزمایشگاه نحوه رفتار پستانداران دریایی وحشی را که مشاهده مستقیم آنها دشوار است، در زیر آب مطالعه می کند و یکی از بزرگترین برنامه های برچسب گذاری در جهان را اجرا می کند. دستگاه‌های کوچک الکترونیکی «بیولوژیک» متصل به حیوانات، موقعیت، نوع حرکت و حتی آنچه را که می‌بینند، ثبت می‌کنند (دستگاه‌ها می‌توانند دوربین‌های ویدیویی را در خود جای دهند). این آزمایشگاه همچنین داده‌هایی از ضبط‌کننده‌های صوتی استراتژیک در اقیانوس دارد.
هدف ESP این است که ابتدا یادگیری ماشینی خود نظارتی را بر روی داده های برچسب اعمال کند تا به طور خودکار آنچه را که حیوان انجام می دهد (به عنوان مثال در حال تغذیه، استراحت، مسافرت یا معاشرت) اندازه گیری کند و سپس داده های صوتی را اضافه کند تا ببیند آیا می توان معنای عملکردی را ارائه داد. به تماس های مرتبط با آن رفتار. (آزمایش‌های بازپخش می‌توانند برای تأیید هر یافته، همراه با تماس‌هایی که قبلاً رمزگشایی شده‌اند، استفاده شوند.) این تکنیک در ابتدا برای داده‌های نهنگ عنبر اعمال می‌شود – آزمایشگاه چندین حیوان را در یک گروه برچسب‌گذاری کرده است، بنابراین می‌توان دید که چگونه سیگنال ها داده و دریافت می شود. فریدلندر می‌گوید که از نظر ابزارهایی که در حال حاضر در دسترس هستند می‌توانند از داده‌ها بیرون بیایند، «به سقف می‌زدند». او می گوید: «امید ما این است که کاری که ESP می تواند انجام دهد بینش جدیدی ارائه دهد.
البته همه در مورد قدرت هوش مصنوعی برای دستیابی به چنین اهداف بزرگی نمی دانند . رابرت سیفارت، استاد بازنشسته روانشناسی در دانشگاه پنسیلوانیا است که بیش از 40 سال رفتار اجتماعی و ارتباطات صوتی را در پستانداران در زیستگاه طبیعی آنها مطالعه کرده است. در حالی که او معتقد است یادگیری ماشینی می‌تواند برای برخی از مشکلات مفید باشد، مانند شناسایی مجموعه آوازی یک حیوان، زمینه‌های دیگری نیز وجود دارد، از جمله کشف معنا و عملکرد صداها، که در آن‌ها تردید دارد که این موضوع چیزهای زیادی را اضافه کند.
او توضیح می‌دهد که مشکل این است که در حالی که بسیاری از حیوانات می‌توانند جوامع پیچیده و پیچیده‌ای داشته باشند، اما نسبت به انسان‌ها مجموعه‌ای از صداها بسیار کوچک‌تر دارند. نتیجه این است که دقیقاً یک صدا را می توان به معنای چیزهای مختلف در زمینه های مختلف به کار برد و تنها با مطالعه زمینه انجام می شود – فردی که تماس می گیرد چه کسی است، چگونه با دیگران مرتبط است، آنها در کجای سلسله مراتب قرار می گیرند، چه کسانی دارند. تعامل با – این معنی می تواند امیدوار باشد که ایجاد شود. سیفرث می‌گوید: «فقط فکر می‌کنم این روش‌های هوش مصنوعی ناکافی هستند. "شما باید به آنجا بروید و حیوانات را تماشا کنید."
در مورد این مفهوم نیز تردید وجود دارد – اینکه شکل ارتباط حیوانات به شیوه ای معنادار با ارتباطات انسانی همپوشانی دارد. سیفرث می‌گوید، به‌کارگیری تحلیل‌های مبتنی بر رایانه در زبان انسان، که ما از نزدیک با آن آشنا هستیم، یک چیز است. اما انجام آن با گونه های دیگر می تواند «کاملاً متفاوت» باشد. کوین کافی، عصب‌شناس دانشگاه واشنگتن که الگوریتم DeepSqueak را ایجاد کرده است، می‌گوید: «این یک ایده هیجان‌انگیز است، اما یک کشش بزرگ است.
راسکین اذعان می کند که هوش مصنوعی ممکن است به تنهایی برای باز کردن ارتباط با گونه های دیگر کافی نباشد. اما او به تحقیقاتی اشاره می‌کند که نشان می‌دهد بسیاری از گونه‌ها به روش‌هایی "پیچیده‌تر از آنچه انسان تصور می‌کرده است" ارتباط برقرار می‌کند. موانع توانایی ما برای جمع‌آوری داده‌های کافی و تجزیه و تحلیل آن‌ها در مقیاس و ادراک محدود ما بوده است. او می گوید: «اینها ابزارهایی هستند که به ما اجازه می دهند عینک انسان را برداریم و کل سیستم های ارتباطی را درک کنیم.

source

توسط artmisblog