AI ne čita životinje?

Komunikacija među životinjama može djelovati iznenađujuće poznato. Različita glasanja mogu signalizirati hitnost, privući pozornost ili se javljati u određenim društvenim situacijama.

Budući da je umjetna inteligencija sada sposobna obrađivati ​​goleme zbirke snimaka, istraživači se počinju pitati mogu li strojevi učiniti više od pukog prepoznavanja zvukova te doista utvrditi što ti signali znače. Nedavna studija sugerira da je taj zadatak znatno složeniji od pukog poučavanja sustava umjetne inteligencije da razvrstava zvukove u skupine.

Zvučni obrasci nisu isto što i značenje

Sustavi umjetne inteligencije posebno su uspješni u prepoznavanju obrazaca unutar velikih skupova podataka. Kada istraživači osiguraju snimke, model može uspoređivati ​​značajke poput visine tona, vremenskog rasporeda, frekvencije i drugih karakteristika koje je možda teško uočiti slušanjem.

Problem je u tome što akustična sličnost ne odgovara uvijek komunikacijskom značenju. Dva zvuka koja sliče jedan drugome mogu imati različite svrhe, dok zvukovi koji se jasno razlikuju mogu prenositi slične informacije. Stoga razvrstavanje signala prema njihovim akustičnim značajkama može stvoriti nepotpunu sliku o tome kako funkcionira komunikacija. Ta je razlika osobito važna pri proučavanju životinja jer istraživači ne mogu jednostavno pitati pošiljatelja što određeni zvuk znači.

Istraživanje provedeno na vokalizacijama male djece

Istraživači sa Sveučilišta u Tel Avivu i partnerskih institucija proučavali su taj izazov koristeći vokalizacije male djece koja još nisu razvila potpuni govor. To je pružilo neuobičajenu istraživačku priliku jer se namjeravano značenje zvukova moglo procijeniti izravnije nego u komunikaciji životinja.

Snimke su obuhvaćale različite situacije, uključujući stanje uznemirenosti, pozivanje određenog roditelja i traženje hrane. Istraživači su zatim usporedili različite metode analize snimaka. Jedan se pristup oslanjao na konvencionalnu akustičnu analizu, a testirana su i dva sustava dubokog učenja. Jedan je model bio obučen na vokalizacijama životinja, dok je drugi bio obučen na ljudskom govoru.

Umjetna inteligencija mogla bi promašiti poruku

Modeli su ponekad grupirali zvukove s različitim značenjima. U drugim slučajevima, odvajali su zvukove koji su trebali komunicirati istu stvar. Druga poteškoća uključivala je sekvence. Niz vokalizacija može se mijenjati u intenzitetu ili hitnosti, a ljudi mogu prirodno prepoznati taj napredak. Testirani modeli nisu pouzdano uhvatili tu razliku.

Nalazi sugeriraju da je identificiranje ponavljajućih akustičnih značajki samo jedan dio razumijevanja komunikacije. Stroj može prepoznati da dva zvuka dijele karakteristike bez da zna što ti zvukovi znače pojedincu koji ih prima. Ta razlika je uvelike važna kada je cilj proučavati komunikaciju životinja, a ne samo klasificirati snimke.

Zašto je kontekst važan

Razumijevanje komunikacijskog signala zahtijeva gledanje dalje od samog zvuka. Istraživači moraju razmotriti što se događalo kada je signal proizveden, tko ga je primio i što se dogodilo nakon toga. Promatranja ponašanja mogu pružiti važne tragove.

Eksperimenti kontrolirane reprodukcije mogu ići dalje dopuštajući znanstvenicima da predstave zvuk drugoj pojedincu i promatraju rezultirajuće ponašanje. U nekim istraživačkim okruženjima, informacije o aktivnosti živčanog sustava također mogu doprinijeti razumijevanju kako se signali percipiraju.

Ovaj pristup uvažava činjenicu da je komunikacija dvosmjeran proces. Proizvodnja zvuka samo je dio interakcije; reakcija primatelja može pružiti dokaze o tome ima li signal određenu funkciju.

Umjetna inteligencija i dalje ima važnu ulogu

Ovi nalazi ne znače da umjetna inteligencija ima malu vrijednost u istraživanju komunikacije među životinjama. Upravo suprotno: umjetna inteligencija može obraditi goleme količine zvučnih podataka i prepoznati obrasce koje bi istraživačima bilo teško uočiti ručno. Ipak, njezina bi uloga mogla biti korisnija kao alat za postavljanje i provjeru znanstvenih pitanja, a ne kao automatski prevoditelj.

Model bi mogao prepoznati ponavljajući zvučni obrazac povezan s određenom situacijom. Istraživači bi zatim mogli ispitati je li taj odnos dosljedan kod različitih jedinki i u različitim okolnostima. Ako bi kontrolirani eksperimenti rezultirali podudarnim reakcijama, povećalo bi se pouzdanje u takvo tumačenje.

Izazov koji predstoji

Studija objavljena u časopisu *Current Biology* ističe temeljni problem s kojim se suočavaju nastojanja da se dešifrira komunikacija životinja: razumijevanje signala zahtijeva poznavanje načina na koji ga primatelj doživljava, a ne samo kako taj signal izgleda ili zvuči stroju. To bi načelo moglo oblikovati buduća istraživanja koja uključuju ptice, kitove, šišmiše i druge vrste.

Veći skupovi podataka zasigurno će pomoći, no snimkama je potreban i koristan kontekst. Informacije o ponašanju, okruženju, društvenim interakcijama i reakcijama mogu podatke učiniti znatno informativnijima.

Buduća istraživanja vjerojatno će ovisiti o kombiniranju umjetne inteligencije s detaljnim studijama ponašanja i kontroliranim eksperimentima. Taj pristup mogao bi pomoći znanstvenicima da bolje razumiju komunikaciju životinja bez pretpostavke da svaki ponovljeni zvuk predstavlja jednostavnu, univerzalnu poruku.