تکنولوژی

آیا هوش مصنوعی می تواند به ما کمک کند با حیوانات صحبت کنیم؟



مربی دلفین‌ها علامت «با هم» می‌دهد و سپس با دستانش «ایجاد می‌کنند». دو دلفین آموزش دیده در زیر آب ناپدید می شوند، صداها را رد و بدل می کنند، سپس به سطح می آیند و حرکت خاصی را انجام می دهند. آنها یک ترفند جدید ارائه کرده اند و هر طور که می خواهند آن را پشت سر هم اجرا می کنند. آزا راسکین می گوید: «این ثابت نمی کند که یک زبان وجود دارد. اما منطقی است که اگر آنها به روشی غنی و نمادین برای برقراری ارتباط دسترسی داشته باشند، انجام این کار برای آنها بسیار ساده تر خواهد بود.» راسکین یکی از بنیانگذاران و مدیر پروژه گونه های زمینی (ESP) است. این گروه غیرانتفاعی هدف بلندپروازانه ای دارد: رمزگشایی ارتباطات غیرانسانی با استفاده از نوعی هوش مصنوعی به نام یادگیری ماشین و عمومی کردن داده ها به طوری که با همکاری سایر محققان بتوانیم روابط خود را با گونه های دیگر تعمیق کرده و به آنها کمک کنیم تا از آنها محافظت کنند. آنها را آلبوم موسیقی “Songs of the Humpback Whale” در سال 1970 جنبشی را ایجاد کرد که منجر به ممنوعیت شکار نهنگ شد. حال تصور کنید ابزاری که مانند گوگل ترنسلیت عمل می کند چه چیزی را می تواند به قلمرو حیوانات بیاورد؟ پروژه گونه های زمین که در سال 2017 با کمک اهداکنندگانی مانند رید هافمن، بنیانگذار LinkedIn راه اندازی شد، اولین مقاله علمی خود را در دسامبر گذشته منتشر کرد. هدف سازمان مذکور این است که بتوانیم ارتباطات حیوانی را در طول زندگی خود رمزگشایی کنیم. راسکین می گوید: «هدف ما این است که بتوانیم ارتباطات حیوانات را رمزگشایی کنیم و زبان غیر انسانی را کشف کنیم. در طول مسیر، فناوری‌هایی توسعه خواهند یافت که از زیست‌شناسان و حفاظت از محیط زیست پشتیبانی می‌کنند.” درک صداهای حیوانات از دیرباز مورد توجه انسان‌ها بوده است. نخستی‌های مختلف صداهای هشداردهنده‌ای تولید می‌کنند که بسته به شکارچی می‌تواند متفاوت باشد؛ دلفین‌ها یکدیگر را با سوت‌های خاص خطاب می‌کنند، و برخی دیگر. پرندگان آوازخوان می توانند عناصر تماس خود را گرفته و آنها را مجدداً مرتب کنند تا پیام های مختلف را منتقل کنند؛ اما اکثر متخصصان از نامیدن این موارد به زبان خودداری می کنند؛ زیرا هیچ ارتباط حیوانی تمام معیارهای یک زبان را برآورده نمی کند. اما محققان به طور فزاینده ای علاقه مند به استفاده از یادگیری ماشینی برای کار با حجم وسیعی از داده‌ها را می‌توان با استفاده از حسگرهای متصل به حیوانات جمع‌آوری کرد.” الودی بریفر، دانشیار دانشگاه کپنهاگ که ارتباطات صوتی را در پستانداران و پرندگان مطالعه می‌کند، می‌گوید برخی از محققان در این زمینه شروع به استفاده از یادگیری ماشینی کرده‌اند. هنوز آیا ما نمی دانیم که چقدر می تواند به ما کمک کند بریفر و همکارانش الگوریتمی را توسعه داده اند که صدای خوک ها را تجزیه و تحلیل می کند تا بفهمد آیا حیوان احساسات مثبت یا منفی را تجربه می کند. در اوایل سال جاری، بریفر و همکارانش مطالعه‌ای در مورد احساسات خوک‌ها بر اساس صدای آنها منتشر کردند. 7414 صدا از 411 خوک در شرایط مختلف جمع آوری شد.الگوریتم دیگری به نام DeepSqueak بر اساس صداهای اولتراسونیک آنها قضاوت می کرد که آیا جوندگان تحت استرس هستند یا خیر. ابتکار دیگری، پروژه CETI، استفاده از یادگیری ماشینی برای ترجمه ارتباط نهنگ‌های اسپرم است. اگرچه ESP می گوید رویکرد متفاوتی دارد. از آنجا که بر رمزگشایی ارتباطات یک گونه تمرکز نمی کند، بلکه همه گونه ها را هدف قرار می دهد.در حالی که راسکین تشخیص می دهد که ارتباطات نمادین غنی در حیوانات اجتماعی (مثلاً نخستی ها، نهنگ ها و دلفین ها) بیشتر وجود دارد، آنها تلاش می کنند تا ابزارهایی را توسعه دهید که می توانند در طیف وسیعی از حیوانات استفاده شوند. راسکین می گوید: «مدل ما بدون توجه به گونه ها کار می کند. ابزارهایی که ما توسعه می‌دهیم می‌توانند در زیست‌شناسی، از کرم‌ها تا نهنگ‌ها کار کنند.” راسکین می‌گوید که تحقیقات نشان می‌دهد که یادگیری ماشینی می‌تواند بدون دانش قبلی برای ترجمه زبان‌های مختلف و گاهی دور از انسان استفاده شود، انگیزه‌بخش است. این پروژه جدید است. فرآیند ذکر شده با توسعه الگوریتمی برای نمایش کلمات در فضای فیزیکی آغاز می شود. در این نمایش هندسی چند بعدی فاصله و جهت بین نقاط (کلمات) نشان دهنده میزان ارتباط آنها از نظر معناست. برای مثال کلمه ” king با کلمه “مرد” به همان فاصله و جهت همراه است که کلمه “مونث” با کلمه “ملکه” همراه است. به عنوان مثال، تعداد دفعاتی که کلمات مورد نظر با هم ظاهر می شوند.) مطالعه محققان نشان داد که این مشکل در زبان ها مشابه است. سپس، در سال 2017، دو گروه از محققان که به طور مستقل کار می کردند، متوجه شدند راهی برای جمع آوری فرم های مشابه برای دستیابی به ترجمه. برای تبدیل از انگلیسی به اردو، فرم‌های آن‌ها را مطابقت دهید و نقطه‌ای را در اردو پیدا کنید که نزدیک‌ترین نقطه به کلمه point در انگلیسی است. راسکین می‌گوید به این ترتیب می‌توانید اکثر کلمات را به خوبی ترجمه کنید.هدف ESP ساخت این نوع بازنمایی‌ها از ارتباطات حیوانی است (با کار بر روی گونه‌های منفرد و چندین گونه به طور همزمان) و سپس سوالاتی از این قبیل را بررسی کنید. در نظر بگیرید که آیا حیوانات اشکال ارتباط با اشکال انسانی همپوشانی دارند. راسکین می گوید ما نمی دانیم حیوانات چگونه دنیا را تجربه می کنند. اما به نظر می رسد که آنها نیز احساساتی مانند غم و شادی دارند و می توانند آن را با سایر اعضای گونه خود به اشتراک بگذارند.دلفین ها از صداهای مختلفی برای برقراری ارتباط با یکدیگر استفاده می کنند. اما آنها چه می گویند؟ راسکین اضافه می کند که حیوانات فقط به صورت صوتی ارتباط برقرار نمی کنند. به عنوان مثال، زنبورها با استفاده از حرکاتی به نام رقص با یکدیگر در مورد مکان گل ها ارتباط برقرار می کنند. بنابراین لازم است بتوان روش های ارتباطی مختلف را ترجمه کرد. راسکین اعتراف می کند که این هدف چیزی شبیه رفتن به ماه است. اما ما بلافاصله به هدف نمی رسیم. در عوض، برنامه کاری ESP شامل حل مسائل کوچکتر برای رسیدن به تصویر بزرگتر است. این کار باید با توسعه ابزارهای عمومی همراه باشد که می تواند به محققان در استفاده از هوش مصنوعی برای رمزگشایی اسرار کل گونه های مورد مطالعه کمک کند. برای مثال، ESP اخیرا مقاله ای در مورد “مشکل مهمانی شبانه” در Communication with animals منتشر کرده است. منتشر شده در تشخیص اینکه کدام حیوان در یک گروه در یک محیط پر سر و صدا صدا می دهد دشوار است. مدل هوش مصنوعی توسعه‌یافته توسط ESP بر روی صدای دلفین‌ها، ماکاک‌ها و خفاش‌ها آزمایش شده است و بهترین عملکرد را زمانی دارد که صداها متعلق به افرادی باشد که مدل روی آن‌ها آموزش دیده است. اما با یک مجموعه داده بزرگتر، او توانست مخلوطی از صداها را از حیواناتی که در گروه آموزشی نبودند تشخیص دهد.پروژه دیگر شامل استفاده از هوش مصنوعی برای تولید صداهای جدید است. در این پروژه ابتدا نهنگ گوژپشت مورد آزمایش قرار می گیرد. صداهای جدید که با شکستن صداها به اجزای کوچکتر و استفاده از یک مدل زبانی برای ایجاد صداهایی شبیه به صدای نهنگ ایجاد می شوند، می توانند برای حیوانات پخش شوند و واکنش آنها مشاهده شود. راسکین توضیح می‌دهد که اگر هوش مصنوعی بتواند تغییرات تصادفی را از معنی‌دار تشخیص دهد، به ارتباطات معنادار نزدیک‌تر خواهیم شد. کلاغ‌های هاوایی به استفاده از ابزار معروف هستند. اما این باور نیز وجود دارد که آنها مجموعه پیچیده ای از صداها دارند. پروژه دیگری با هدف توسعه الگوریتمی است که از یادگیری ماشینی خود نظارتی استفاده می کند که نیازی به متخصصان انسانی ندارد که داده ها را برچسب گذاری کنند تا الگوها را یاد بگیرند و تعیین کنند که چند نوع صدا گونه های جانوری. در یک آزمایش اولیه، الگوریتم صداهای ضبط شده توسط تیمی از محققان به سرپرستی پروفسور زیست شناسی دانشگاه سنت اندروز، کریستین روتز را بررسی می کند تا فهرستی از تماس های کلاغ هاوایی ایجاد کند. روتز کشف کرد که این گونه کلاغ توانایی ساخت و استفاده از ابزار برای یافتن غذا را دارد. تصور می‌شود که کلاغ هاوایی نسبت به دیگر گونه‌های کلاغ، مجموعه پیچیده‌تری از تماس‌ها دارد.روتز به‌ویژه در مورد ارزش حفاظتی این پروژه هیجان‌زده است. کلاغ هاوایی به شدت در خطر انقراض است و فقط در اسارت وجود دارد. محققان در حال پرورش و تکثیر این گونه در اسارت هستند تا آن را دوباره در طبیعت رها کنند. محققان امیدوارند که با استفاده از صداهای ضبط شده در زمان‌های مختلف، بتوانند آزمایش کنند که آیا مجموعه آوایی این گونه در اسارت تحلیل رفته است یا خیر (برای مثال، صداهای خاصی برای هشدار حذف شده‌اند). این ممکن است پیامدهایی برای معرفی مجدد گونه ها داشته باشد. روتس می گوید: «این می تواند تفاوت بزرگی در توانایی ما برای کمک به بازگرداندن این پرندگان از آستانه انقراض ایجاد کند. او می‌گوید البته شناسایی و طبقه‌بندی دستی صداها کاری سخت و پرخطا است، در همین حال پروژه دیگری به دنبال درک خودکار معانی کاربردی صداها است. این پروژه در آزمایشگاه آری فریدلندر، استاد اقیانوس شناسی در دانشگاه کالیفرنیا در سانتا کروز انجام می شود. آزمایشگاه فریدلندر 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. وسایل الکترونیکی کوچک متصل به حیوانات موقعیت، نوع حرکت و حتی آنچه را که حیوانات می بینند ثبت می کنند (دستگاه را می توان به دوربین فیلمبرداری مجهز کرد). 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 تجزیه و تحلیل کند (مثلاً آیا غذا می خورد، استراحت می کند، حرکت می کند یا با حیوانات دیگر تعامل دارد)، و سپس داده های صوتی را به آن اضافه می کند. این اطلاعات برای دیدن اینکه آیا صداها را می توان با رفتار مطابقت داد یا خیر. (آزمایش‌های مکرر با صداهای رمزگشایی شده قبلی می‌تواند برای تأیید یافته‌ها مورد استفاده قرار گیرد.) این تکنیک ابتدا روی داده‌های نهنگ عنبر استفاده شد (آزمایشگاه چندین حیوان را در یک گروه برچسب‌گذاری می‌کند تا بتواند نحوه ارسال و دریافت سیگنال‌ها را ببیند). البته همه دانشمندان به توانایی هوش مصنوعی برای دستیابی به چنین اهداف بزرگی خوشبین نیستند. رابرت سیفرت، استاد بازنشسته روانشناسی در دانشگاه پنسیلوانیا، بیش از 40 سال است که رفتار اجتماعی و ارتباطات صوتی نخستی‌ها را در زیستگاه طبیعی آنها مورد مطالعه قرار داده است. در حالی که او معتقد است که یادگیری ماشین می تواند برای برخی از مشکلات مفید باشد، مانند شناسایی مجموعه آوایی حیوانات، او شک دارد که در زمینه های دیگر مانند کشف معنا و عملکرد اصوات بسیار مفید باشد. سیفرت توضیح می دهد که مشکل این است که که اگرچه بسیاری از حیوانات ممکن است جوامع پیچیده ای داشته باشند، اما دامنه صداهای آنها بسیار کمتر از انسان است. نتیجه این است که یک صدا می تواند معانی مختلفی در زمینه های مختلف داشته باشد و تنها با مطالعه آن زمینه ها (مانند اینکه حیوان با چه کسی در حال تعامل است یا در کجای سلسله مراتب قرار دارد) می توان به کشف معنا امیدوار بود. سیفرت می گوید: «من فکر نمی کنم این مدل های هوش مصنوعی کافی باشند. شما باید به آنجا بروید و حیوانات را مشاهده کنید.” نقشه برداری از ارتباطات حیوانی مستلزم اضافه کردن پدیده های غیر صوتی مانند رقص زنبورهای عسل است. همچنین در مورد خود این مفهوم تردید وجود دارد؛ اینکه شکلی از ارتباط حیوانی به شیوه ای معنادار با یک همپوشانی دارد. سیفرت می‌گوید که به‌کارگیری تحلیل رایانه‌ای در زبان انسانی که با آن بسیار آشنا هستیم یک مشکل است، اما برای گونه‌های دیگر موضوع کاملاً متفاوت است. کوین کافی می‌گوید: «این یک ایده هیجان‌انگیز اما بسیار گسترده است. یک عصب شناس در دانشگاه واشنگتن که الگوریتم DeepSqueak را با هم توسعه داده است. راسکین تصدیق می کند که هوش مصنوعی ممکن است به تنهایی برای درک نحوه ارتباط ما با گونه های دیگر کافی نباشد. اما او به تحقیقاتی اشاره می کند که نشان می دهد بسیاری از گونه ها به روش های بسیار پیچیده تر از آنچه مردم تصور می کنند با یکدیگر ارتباط برقرار می کنند. یکی از موانعی که در گذشته بر سر راه چنین تحقیقاتی قرار داشته است، توانایی جمع آوری داده های کافی و تجزیه و تحلیل داده ها در مقیاس و همچنین درک محدود ما است. او می گوید: «اینها ابزارهایی هستند که به ما امکان می دهند کل سیستم های ارتباطی را فراتر از چشم انداز انسانی درک کنیم.

Leave a Reply

نشانی ایمیل شما منتشر نخواهد شد.