هوش مصنوعی زبان حیوانات را رمزگشایی کرد

در فیلم (Pixar Up) سگ کارتونی به نام داگ دارای قلاده جادویی بود که می‌توانست پارس‌ها و ناله‌های او را به گفتار روان انسانی تبدیل کند. در دنیای واقعی نیز می‌توان به سگ‌ها آموزش داد که دکمه‌هایی را فشار دهند که برای دستورات ساده‌ای مانند «بیرون»، «راه رفتن» و «بازی» به زبان انسانی صحبت کنند. انسان‌ها همیشه مجذوب پتانسیل برقراری ارتباط با حیوانات بوده‌اند و دوست دارند که دنیای خودرا با آن‌ها به اشتراک بگذارند. اخیراً یادگیری ماشینی با قابلیت‌های پیشرفته اش برای تجزیه گفتار انسان راهی امیدوارکننده برای ترجمه زبان حیوانات معرفی کرده است.

مقاله‌ای در نیویورک تایمز به تلاش‌های عمده پنج گروه از محققین که به استفاده از الگوریتم‌های یادگیری ماشینی برای تجزیه و تحلیل زبان جوندگان، لمورها، نهنگ‌ها، جوجه‌ها، خوک‌ها، خفاش‌ها، گربه‌ها و ... پرداخته بودند اشاره کرد. به طور معمول، سیستم‌های هوش مصنوعی از طریق داده‌های برچسب‌گذاری شده آموزش می‌بینند. برای مدل‌های زبان انسانی، این معمولاً شامل دادن جمله‌ای به رایانه‌ها، مسدود کردن برخی کلمات و درخواست از برنامه برای پر کردن جا‌های خالی است. اکنون استراتژی‌های خلاقانه‌تری نیز وجود دارد که می‌خواهد گفتار را با فعالیت مغز مطابقت دهد.

اما تجزیه و تحلیل زبان حیوانات متفاوت از تجزیه و تحلیل زبان انسان است. دانشمندان باید به برنامه‌های نرم افزاری دستور دهند که به دنبال چه چیزی باشند و چگونه داده‌ها را سازماندهی کنند. این فرآیند در بیشتر موارد نه تنها به جمع آوری تعداد خوبی از صدا‌های ضبط شده، بلکه به تطبیق این صدا‌های ضبط شده با رفتار‌های اجتماعی و بصری حیوانات می‌پردازد برای مثال، گروهی که در مورد خفاش‌های میوه مصری مطالعه می‌کردند از دوربین‌های ویدئویی برای ضبط صدای خفاش‌ها استفاده کردند تا زمینه تماس تصویری را نیز فراهم کنند و گروهی که در حال مطالعه نهنگ‌ها هستند قصد دارند از ویدئو، صدا و همچنین برچسب‌هایی استفاده کنند که می‌تواند حرکات حیوانات را برای رمزگشایی صدا، معناشناسی و در نهایت دلیل ارتباط آن‌ها با هم را ضبط کند. البته چندین گروه نیز پیشنهاد کرده اند که فرهنگ لغت حیوانات را با پخش فایل‌های ضبط شده برای حیوانات و مشاهده واکنش آن‌ها آزمایش کنند.

ساخت (Google Translate) برای حیوانات یک آرزو بوده که در نیمه دهه گذشته اجرا شده است. یادگیری ماشینی نیز از نظر تشخیص حضور حیوانات و حتی در برخی موارد، شناسایی دقیق حیوانات از طریق تماس تصویری بسیار پیشرفت کرده است. اگرچه این نوع نرم‌افزار موفقیت‌هایی را در شناسایی واژگان اولیه حیوانات خاص از روی ویژگی‌های آواز آن‌ها (یعنی فرکانس یا بلندی صدا) نیز بدست آورده است. نسبت دادن تماس‌ها به صدای حیوانات هنوز با درک تمام ظرایف پیچیده‌ای که زبان حیوانات ممکن است دربرگیرد فاصله زیادی دارد. بسیاری از مخالفان این رویکرد هم به کاستی‌های مدل‌های زبان هوش مصنوعی فعلی در درک واقعی روابط بین کلمات و اشیایی که ممکن است در دنیای واقعی به آن‌ها اشاره شود و هم به کاستی‌هایی در درک دانشمندان از جوامع حیوانی در کل اشاره دارند.

مدل‌های زبانی هوش مصنوعی برای انسان‌ها به رایانه‌ای تکیه می‌کند که رابطه بین کلمات و زمینه‌هایی را که می‌توانند در آن ظاهر شوند را ترسیم می‌کند. اما این مدل‌ها نقص‌های خاص خود را دارند و گاهی اوقات می‌توانند مانند یک جعبه سیاه باشند. محققان می‌دانند که چه چیزی وارد و خارج می‌شود، اما کاملاً نمی‌دانند الگوریتم آن چگونه به نتیجه می‌رسد. عامل دیگری که محققان در نظر می‌گیرند این واقعیت است که ارتباطات حیوانات ممکن است اصلاً مانند ارتباطات انسانی نباشد و تمایل به انسان سازی آن‌ها می‌تواند نتایج را منحرف کند. ممکن است به دلیل تفاوت‌های فیزیولوژیکی و رفتاری عناصر منحصر به فردی در زبان حیوانات وجود داشته باشد.

پیشنهاد‌هایی برای استفاده از الگوریتم‌های یادگیری خود نظارتی برای تجزیه و تحلیل داده‌های صوتی وجود دارد. الگو‌هایی که ممکن است ارتباطاتی را آشکار کنند که چشم انسان آن‌ها را نادیده می‌گیرد. در نهایت، اینکه انسان‌ها تا چه اندازه برای درک ارتباطات حیوانات پیش می‌روند به اهداف آن‌ها برای این نوع تحقیقات بستگی دارد و برای این منظور همین که به اصول اولیه دست پیدا کنند ممکن است کافی باشد. برای مثال همین که بتوانند تفسیر کنند که آیا حیواناتی که اغلب با آن‌ها در تماس نزدیک هستیم خوشحال، غمگین یا در خطر هستند، می‌تواند هم مفید وهم کاربردی باشد.