هوش مصنوعی زمینه ارتباط با حیوانات را رقم خواهد زد
تیم تحریریه- ۲۹ مرداد ۱۴۰۱
در شرایطی که اخبار زیادی از خطر قرار گرفتن برخی از گونه‌های جانوری در آستانه انقراض می‌گویند، گروه ESP در حال انجام تحقیقاتی است که از طریق آن به ارتباط انسان و حیوان عمق بخشیده و از حیوانات در برابر آسیب‌های محیطی احتمالی محافظت نماید.
اگر در دسته دوستداران محیط زیست و حیوانات قرار دارید، خواندن این مقاله و یافته‌های علمی ارزنده گروه ESP برای شما بسیار دلچسب خواهد بود، و تا حدی از دغدغه‌هایتان در خصوص گونه‌های جانوری مورد تهدید خواهد کاست. چراکه تاکنون این یافته‌ها توانسته به وضع قانون منع شکار تجاری نهنگ‌ها بی‌انجامد، و این گونه‌های دریایی را از دست شکارچیان تا حدی خلاصی دهند. تصور دنیایی که در آن بتوانید، به راحتی استفاده از گوگل ترنسلیت با حیوانات ارتباط برقرار کنید تا چه حد برایتان مهیج است؟ با ما تا پایان این گزارش همراه باشید، تا سفری به دنیای زیبای آواشناسی حیوانات داشته باشیم.
راسکین یکی از بنیان‌گذاران و رئیس سازمان پروژه گونه‌های زمینی (ESP) است. ESP مؤسسه‌ای غیرانتفاعی واقع در کالیفرنیاست، که قصد دارد ارتباطات غیرانسانی را با استفاده از یادگیری ماشینی رمزگشایی کند. این سازمان تمام یافته‌های خود در زمینه ارتباط با حیوانات را منتشر کرده و در دسترس عموم قرار می‌دهد تا از این طریق بتواند به ارتباط انسان‌ها با سایر گونه‌ها عمق بخشیده و به محافظت هر چه بیشتر از آنها کمک کند. در سال 1970، آلبومی از آواز نهنگ‌ها منتشر شد و جنبشی را آغاز کرد که در نهایت به ممنوعیت شکار تجاری این حیوانات انجامید. حال سوال اینجاست، اگر بتوانیم به راحتی استفاده از گوگل‌ترنسلیت با قلمروی حیوانات ارتباط برقرار کنیم، چه اتفاقاتی خواهد افتاد؟
سازمان ESP در سال 2017، با کمک شخصیت‌های برجسته‌ای همچون رید هافمن، بنیان‌گذار لینکدین، تأسیس شد و اولین مقاله‌اش را در دسامبر سال گذشته به چاپ رساند. هدف این گروه پرده‌برداری از نسل جدید ارتباطات در آینده‌ای نه چندان دور است. راسکین در خصوص برقراری ارتباط با حیوانات توضیح می‌دهد: «هدف اصلی ما این است که بتوانیم ارتباطات میان حیوانات را رمزگشایی کنیم و زبان‌های غیرانسانی را کشف کنیم. در همین راستا سعی در ساخت فناوری‌ای داریم که، از زیست‌شناسان و محافظت‌کنندگان از حیوانات پشتیبانی کند.»
به عنوان مثال، مربی دلفین‌ها علامت «با هم‌دیگر» و «خلق کردن» را با دستش نشان می‌دهد. دو دلفین آموزش دیده زیر آب می‌روند، صداهایی رد و بدل می‌کنند و بعد از بازگشت به سطح آب، به پشت غلت می‌زنند و دم‌شان را بالا می‌برند. یعنی درست همانطور که از آنها خواسته شده بود، حقه‌ی جدیدی را طراحی و با هم اجرا می‌کنند. آزا راسکین می‌گوید: «این اتفاق لزوماً ثابت نمی‌کند که زبانی وجود دارد، اما بدیهی است که اگر دلفین‌ها به شیوه‌ای نمادین و غنی از برقراری ارتباط دسترسی داشته باشند، انجام این چنین رفتار‌هایی بسیار راحت‌تر صورت می‌پذیرد.»
مدت‌هاست که درک صدا و گفتار حیوانات یکی از موضوعات پژوهشی محبوب به شمار می‌رود. به عنوان مثال، برخی از پریمات‌ها (انسان‌واره‌ها) هستند که، با ایجاد صدا در مورد حضور حیوانات شکارچی به یکدیگر هشدار می‌دهند، و جالب اینجاست که برای هر شکارچی هشداری خاص دارند. دلفین‌ها با اصوات شبیه به سوت یکدیگر را صدا می‌زنند. حتی بعضی از پرندگان هم می‌توانند با تغییر برخی از عناصر آوایی‌شان، پیام‌های مختلفی بین خود رد و بدل کنند. با این وجود، بیشتر متخصصان این ارتباطات را زبان نمی‌نامند، چون تمام معیارهای لازم را برآورده نمی‌کنند.
تا چندی پیش، رمزگشایی این ارتباطات صرفاً با مشاهده‌ی مستقیم امکان‌پذیر می‌شد. اما اخیرا کاربرد یادگیری ماشینی در زمینه ارتباط با حیوانات افزایش یافته، و می‌توان از آن برای مدیریت داده‌های فراوان حاصل از حسگرهای مدرن حیوانات استفاده کرد. الودی بریفر استاد دانشگاه کوپنهاگن، که مشغول مطالعه‌ی ارتباطات صوتی میان پستانداران و پرندگان است دراینباره توضیح می‌دهد: «عده‌ای شروع به کاربرد یادگیری ماشینی برای رمزگشایی ارتباطات جانوری کرده‌اند، اما واقعیت این است که نمی‌دانیم تا کجا می‌توانیم از آن استفاده کنیم.»
بریفر یکی از سازندگان الگوریتمی بوده که، با تحلیل صدای خوک‌ها می‌تواند تشخیص دهد حیوان حس مثبتی دارد یا منفی. الگوریتم دیگری به نام DeepSqueak، با تکیه بر صداهای فراصوت، استرس جوندگان (مثل موش) را تشخیص می‌دهد. پروژه CETI (مخفف برنامه ترجمه آب‌بازسانان) از این هم فراتر رفته، و سعی می‌کند با تکیه بر یادگیری ماشینی ارتباط بین نهنگ‌های عنبر را ترجمه کند.
سازمان ESP می‌گوید، رویکردی که در حال حاضر پیش گرفته با اقدامات قبلی انجام شده در این زمینه فرق دارد. زیرا محدود به رمزگشایی ارتباطات میان تنها یک گونه‌ی جانوری نیست. راسکین به این نکته واقف است که، احتمالا ارتباطات غنی و نمادین بین حیوانات اجتماعی (همچون پریمات‌ها، وال‌ها و دلفین‌ها) بیشتر از این است، با این حال هدف پژوهشگران ساخت ابزاری است که در سراسر قلمرو حیوانات کاربرد داشته باشد. وی اضافه می‌کند: «ابزارهایی که در حال حاضر می‌سازیم به گونه‌ی جانور خاصی تعلق ندارند و بین تمام حیوانات، از کرم‌های خاکی گرفته تا نهنگ‌ها به کار گرفته می‌شود.»
به گفته‌ی راسکین، مرکز ESP قصد دارد بدون نیاز به دانش پیشین، کاربرد یادگیری ماشینی در ترجمه‌ی زبان‌های غیرانسانی را اثبات کند.
گام نخست جهت برقراری ارتباط با حیوانات، توسعه‌ی الگوریتمی است که کلمات را در فضایی فیزیکی بازسازی کند. در این بازسازی هندسی که چندبُعدی نیز خواهد بود، فاصله و جهت بین نقاط (که نماینده‌ی کلمات هستند) نشان می‌دهد، کلمات چه ارتباطی معنایی با هم دارند. به عنوان مثال، «پادشاه» همان نزدیکی معنایی و جهتی را با کلمه «مرد» دارد، که کلمه «ملکه» با «زن» خواهد داشت. به عبارت ساده‌تر جهت آنکه از ارتباطات جانوری الگو به دست آوریم، به جای این‌که از قبل بدانیم کلمات به صورت لغوی چه معنایی در زبان آنها دارند، به متغیرهای دیگری در زبانشان توجه می‌کنیم (به عنوان مثال آنکه، برخی کلمات چند بار در کنار هم قرار گرفته‌اند).
ترسیم این نگاشت‌ها نشان داد که، «اشکال» به دست آمده در زبان‌های مختلف به یکدیگر شباهت دارند. بنابراین در سال 2017، دو پژوهشگر که مستقل از یکدیگر کار می‌کردند، به تکنیکی دست یافتند که با هم‌راستاسازی اشکال، امکان ترجمه‌ی آرشیو وار اصوات را فراهم می‌آورد. برای مثال، برای ترجمه‌ی زبان انگلیسی به اردو، ابتدا اشکال این زبان‌ها را هم‌راستا ساخته و سپس نقطه‌ای را در نگاشت زبان اردو پیدا می‌کنند که به نقطه‌ی انگلیسی معادل نزدیک‌تر باشد. به گفته‌ی راسکین، با کمک این روش می‌توان بیشتر کلمات را با کیفیتی قابل قبول ترجمه کرد.
ESP قصد دارد این بازنمایی‌ها را برای زبان حیوانات (هم در تک‌تک گونه‌ها و هم در میان چندین گونه) نیز ترسیم کند، تا دریابد آیا بین این بازنمایی‌ها با اشکال موجود در زبان‌های انسانی همپوشانی وجود دارد یا خیر. راسکین معتقد است: «ما نمی‌دانیم حیوانات چطور دنیای اطراف را درک و تجربه می‌کنند. اما به نظر می‌رسد عواطفی همچون لذت و سوگ، میان همه‌ی ما مشترک هستند. پس می‌توان آنها را میان گونه‌های مختلف به اشتراک گذاشت. براساس این مطالعات، قسمت‌هایی از زبان جانوارن که با انسان‌ها همپوشانی ندارند، درست به اندازه‌ی قسمت‌هایی که همپوشانی لازم را داراست، اهمیت و جذابیت خواهد داشت.»
وی خاطرنشان می‌کند که همه‌ی حیوانات با صدا با هم ارتباط برقرار نمی‌کنند، مثلاً زنبورها برای انتقال اطلاعات در مورد محل گل‌ها از «رقص پیچشی» استفاده می‌کنند. به همین دلیل ضروری است، انواع حالات برقراری ارتباط میان گونه‌ای جانوری را به یکدیگر ترجمه کنیم.
راسکین می‌گوید: ESP قصد ندارد به یک‌باره به هدف نهایی خود در ارتباط با حیوانات برسد، بلکه نقشه‌راهی را در پیش گرفته که مجموعه‌ای از مسائل کوچک‌تر را در برمی‌گیرد و در نهایت برای تحقق تصویر بزرگ‌تر لازم است. به عنوان مثال می‌توان به ساخت ابزارهای عمومی اشاره کرد، که به پژوهشگران کمک می‌کند هوش مصنوعی را برای پرده‌برداری از رمز و رازهای گونه‌های جانوری مدنظر به کار بگیرند.
برای نمونه، ESP به تازگی مقاله‌ای را منتشر کرده است که به «Cocktail Party Problem» در حوزه‌ی ارتباطات حیوانات می‌پردازد، چون در یک محیط اجتماعی پر سروصدا به سختی می‌توان تعیین کرد صداهای به گوش رسیده متعلق به کدام گونه جانوری هستند.
راسکین اضافه می‌کند: «تا جایی که می‌دانیم، تا به حال هیچ‌کس به تفکیک سرتاسری صداهای حیوانات نپرداخته است.» مدل مبتنی بر هوش مصنوعی ESP تاکنون روی صدای دلفین‌ها، میمون‌های ماکاک و خفاش‌ها اجرا شده است. این مدل زمانی می‌تواند بهترین عملکرد را از خود نشان می‌دهد که، با صدای حیواناتی که از پیش زبان آنها را رمزگشایی کرده، روبرو شود. البته با گسترش داده‌های یکسان، الگوریتم می‌تواند انواع صدای حیواناتی را که در داده‌های یکسان آموزشی نبودند نیز از هم تفکیک کند.
پروژه‌ی دیگری که از قابلیت‌های هوش مصنوعی برای تولید اصوات جانوری جدید استفاده می‌کند، روی صداهای ایجاد شده از نهنگ‌های کوهان‌دار به آزمایش پرداخته است. صدای این مدل با تجزیه‌ی اصوات به ریزآوا (واحدهای متمایز آوایی که طول‌شان به اندازه‌ی یک‌صدم ثانیه است) تولید می‌شود. سپس با استفاده از یک الگو مشابه زبانی، «صدایی» شبیه به زبان نهنگ‌ها تولید و پخش می‌شود، تا پاسخ حیوانات نسبت به صدای پخش شده مورد مشاهده و ارزیابی قرار گیرد. اگر هوش مصنوعی بتواند تشخیص دهد تغییرات تصادفی در این صدا چه معنایی به همراه دارند، یک گام به برقراری ارتباط با حیوانات نزدیک‌تر می‌شود. به گفته‌ی راسکین، در این صورت بدون این‌که خودمان زبان را بشناسیم، هوش مصنوعی را وادار می‌کنیم به آن زبان صحبت کند.
یکی دیگر از پروژه‌های آینده ESP، ساخت الگوریتمی است که با اجرای یادگیری ماشینی خود نظارتی، تعداد صداهای گوناگون میان گونه‌های جانوری را محاسبه کند. در تکنیک یادگیری ماشینی خودنظارتی، نیازی نیست مختصصان داده‌ها را از قبل برچسب‌گذاری کنند. این الگوریتم در آزمایشات ابتدایی، روی اصوات ضبط شده توسط گروه پژوهشی کریستین راتز(استاد زیست‌شناسی دانشگاه سنت‌اندروز) اجرا شده، تا گنجینه‌ی اصوات کلاغ‌های هاوایی را به دست آورد. راتز دریافته که این گونه از پرندگان توانایی استفاده از ابزار برای یافتن غذا را دارند، و به نظر می‌رسد نسبت به کلاغ‌های دیگر مجموعه‌ای از اصوات پیچیده‌تر را به کار می‌گیرند.
راتز در مورد تأثیرگذاری این پروژه امیدوار است. کلاغ هاوایی در دسته گونه‌های در معرض خطر قرار دارد و در حال حاضر تنها در محیط‌های محافظت‌شده نگهداری می‌شود، تا تولید مثل کرده و آمادگی ورود مجدد به حیات‌وحش را به دست آورد. پژوهشگران امیدوارند، با ضبط صدا در طول زمان متوجه شوند که، گنجیه‌ی صوتی گونه‌های نگهداری شده در این محیط‌ها فرسایش می‌یابد یا خیر؟
برای مثال، اگر اصوات مربوط به هشدار، به واسطه قرار گرفتن این حیوانات در محیط تحت کنترل از بین بروند، ورود مجدد حیوانات به حیات‌وحش با چالش روبرو خواهد شد. از سوی دیگر با تشخیص این مشکل، شاید با مداخلات ویژه بتوان آن را حل نیز کرد. راتز با تأکید بر این نکته که تشخیص و طبقه‌بندی صداها به صورت دستی، کار دشوار و پر از اشتباهی خواهد بود، اضافه می‌کند: «این فناوری کمک می‌کند گام بزرگی در مسیر بازگرداندن این پرندگان به محیط طبیعی‌شان برداریم.»
پروژه‌ی دیگری از آزمایشگاه آری فریدلندر، استاد علوم اقیانوسی دانشگاه کالیفرنیا، به دنبال درک معانی کاربردی اصوات حیوانات است. این آزمایشگاه رفتار پستانداران دریایی وحشی را مطالعه می‌کند، که مشاهده‌ی مستقیم‌شان کار دشواری است. پژوهشگران در حال اجرای یکی از بزرگ‌ترین برنامه‌های تگ‌گذاری جهت برقراری ارتباط با حیوانات هستند. دستگاه‌های الکترونیک کوچک «بایولاگینگ» به حیوانات متصل شده و موقعیت مکانی، نوع حرکت و نمای پیش روی آنها را ثبت می‌کند. علاوه بر این‌ها، آزمایشگاه چندین دستگاه ضبط در اقیانوس قرار داده، که داده‌های صوتی از این حیوانات به دست می‌آورد.
ESP در وهله‌ی اول قصد دارد با تکیه بر یادگیری ماشینی خودنظارتی، داده‌ها را تگ‌گذاری کند، تا رفتار حیوانات (تغذیه، استراحت، سفر و تعاملات) را به صورت خودکار ارزیابی کند. این گروه سپس به دنبال آن است که با افزودن داده‌های صوتی، محتوا و کارکرد معنایی صداهای مربوط به این رفتارها را دریابد. برای آنکه اعتبار این یافته‌ها مورد سنجش قرار گیرد، می‌توان صداهایی که قبلاً ضبط شده‌اند را برای حیوانات بازپخش کرد. این تکنیک در ابتدا روی نهنگ‌های کوهان‌دار اجرا خواهد شد. در این راستا، متخصصان چندین حیوان متعلق به یک گونه را تگ‌گذاری کرده‌اند، تا نحوه‌ی ارسال و دریافت سیگنال‌ها را بررسی کنند. فریدلندر می‌گوید: در این پروژه تا حد ممکن اطلاعات از داده‌ها استخراج کرده‌اند و اکنون امیدوار است کار ESP بینش جدیدی به ارمغان بیاورد.
با این همه، در مورد قدرت هوش مصنوعی و کاربردش در این مسائل توافق نظر وجود ندارد. رابرت سیفارث، استاد بازنشسته‌ی روانشناسی دانشگاه پنسیلوانیا است، که بیش از 40 سال به مطالعه‌ی رفتارهای اجتماعی و ارتباطات صوتی پریمات‌ها در زیستگاه‌های طبیعی‌شان پرداخته. وی علی‌رغم آنکه به قابلیت‌های یادگیری ماشینی در مسائلی همچون تشخیص گنجینه‌ی صوتی حیوانات اذعان دارد معتقد است، حوزه‌های دیگر همچون کشف معنا و کارکرد اصوات، نمی‌توانند از این فناوری بهره‌ای بگیرند.
به عقیده‌ی سیفارث، با این‌که بسیاری از حیوانات جوامع پیچیده و درهم تنیده‌ای دارند، گنجینه‌ی صوتی‌شان بسیار محدود‌تر از انسان‌هاست. در نتیجه، یک صدای واحد می‌تواند در شرایط گوناگون، معانی بسیار متفاوتی داشته باشد و تنها با مطالعه‌ی بافتِ آن‌هاست که می‌توان معنایشان را استخراج کرد. وی اضافه می‌کند: «به نظر من، راهکارهای هوش مصنوعی جهت برقراری ارتباط با حیوانات کافی نیستند. باید وارد میدان شده و از نزدیک حیوانات را مشاهده کنیم.»
از سوی دیگر، در مورد اصل زیربنایی تمام این پروژه‌ها، یعنی این‌که شکل ارتباطات حیوانات با ارتباطات انسانی همپوشانی دارد، اختلاف‌نظر وجود دارد. به عقیده‌ی سیفارث، اجرای تحلیل مبتنی بر کامپیوتر روی زبان انسان‌ها یک مسئله است و اجرای آن روی گونه‌های جانوری، مسئله‌ای کاملاً متفاوت. کوین کافی، متخصص عصب‌شناختی دانشگاه واشینگتون که یکی از سازندگان الگوریتم DeepSqueak بوده است، می‌گوید: «هدف به خودی خود جذاب به نظر می‌رسد، اما بیش از حد بلندپروازانه است.»
راسکین به خوبی می‌داند که، هوش مصنوعی به تنهایی برای تحقق برقراری ارتباط با سایر گونه‌ها کافی نیست. با این حال، به پژوهش‌هایی اشاره می‌کند که نشان داده‌اند، شیوه‌ی برقراری ارتباط در بسیاری از گونه‌های جانوری، پیچیده‌تر از آن چیزی است که انسان‌ها تصور می‌کنند. آن‌چه تاکنون مسیر پیشرفت را با مانع روبرو کرده بود، ناتوانی در جمع‌آوری و تحلیل داده در مقیاس وسیع و البته، درک محدود خود ما بوده است. با این حال، همانطور که راسکین می‌گوید، این فناوری‌ها همان ابزارهایی هستند که به ما اجازه می‌دهند از چشم‌انداز دیگری به جهان نگاه کنیم و همه‌ی سیستمهای ارتباطی را درک کنیم.
کسی چه می‌داند شاید در آینده ای نه چندان دور شاهد شکل بسیار تکامل یافته‌ای از تعامل با حیوانات به شکل گفتاری باشیم و به لطف هوش مصنوعی از الطاف ارتباط با گونه‌های محبوب جانوریمان به شکل بیشتری بهرمند شویم. اگر تاکنون پت‌های خانگی توانسته‌اند صاحبان خود را از دست بحران‌های روحی مثل افسردگی نجات دهند، پس با برقراری ارتباطات گسترده‌تر با آنها می‌توان امید داشت، تجربه‌های شیرین‌تری را در کنارشان به ثبت برسانیم.
جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید
