هوش مصنوعی چگونه به ما می‌آموزد که به زبان نهنگ‌ها و کلاغ‌ها گوش دهیم؟

در زیر تاج‌پوش جنگلی انبوه در جزیره‌ای دورافتاده در اقیانوس آرام جنوبی، یک «کلاغ کالدونیای جدید» (New Caledonian crow) از لانه‌اش به بیرون نگاه می‌کند و چشمان تیره‌اش می‌درخشد. پرنده با دقت شاخه‌ای را جدا می‌کند، برگ‌های اضافی را با نوکش می‌کند و یک قلاب چوبی می‌سازد. این کلاغ کمال‌گرا است؛ اگر اشتباهی کند، کل آن را دور می‌اندازد و از نو شروع می‌کند. وقتی راضی شد، پرنده ابزار کامل‌شده را در شکافی در درخت فرومی‌برد و کرمی که وول می‌خورد را بیرون می‌کشد.

گزارش حاضر در «ویژه‌نامه هوش مصنوعی ساینتیفیک امریکن» منتشر و در «رسانه تخصصی هوش مصنوعی هوشیو» به زبان فارسی نیز ترجمه شده و در دسترس مخاطبان این حوزه قرار گرفته است.

کلاغ کالدونیای جدید یکی از تنها پرندگانی است که می‌دانیم ابزار می‌سازد؛ مهارتی که زمانی تصور می‌شد منحصر به انسان است. «کریستین روتز» (Christian Rutz) بوم‌شناس رفتاری در دانشگاهSt Andrews اسکاتلند، بخش زیادی از حرفه خود را صرف مطالعه قابلیت‌های این کلاغ کرده است. نبوغ قابل‌توجهی که روتز مشاهده کرد، درک او از آنچه پرندگان قادر به انجامش هستند را تغییر داد. او از خود پرسید آیا ممکن است ظرفیت‌های نادیده‌گرفته‌شده دیگری در حیوانات وجود داشته باشد. کلاغ‌ها در گروه‌های اجتماعی پیچیده زندگی می‌کنند و ممکن است تکنیک‌های ابزارسازی را به فرزندان خود منتقل کنند. آزمایش‌ها همچنین نشان داده‌اند که گروه‌های مختلف کلاغ در اطراف جزیره آواهای متمایزی دارند. روتز می‌خواست بداند آیا این گویش‌ها می‌توانند به توضیح تفاوت‌های فرهنگی در ابزارسازی میان گروه‌ها کمک کنند یا خیر.

ورود ماشین‌ها، ابزاری جدید برای درک نبوغ کهن

فناوری جدیدی مبتنی بر هوش مصنوعی آماده است تا دقیقاً همین نوع بینش‌ها را فراهم کند. اینکه آیا حیوانات با یکدیگر با عباراتی خاص ارتباط برقرار می‌کنند که ما ممکن است بتوانیم بفهمیم؛ پرسشی با جذابیتی همیشگی است. اگرچه مردم در بسیاری از فرهنگ‌های بومی مدت‌هاست بر این باورند که حیوانات می‌توانند آگاهانه ارتباط برقرار کنند، دانشمندان غربی به طور سنتی به دلیل ترس از متهم شدن به «انسان‌انگاری»(Anthropomorphism)  از تحقیقاتی که مرزهای بین انسان و سایر حیوانات را محو می‌کند، اجتناب کرده‌اند. اما با پیشرفت‌های اخیر در هوش مصنوعی، روتز می‌گوید: «مردم متوجه شده‌اند که ما در آستانه پیشرفت‌های نسبتاً بزرگی در زمینه درک رفتار ارتباطی حیوانات هستیم.»

«آزا راسکین» (Aza Raskin) یکی از بنیان‌گذاران سازمان غیرانتفاعی «پروژه گونه‌های زمین» (Earth Species Project) می‌گوید فراتر از ساخت چت‌بات‌هایی که دل مردم را می‌برند و تولید هنری که برنده مسابقات هنرهای زیبا می‌شود، یادگیری ماشین ممکن است به‌زودی رمزگشایی چیزهایی مانند آوای کلاغ را ممکن سازد. تیمِ دانشمندان هوش مصنوعی، زیست‌شناسان و کارشناسان حفاظت محیط‌زیست این پروژه در حال جمع‌آوری طیف گسترده‌ای از داده‌ها از گونه‌های مختلف و ساخت مدل‌های یادگیری ماشین برای تجزیه‌وتحلیل آن‌ها هستند. گروه‌های دیگر مانند «طرح ابتکاری ترجمه نهنگ‌سانان» (Project Cetacean Translation Initiative)، به اختصار CETI، بر تلاش برای درک گونه‌ای خاص و در این مورد نهنگ عنبر. تمرکز دارند.

رمزگشایی آواهای حیوانات می‌تواند به اقدامات حفاظتی و رفاهی برای آن‌ها کمک کند. همچنین می‌تواند تأثیر حیرت‌انگیزی بر خود ما داشته باشد. راسکین انقلاب پیشِ رو را با اختراع تلسکوپ مقایسه می‌کند. او می‌گوید: «ما به جهان نگاه کردیم و کشف کردیم که زمین مرکز جهان نیست.» او فکر می‌کند قدرت هوش مصنوعی در تغییر شکل درک ما از حیوانات؟ تأثیر مشابهی خواهد داشت. «این ابزارها قرار است روشی را که ما خودمان را دررابطه‌با همه چیز می‌بینیم، تغییر دهند.»

اقیانوسی از داده‌ها، آموزش مدل‌های زبانی با آوای نهنگ‌ها

وقتی «شین گرو» (Shane Gero) دانشمند مقیم در دانشگاه Carleton در اتاوا پس از یک روز کار میدانی در دومینیکا از کشتی تحقیقاتی پیاده شد، هیجان‌زده بود. نهنگ‌های عنبری که او مطالعه می‌کند گروه‌های اجتماعی پیچیده‌ای دارند و در این روز یک نر جوان آشنا به خانواده‌اش بازگشته بود و به گرو و همکارانش فرصتی داد تا آواهای نهنگ‌ها را هنگام تجدید دیدار ضبط کنند.

برای نزدیک به ۲۰ سال، گرو سوابق دقیقی از دو قبیله نهنگ عنبر در آب‌های فیروزه‌ای کارائیب نگه داشته است و آواهای تیک‌تیک‌مانند (Clicking) آن‌ها و آنچه حیوانات هنگام ایجاد آن‌ها انجام می‌دادند را ثبت کرده است. او دریافت که نهنگ‌ها ظاهراً از الگوهای صوتی خاصی به نام «کودا» (Coda) برای شناسایی یکدیگر استفاده می‌کنند. آن‌ها این کوداها را بسیار شبیه به روشی که کودکان نوپا کلمات و نام‌ها را یاد می‌گیرند؛ با تکرار صداهایی که بزرگسالان اطرافشان می‌سازند، می‌آموزند.

پس از رمزگشایی چند مورد از این کوداها به‌صورت دستی، گرو و همکارانش به این فکر کردند که آیا می‌توانند از هوش مصنوعی برای سرعت‌بخشیدن به ترجمه استفاده کنند. به‌عنوان اثبات مفهوم، تیم برخی از ضبط‌های گرو را به یک شبکه عصبی داد. این شبکه توانست زیرمجموعه کوچکی از نهنگ‌های منحصربه‌فرد را از روی کوداها در ۹۹ درصد موارد به‌درستی شناسایی کند. سپس تیم یک هدف بلندپروازانه جدید تعیین کرد؛ گوش‌دادن به بخش‌های وسیعی از اقیانوس به امید آموزش سیستمی برای یادگیری صحبت‌کردن به زبان نهنگ. پروژه  CETI که گرو به‌عنوان زیست‌شناس ارشد آن فعالیت می‌کند، یک میکروفون زیر آب متصل به یک شناور را مستقر کرده است تا آواهای نهنگ‌های ساکن دومینیکا را به‌صورت شبانه‌روزی ضبط کند.

با ارزان‌تر شدن حسگرها و بهبود فناوری‌هایی مانند هیدروفون‌ها (میکروفون‌های زیر آب)، ثبت‌کننده‌های زیستی (Biologgers) و پهپادها، حجم این مدل داده‌ها رشدی انفجاری داشت. ناگهان حجم داده‌ها بسیار بیشتر از آن شد که زیست‌شناسان بتوانند به‌صورت دستی و کارآمد آن‌ها را غربال کنند؛ اما هوش مصنوعی نیز با مقادیر عظیم اطلاعات شکوفا می‌شود. مدل‌های زبانی بزرگ مانند ChatGPT باید مقادیر عظیمی از متن را ببلعند تا یاد بگیرند چگونه به درخواست‌ها پاسخ دهند؛ به‌عنوان‌مثال ChatGPT-3 روی حدود ۴۵ ترابایت داده متنی آموزش دید. مدل‌های اولیه نیازمند انسان‌هایی بودند که بخش زیادی از داده‌ها را با برچسب طبقه‌بندی کنند. به‌عبارت‌دیگر، ناظران انسانی باید به ماشین‌ها می‌آموختند چه چیزی مهم است. اما نسل بعدی مدل‌ها یاد گرفتند که چگونه «خودنظارتی» (Self-Supervise)  داشته باشند؛ یعنی به طور خودکار یاد بگیرند چه چیزی ضروری است و به طور مستقل الگوریتمی ایجاد کنند که چگونه پیش‌بینی کنند چه کلماتی در یک توالی خواهند آمد.

در سال ۲۰۱۷ دو گروه تحقیقاتی راهی برای ترجمه بین زبان‌های انسانی کشف کردند. این کشف بر تبدیل روابط معنایی بین کلمات به روابط هندسی متکی بود. مدل‌های یادگیری ماشین اکنون قادرند با ترازکردن شکل‌هایشان؛ برای مثال با استفاده از فرکانسی که کلماتی مانند «مادر» و «دختر» در نزدیکی یکدیگر ظاهر می‌شوند، بین زبان‌های ناشناخته انسانی ترجمه کنند تا به‌دقت پیش‌بینی کنند چه چیزی در ادامه خواهد آمد. راسکین می‌گوید: «در این ساختار زیربنایی پنهان وجود دارد که به نظر می‌رسد همه ما را متحد می‌کند. راه باز شده است تا از یادگیری ماشین برای رمزگشایی زبان‌هایی استفاده کنیم که هنوز نمی‌دانیم چگونه آن‌ها رمزگشایی کنیم.»

به گفته راسکین این حوزه در سال ۲۰۲۰ به نقطه عطف دیگری رسید؛ یعنی زمانی که پردازش زبان طبیعی توانست «با همه چیز به‌عنوان یک زبان رفتار کند.» DALL-E 2  را در نظر بگیرید، یکی از مدل‌های هوش مصنوعی که می‌تواند از بر اساس توضیحات کلامی، تصاویر واقع‌گرایانه تولید کند. این سیستم شکل‌هایی را که نمایانگر متن هستند به شکل‌هایی که نمایانگر تصاویر هستند با دقتی قابل‌توجه انگاشت می‌کند؛ دقیقاً همان نوع تجزیه‌وتحلیل چندوجهی که ترجمه ارتباطات حیوانات احتمالاً به آن نیاز خواهد داشت.

فراتر از صدا، دیدن الگوها در زبان بدن و رفتار

بسیاری از حیوانات به طور هم‌زمان از حالت‌های مختلف ارتباطی استفاده می‌کنند، درست همان‌طور که انسان‌ها هنگام صحبت‌کردن از زبان بدن و حرکات دست استفاده می‌کنند. هر اقدامی که بلافاصله قبل، در حین یا بعد از ادای صداها انجام شود، می‌تواند زمینه مهمی برای درک آنچه حیوان سعی در انتقال آن دارد را فراهم کند. به طور سنتی، پژوهشگران این رفتارها را در فهرستی به نام «اندیشه‌نگاشت» (Ethogram) فهرست کرده‌اند. با آموزش صحیح، مدل‌های یادگیری ماشین می‌توانند به تجزیه این رفتارها کمک کنند و شاید الگوهای جدیدی را در داده‌ها کشف کنند. برای مثال دانشمندانی که در Nature Communications می‌نویسند، در سال ۲۰۲۲ گزارش دادند که یک مدل تفاوت‌های ناشناخته‌ای را در آواز «سهره‌های گورخری» (zebra finch) پیدا کرد که ماده‌ها هنگام انتخاب جفت به آن‌ها توجه می‌کنند. ماده‌ها شریک‌هایی را ترجیح می‌دهند که مانند پرندگانی آواز می‌خوانند که با آن‌ها بزرگ شده‌اند.

شما هم‌اکنون می‌توانید از نوعی تجزیه‌وتحلیل مبتنی بر هوش مصنوعی به نام «مرلین» (Merlin) استفاده کنید، اپلیکیشنی رایگان از آزمایشگاه پرنده‌شناسی Cornell که گونه‌های پرندگان را شناسایی می‌کند. برای شناسایی پرنده از طریق صدا، مرلین صدای ضبط‌شده توسط کاربر را می‌گیرد و آن را به یک نسخه «طیف‌نگاری» (Spectrogram) تبدیل می‌کند؛ یعنی تصویرسازی از بلندی، زیروبمی و طول آوای پرنده. این مدل روی کتابخانه صوتی Cornell آموزش دیده است و صدای ضبط‌شده توسط کاربر را با آن مقایسه می‌کند تا نوع گونه را پیش‌بینی کند. سپس این حدس را با eBird، پایگاه‌داده جهانی مشاهدات Cornell مقایسه می‌کند تا مطمئن شود گونه‌ای است که انتظار می‌رود در موقعیت کاربر یافت شود، به‌درستی تشخیص داده شده است. مرلین می‌تواند آواهای بیش از ۱۰۰۰ گونه پرنده را با دقت قابل‌توجهی شناسایی کند.

اما دنیا پرسروصداست و جداکردن آواز یک پرنده یا نهنگ از میان این همهمه دشوار است. چالش جداسازی و تشخیص گویندگان منحصربه‌فرد که به‌عنوان «مسئله مهمانی کوکتل»  (Cocktail Party Problem) شناخته می‌شود؛ مدت‌هاست تلاش‌ها برای پردازش آواهای حیوانات را آزار داده است. در سال ۲۰۲۱، پروژه گونه‌های زمین یک شبکه عصبی ساخت که می‌تواند صداهای حیوانی که هم‌پوشانی دارند را به ترک‌های جداگانه تفکیک کند و نویز پس‌زمینه، مانند بوق ماشین را فیلتر کند و کد منبع‌باز آن را به‌رایگان منتشر کرد. این سیستم با ایجاد یک نمایش بصری از صدا کار می‌کند که شبکه عصبی از آن استفاده می‌کند تا تعیین کند کدام پیکسل توسط کدام گوینده تولید شده است. علاوه بر این، پروژه گونه‌های زمین یک به‌اصطلاح «مدل پایه‌ای» (Foundational Model) توسعه داده است که می‌تواند به طور خودکار الگوها را در مجموعه‌داده‌ها شناسایی و طبقه‌بندی کند.

این ابزارها نه‌تنها تحقیقات را متحول می‌کنند، بلکه ارزش عملی نیز دارند. اگر دانشمندان بتوانند صداهای حیوانات را ترجمه کنند، ممکن است بتوانند به گونه‌های در معرض خطر کمک کنند. «کلاغ هاوایی» (Hawaiian Crow) که محلی‌ها آن را به‌عنوان «آلالا» (‘Alalā) می‌شناسند، در اوایل دهه ۲۰۰۰ در طیبعت منقرض شد. آخرین شمار این پرندگان برای شروع یک برنامه پرورش حفاظتی به اسارت آورده شدند. روتز با گسترش کار خود با کلاغ کالدونیای جدید، وارد همکاری با پروژه گونه‌های زمین شد تا واژگان کلاغ هاوایی را مطالعه کند. او می‌گوید: «این گونه برای مدت بسیار طولانی از محیط طبیعی خود حذف شده است.» او شروع به توسعه مجموعه‌ای از تمام آواهایی کرد که پرندگان اسیر در حال حاضر استفاده می‌کنند. همچنین برنامه‌هایی برای مقایسه آن با ضبط‌های تاریخیِ آخرین کلاغ‌های وحشی هاوایی توسعه داد تا تعیین کند آیا خزانه آوایی آن‌ها در اسارت تغییر کرده است یا خیر. هدف این بود که بفهمند آیا ممکن است آواهای مهمی، مانند آواهای مربوط به شکارچیان یا جفت‌گیری را ازدست‌داده باشند که می‌تواند توضیح دهد چرا معرفی مجدد کلاغ به طبیعت این‌قدر دشوار است.

کاربردهای عملی، از حفاظت گونه‌های منقرض شده تا فهم حیوانات خانگی

مدل‌های یادگیری ماشین ممکن است روزی به ما کمک کنند حیوانات خانگی‌مان را نیز بفهمیم. «کان اسلوبودچیکوف» (Con Slobodchikoff)، نویسنده کتاب «Chasing Doctor Dolittle: Learning the Language of Animals» می‌گوید برای مدت طولانی رفتارشناسان حیوانات توجه زیادی به حیوانات خانگی نداشتند. وقتی او کار خود را با مطالعه «سگ دشتی» (Prairie Dog) آغاز کرد، به‌سرعت قدردان آواهای پیچیده آن‌ها شد که می‌توانند اندازه و شکل شکارچیان را توصیف کنند. آن تجربه به کارهای بعدی او به‌عنوان مشاور رفتاری برای سگ‌های بدرفتار کمک کرد. او دریافت که بسیاری از مشتریانش کاملاً اشتباه متوجه می‌شدند که سگشان چه چیزی را سعی دارد منتقل کند. وقتی حیوانات خانگی ما سعی می‌کنند با ما ارتباط برقرار کنند، اغلب از سیگنال‌های چندوجهی استفاده می‌کنند، مانند سروصدا کردن همراه با یک وضعیت بدنی خاص. بااین‌حال او می‌گوید: «ما آن‌قدر روی صدا به‌عنوان تنها عنصر معتبر ارتباط متمرکز شده‌ایم که بسیاری از نشانه‌های دیگر را از دست می‌دهیم.»

اسلوبودچیکوف روی یک مدل هوش مصنوعی کار می‌کند که هدفش ترجمه حالات چهره و سروصدا سگ برای صاحبش است. او شک ندارد که با گسترش مطالعات پژوهشگران به حیوانات اهلی، پیشرفت‌های یادگیری ماشین قابلیت‌های شگفت‌انگیزی را در حیوانات خانگی آشکار خواهد کرد. او می‌گوید: «حیوانات افکار، امیدها و شاید رؤیاهای خاص خود را دارند.»

حیوانات مزرعه و پرورشی نیز می‌توانند از چنین درک عمیقی بهره‌مند شوند. «الودی اف. بریفر» (Elodie F. Briefer)، دانشیار رفتارشناسی حیوانات در دانشگاه کپنهاگ نشان داده است که ارزیابی وضعیت عاطفی حیوانات بر اساس آواهای آن‌ها امکان‌پذیر است. او الگوریتمی ایجاد کرد که روی هزاران صدای خوک آموزش دیده بود و از یادگیری ماشین استفاده می‌کرد تا پیش‌بینی کند آیا حیوانات احساس مثبت یا منفی را تجربه می‌کردند. بریفر می‌گوید درک بهتر از اینکه حیوانات چگونه احساسات را تجربه می‌کنند، می‌تواند به اقداماتی برای بهبود رفاه آن‌ها منجر شود.

چالش‌ها و خطرات، آیا ما واقعاً در حال «گفتگو» هستیم؟

اما هرچقدر هم که مدل‌های زبانی در یافتن الگوها خوب باشند، آن‌ها در واقع معنا را رمزگشایی نمی‌کنند و قطعاً همیشه درست نیستند. حتی کارشناسان هوش مصنوعی اغلب نمی‌فهمند الگوریتم‌ها چگونه به نتایج خود می‌رسند که اعتبارسنجی آن‌ها را دشوارتر می‌کند. «بنجامین هافمن» (Benjamin Hoffman) که قبل از پیوستن به پروژه گونه‌های زمین به توسعه برنامه مرلین کمک کرد، می‌گوید یکی از بزرگ‌ترین چالش‌هایی که دانشمندان اکنون با آن روبرو هستند، فهمیدن این است که چگونه از آنچه این مدل‌ها کشف می‌کنند، بیاموزند.

هافمن می‌گوید: «انتخاب‌های انجام‌شده در سمت یادگیری ماشین بر نوع سؤالات علمی که می‌توانیم بپرسیم تأثیر می‌گذارد.» او توضیح می‌دهد که شناسه صدای مرلین می‌تواند به تشخیص اینکه کدام پرندگان حضور دارند کمک کند که برای تحقیقات بوم‌شناختی مفید است. اما نمی‌تواند به پاسخ‌دادن به سؤالاتی درباره رفتار کمک کند؛ مانند اینکه یک پرنده هنگام تعامل با جفت خود چه نوع آواهایی تولید می‌کند.

«دنیلا راس»  (Daniela Rus)مدیر آزمایشگاه علوم کامپیوتر و هوش مصنوعی MIT مشتاق است تا امکانات جدیدی که یادگیری ماشین برای مطالعه ارتباطات حیوانات فراهم کرده است را کاوش کند. راس قبلاً ربات‌های کنترل از راه دور را طراحی کرده بود تا داده‌هایی برای تحقیقات رفتار نهنگ با همکاری «راجر پین» (Roger Payne) زیست‌شناس جمع‌آوری کند، کسی که ضبط‌هایش از آوازهای نهنگ گوژپشت در دهه ۱۹۷۰ به محبوبیت جنبش «نجات نهنگ‌ها» کمک کرد. راس تجربه برنامه‌نویسی خود را به پروژه CETI آورده است. حسگرها برای نظارت زیر آب به‌سرعت پیشرفت کرده‌اند و تجهیزات لازم برای ثبت صداها و رفتار حیوانات را فراهم کرده‌اند و مدل‌های هوش مصنوعی قادر به تجزیه‌وتحلیل آن داده‌ها به طور چشمگیری بهبود یافته‌اند.

در پروژه CETI، اولین وظیفه راس جداکردن تیک‌تیک‌های نهنگ عنبر از نویز پس‌زمینه قلمرو اقیانوس بود. آواهای نهنگ‌های عنبر مدت‌هاست که از نظر نحوه بازنمایی اطلاعات با کد باینری مقایسه می‌شدند؛ اما پیچیده‌تر از آن هستند. پس از اینکه او اندازه‌گیری‌های صوتی دقیقی را توسعه داد، راس از یادگیری ماشین برای تجزیه‌وتحلیل اینکه چگونه این تیک‌تیک‌ها در ترکیب با کوداها استفاده می‌شوند به دنبال الگوها و توالی‌ها گشت. او می‌گوید: «وقتی این توانایی اساسی را داشته باشید، می‌توانیم شروع به مطالعه برخی از اجزای بنیادین زبان کنیم.» راس می‌گوید تیم مستقیماً با این سؤال دست‌وپنجه نرم می‌کند که: «تجزیه‌وتحلیل اینکه آیا واژگان نهنگ عنبر ویژگی‌های زبان را دارد یا نه.»

اما درک ساختار یک زبان پیش‌شرط صحبت‌کردن به آن نیست؛ حداقل دیگر این‌طور نیست. اکنون برای هوش مصنوعی ممکن است که سه ثانیه از گفتار انسان را بگیرد و سپس با همان الگوها و آهنگ‌ها در یک تقلید دقیق به درازا سخن بگوید. راسکین پیش‌بینی می‌کند: «خیلی زود قادر خواهیم بود چنین چیزی را برای ارتباطات حیوانات بسازیم.» پروژه گونه‌های زمین در حال حاضر مدل‌های هوش مصنوعی ویژه‌ای را توسعه می‌دهد که با هدف «مکالمه» با حیوانات، گونه‌های مختلفی را تقلید می‌کنند. راسکین می‌گوید ارتباط دوطرفه استنتاجِ معنای آواهای حیوانات را برای پژوهشگران بسیار آسان‌تر خواهد کرد.

پروژه گونه‌های زمین با همکاری زیست‌شناسان برون‌سازمانی در حال آزمایش «آزمایش‌های پخش مجدد» (Playback Experiments) است. آزمایشی با هدف پخش یک آوای مصنوعی تولیدشده برای سهره‌های گورخری در محیط آزمایشگاهی و سپس مشاهده اینکه پرندگان چگونه پاسخ می‌دهند. راسکین با اشاره به نقطه‌ای که حیوانات نتوانند تشخیص دهند با یک ماشین صحبت می‌کنند یا یکی از نوع خودشان، قاطعانه می‌گوید: «به‌زودی ما قادر خواهیم بود آزمون تورینگِ سهره، کلاغ یا نهنگ را پشت سر بگذاریم. پیچش داستانی این است که ما قادر خواهیم بود قبل از اینکه بفهمیم، ارتباط برقرار کنیم.»

چشم‌انداز این دستاورد نگرانی‌های اخلاقی را ایجاد می‌کند. «کارن باکر» (Karen Bakker) پژوهشگر نوآوری‌های دیجیتال و نویسنده کتاب «Sounds of Life: How Digital Technology Is Bringing Us Closer to the Worlds of Animals and Plants»، توضیح می‌دهد که ممکن است عواقب ناخواسته‌ای وجود داشته باشد. صنایع تجاری می‌توانند از هوش مصنوعی برای ماهیگیری دقیق با گوش‌دادن به دسته‌های گونه‌های هدف یا شکارچیان آن‌ها استفاده کنند؛ شکارچیان غیرمجاز می‌توانند این تکنیک‌ها را برای مکان‌یابی حیوانات در معرض خطر و جعل آواهای آن‌ها برای فریب‌دادن و نزدیک‌تر کردنشان به کار گیرند. باکر می‌گوید برای حیواناتی مانند نهنگ‌های گوژپشت که آوازهای مرموزشان می‌تواند با سرعت قابل‌توجهی در سراسر اقیانوس‌ها پخش شود، ایجاد یک آواز مصنوعی می‌تواند «یک رفتار ویروسی را با عواقب اجتماعی ناشناخته به جمعیت تزریق کند.»

تاکنون سازمان‌هایی که در لبه فناوری ارتباط با حیوانات هستند، سازمان‌های غیرانتفاعی مانند پروژه گونه‌های زمین هستند که به‌اشتراک‌گذاری متن‌باز داده‌ها و مدل‌ها متعهدند و توسط دانشمندان مشتاقی اداره می‌شوند که با اشتیاقشان به حیواناتی که مطالعه می‌کنند، به‌پیش می‌روند. اما این حوزه ممکن است به همین شکل باقی نماند و بازیگران سودمحور می‌توانند از این فناوری سوءاستفاده کنند. در مقاله‌ای در جولی ۲۰۲۳ در Science، روتز و همکارانش خاطرنشان کردند که «دستورالعمل‌های بهترین عملکرد و چارچوب‌های قانونی مناسب» به‌شدت موردنیاز است. راسکین هشدار می‌دهد: «ساختن فناوری کافی نیست. هر بار که فناوری‌ای اختراع می‌کنید، مسئولیتی را نیز اختراع می‌کنید.»

طراحی یک «چت‌بات نهنگ»، همان‌طور که پروژه CETI قصد انجام آن را دارد، به‌سادگیِ فهمیدن چگونگی تکثیر تیک‌تیک‌ها و سوت‌های نهنگ‌های عنبر نیست؛ همچنین مستلزم آن است که تجربه یک حیوان را تصور کنیم. با وجود تفاوت‌های فیزیکی عمده، انسان‌ها در واقع بسیاری از اشکال اساسی ارتباط را با سایر حیوانات به اشتراک می‌گذارند. تعاملات بین والدین و فرزندان را در نظر بگیرید. برای مثال، گریه‌های نوزادان پستانداران می‌تواند به طور باورنکردنی مشابه به هم باشد، تاحدی‌که گوزن دم‌سفید به ناله‌ها پاسخ می‌دهد؛ فرقی ندارد که توسط مارموت‌ها (موش‌خرما)، انسان‌ها یا فوک‌ها تولید شده باشد یا فرزندان خودشان. بیان صوتی در گونه‌های مختلف نیز می‌تواند به طور مشابه توسعه یابد. مانند نوزادان انسان، توله‌های فوک بندرگاه یاد می‌گیرند زیروبمی صدای خود را برای هدف قراردادن پرده گوش والدین تغییر دهند. هم جوجه پرندگان آوازخوان و هم کودکان نوپای انسان اصوات نامفهومی از تولد درمی‌آورند که «جاناتان فریتز» (Jonathan Fritz) از مرکز علوم عصبی دانشگاه نیویورک آن را «توالی پیچیده‌ای از هجاها که از یک معلم آموخته شده است.» توصیف می‌کند.

بااین‌حال، اینکه آیا گفته‌های حیوانات از نظر آنچه منتقل می‌کنند با زبان انسان قابل‌مقایسه است یا خیر، موضوع اختلاف‌نظر عمیقی باقی مانده است. باکر باتوجه‌به با قوانینی برای دستور زبان و نحو می‌گوید: «برخی ادعا می‌کنند که زبان اساساً با عباراتی تعریف می‌شود که انسان‌ها را به تنها حیوان قادر به سخن‌گفتن تبدیل می‌کند.» شکاکان نگران این هستند که رفتار با ارتباطات حیوانات به‌عنوان زبان یا تلاش برای ترجمه آن، ممکن است معنای آن را تحریف کند.

راسکین این نگرانی‌ها را نادیده می‌گیرد. او شک دارد که حیوانات بگویند «آن موز را به من بده» اما گمان می‌کند که ما اساسی برای ارتباط در تجربیات مشترک کشف خواهیم کرد. او می‌گوید: «تعجب نخواهم کرد اگر ما عباراتی برای غم یا مادر یا گرسنه را در میان گونه‌ها کشف کنیم.» هرچه باشد، سوابق فسیلی نشان می‌دهد که موجوداتی مانند نهنگ‌ها ده‌ها میلیون سال است که آوا تولید می‌کنند و «برای اینکه چیزی مدت طولانی زنده بماند، باید چیزی بسیار عمیق و بسیار حقیقی را رمزگذاری کند.»

زبان مشترک، همدلی و تجربه سوگ در طبیعت

در نهایت ترجمه واقعی ممکن است نه فقط به ابزارهای جدید، بلکه به توانایی دیدنِ فراتر از سوگیری‌ها و انتظارات خودمان نیاز داشته باشد. در سال ۲۰۲۲، همان‌طور که برف در پشت خانه من آب می‌شدند، یک جفت درنای شنزار (Sandhill Cranes) شروع به قدم‌زدن در میان بوته‌های تمشک کردند. ارتباطات پیشرفت کرد، نر نگران و مشغول آراستن خود بود و هر روز صبح یک پرنده به‌تنهایی پرواز می‌کرد تا غذا پیدا کند درحالی‌که دیگری می‌ماند تا از تخم‌هایشان مراقبت کند. ما به یک روال دچار شدیم. وقتی خورشید از تپه بالا می‌آمد، من یک چشمم را به سمت پنجره‌ها نگه می‌داشتم، روزها را می‌شماردم درحالی‌که سلول‌های در حال تقسیم، بال‌های جدید در حال شکل‌گیری در را تصور می‌کردم.

سپس یک صبح تمام شد. جایی پشت خانه پرندگان شروع به شیون کردند، صداهایشان را در یک فریاد کرکننده به هم آمیختند تا اینکه ناگهان هر دو را دیدم که از تپه به پایین می‌دوند و در تلاش برای پرواز هستند. آن‌ها یک بار چرخیدند و سپس ناپدید شدند. من روزها صبر کردم، اما دیگر هرگز آن‌ها را ندیدم.

درحالی‌که فکر می‌کردم آیا آن‌ها برای یک لانه ناموفق سوگواری می‌کردند یا اینکه من داشتم بیش از حد رفتار آن‌ها را تفسیر می‌کردم، با «جورج هپ» (George Happ) و «کریستی یانکر» (Christy Yuncker) تماس گرفتم؛ دانشمندان بازنشسته‌ای که برای دو دهه برکه خود در آلاسکا را با یک جفت درنای شنزار وحشی که نامشان را میلی و روی گذاشته بودند، شریک بودند. آن‌ها به من اطمینان دادند که آن‌ها نیز دیده‌اند پرندگان به مرگ واکنش نشان می‌دهند. پس از اینکه یکی از جوجه‌های میلی و روی مرد، روی شروع به برداشتن تیغه‌های علف و انداختن آن‌ها در نزدیکی جسد فرزندش کرد. آن شب، درحالی‌که خورشید به سمت افق می‌لغزید، خانواده شروع به رقصیدن کرد. جوجه بازمانده به والدینش پیوست درحالی‌که می‌چرخیدند و می‌پریدند، گردن‌های درازشان را به سمت آسمان عقب می‌انداختند.

هپ می‌داند منتقدان ممکن است با درنظرگرفتن اینکه «ما نمی‌توانیم دقیقاً همبسته‌های فیزیولوژیکی زیربنایی را مشخص کنیم»؛ توضیح رفتارهای پرندگان به‌عنوان غم و اندوه را نپسندند. اما او می‌نویسد بر اساس مشاهدات دقیق پژوهشگران از زوجِ درنا در طول یک دهه، تفسیر این واکنش‌های خیره‌کننده به‌عنوان عاری از احساس، «با شواهد در تضاد است.»

همه در نهایت می‌توانند با غم ازدست‌دادن یک عزیز ارتباط برقرار کنند. این لحظه‌ای آماده برای ترجمه است.

شاید ارزش واقعی هر زبانی این باشد که به ما کمک می‌کند با دیگران ارتباط برقرار کنیم و با انجام این کار ما را از محدودیت‌های ذهن خودمان آزاد می‌کند. هر بهار، وقتی نور دوباره بر خانه یانکر و هپ می‌تابید، آن‌ها منتظر بازگشت میلی و روی بودند. در سال ۲۰۱۷ آن‌ها بیهوده منتظر ماندند. درناهای دیگر برای قلمرو رقابت کردند. دو دانشمند دلتنگ تماشای بیرون آمدن جوجه‌ها از تخم و رشد آن‌ها شدند. اما در تابستان ۲۰۲۳ یک جفت درنای جدید لانه‌ای ساختند. طولی نکشید که جوجه‌هایشان از میان علف‌های بلند سرک کشیدند، برای غذا التماس می‌کردند و رقصیدن را یاد می‌گرفتند.

زندگی چرخه جدیدی را آغاز کرد. یانکر می‌گوید: «ما همیشه به طبیعت نگاه می‌کنیم، درحالی‌که واقعاً، ما بخشی از آن هستیم.»