در ماه می‌سال ۲۰۲۰ پراتیوشا شارما و گروه تحقیقاتی‌اش در موسسه فناوری ماساچوست، تجزیه‌وتحلیل دقیق داده‌هایشان را برای یافتن الگویی متفاوت آغاز کردند. آنچه آنها در اختیار داشتند، یک مجموعه داده ساده نبود و شامل ساعت‌ها داده‌های ارزشمندی بود که در طول یک دهه از صداهای نهنگ‌های عنبر بود که برای برقراری ارتباط از این صداها استفاده می‌کردند.
این روزها یک پروژه تحقیقاتی پیشگامانه در حال ساخت ابزاری برای ترجمه نحوه ارتباط نهنگ‌ها و سایر موجودات زنده است.
به گزارش خبرآنلاین، در ماه می سال ۲۰۲۰ پراتیوشا شارما و گروه تحقیقاتی‌اش در موسسه فناوری ماساچوست، تجزیه‌وتحلیل دقیق داده‌هایشان را برای یافتن الگویی متفاوت آغاز کردند.
آنچه آنها در اختیار داشتند، یک مجموعه داده ساده نبود و شامل ساعت‌ها داده‌های ارزشمندی بود که در طول یک دهه از صداهای نهنگ‌های عنبر بود که برای برقراری ارتباط از این صداها استفاده می‌کردند.
پروژه آنها، CETI مخفف Cetacean Translation Initiative است که درواقع تلاشی برای درک این است که نهنگ‌ها چه می‌گویند. هدف آنها در عین ساده بودن، فوق‌العاده دشوار بود: ترجمه ارتباطات غیرانسانی. شارما و بقیه اعضای تیمش، به سراغ متحد غیر انسانشان رفتند: یک برنامه هوش مصنوعی ابتدایی برای کمک به سازمان‌دهی سرنخ‌های شنیداری به روش‌های جدید برای الهام‌گیری بیشتر از محیط اطراف.
آنها امیدوارند تا با بهره‌گیری از CETI بتوانند آنچه در ذهن نهنگ‌ها و دیگر حیوانات می‌گذرد را درک کرده و همین احتمالاً گام‌های حفاظتی بیشتری را به همراه خواهد داشت و اطمینان زیادی هم به کارشان دارند. مثلاً در دهه ۱۹۶۰ زمانی که محققان متوجه شدند که نهنگ‌های گوژپشت برای یکدیگر آواز میخوانند، کمپین موفق Save the Whales و قانون حفاظت از پستانداران دریایی ثمر داد و جمعیت نهنگ‌های گوژپشت و خاکستری که دهه‌ها به‌شدت تهدید می‌شد، رو به بهبود گذاشت.
پروژه CETI هفت سال پیش در مؤسسه رادکلیف دانشگاه هاروارد آغاز شد. وقتی دیوید گروبر، زیست‌شناس دریایی و کاوشگر نشنال جئوگرافیک، در دفترش به صدای ضبط‌شده نهنگ‌های عنبر گوش می‌داد، شفی گلدواسر، دانشمند کامپیوتر، با شنیدن این صداها، با کنجکاوی از گروبر پرسید که این چه صدایی است و همین انگیزه جدیدی برای آنها شد. قبل از آن تعدادی از همکاران گلدواسر از یادگیری ماشینی برای بهبود ترجمه زبان انسانی استفاده کرده بودند و آنها به این فکر افتادند تا رویکرد مشابهی را برای نهنگ‌ها به کار بگیرند.
طبق گفته گروبر هر صدا، تقریباً شبیه یک کد صفر و یک (کد باینری) است که ابتدایی‌ترین زبان رایانه است. طبق گفته آنها، صدای نهنگ‌ها برای مدل هوش مصنوعی به‌راحتی قابل‌جذب و قابل‌تجزیه و تحلیل هستند.
گروبر با شین گرو، یکی از کاوشگران نشنال جئوگرافیک که ۱۳ سال را صرف مطالعه نهنگ‌های عنبر کرده بود، تماس گرفت. آنها به بررسی این موضوع پرداختند که آیا می‌توان برنامه یادگیری ماشینی سفارشی‌ای طراحی کنند که بتواند دنباله‌های آشنا را در این تعاملات تشخیص دهد؟ دقیقاً همان‌طور که انسان‌ها الگوهای گفتگوی قابل‌تشخیصی دارند. نتیجه، نوع جدیدی از مدل پردازشی بود که می‌توانست نحوه ارتباط گرفتن نهنگ‌ها را پیش‌بینی کند. گروبر می‌گوید: «دقت این برنامه ۹۹ درصد بود و صدای بعدی را پیش‌بینی می‌کرد.»
اعضای این گروه این مدل را برای مطالعه مداوم در پروژه گرو به کار برد. گرو و همکارانش آن زمان مشغول علامت‌گذاری نهنگ‌ها و ضبط صداها و حرکاتشان بودند. وقتی نهنگ‌ها به سطح آب آمدند، هواپیماهای بدون سرنشین رفتار آنها را زیر نظر گرفت؛ داده‌های مدنظر به دست آمد و اعضای تیم به امید مشاهده ارتباط گروه‌های متمایز از صداها به نام کدا با رفتارهای آشکار که شواهدی از گوش دادن فعالانه نهنگ‌ها به یکدیگر و پاسخ دادن است، وارد عمل شدند.
تا سال ۲۰۲۰، در گروه اولیه گروبر ۲۰ دانشمند از رشته‌های یادگیری ماشین، زیست‌شناسان دریایی، رمزنگار و یک زبان‌شناس فعالیت می‌کردند و با استفاده از هوش مصنوعی، هزاران کد مختلف را که از هزاران ساعت ضبط، کشف و فهرست‌بندی کردند.
شارما در ترم دوم رشته علوم کامپیوتر و هوش مصنوعی تحصیل می‌کرد که به پروژه پیوست. در آغاز پروژه، دانشمندان تک‌تک کدها را به‌صورت یک سری خط تیره که نشان‌دهنده تعداد صداهای یک نهنگ در ثانیه بود، نشان دادند ولی شارما با کمک همکارانش، داده‌های صوتی را به نوع جدیدی از تجسم تبدیل کرد که به‌جای نوارهای روی یک محور افقی، بیشتر شبیه نت‌های موسیقی ارکستر بود و کدهای متعددی را نشان می‌داد و خطوط موازی از نقاط آبشاری صداها را در کنار هم می‌چید.
این رویکرد تفاوت‌های ظریفی را در آهنگ هر کدا نشان داد، جایی که زمان بین صداها کند یا تند می‌شد. محققان با الهام از موسیقی کلاسیک، این صداها را روباتو نام‌گذاری کردند. در برخی موارد، نهنگ‌ها یک‌صدای اضافی به انتهای یک کدا اضافه می‌کردند که طبق استنباط محققان، معنادار بود. تغییرات ظریف در ریتم و تمپوی روباتوها، شارما و همکارانش را به یاد واج‌ها انداخت، قطعاتی از صدا که انسان‌ها آنها را باهم ترکیب می‌کنند و به کلمات تبدیل می‌کنند.
آنها فکر کردند که شاید این کدها اساس یک‌زبان پیچیده باشد. تا پیش از آن، بسیاری از این تفاوت‌های ظریف قابل‌تشخیص نبودند.
جیکوب آندریاس، کارشناس پردازش زبان طبیعی و یکی از محققان پروژه، می‌گوید: «یکی از چیزهای جالب پروژه CETI، این بود که گروهی از افرادی که خود را دانشمندان رایانه می‌دانستند، در پروژه درک ارتباط حیوانات مشارکت کردند.»
این فعالیت البته به نهنگ‌ها محدود نمی‌شود و دانشمندان و محققان سراسر دنیا با بهره‌گیری از هوش مصنوعی به دنبال درک زندگی داخلی حیوانات و زیست‌گاه‌هایشان ازجمله اقیانوس‌ها، جنگل‌ها و حتی مزارع تجاری هستند. هوش مصنوعی حالا راه ارتباطی انسان با دیگر موجودات زنده و البته راه جدیدی برای تفکر در مورد آینده سیاره را هموار کرده است.
سورش نیتیراجان، بر روی نوع دیگری از تعامل حیوانات با رایانه کار می‌کند. استاد علوم کامپیوتر و کشاورزی بررسی می‌کند که کشاورزان چطور می‌توانند از نظارت زمان واقعی برای تفسیر معنای واقعی رفتارهای مختلف استفاده کنند. او در یک مزرعه لبنی در جنوب هند بزرگ‌شده و شاهد آن بود که زمانی که گاوها تولیدشان را متوقف می‌کردند، آنها را به کشتارگاه می‌فرستادند. آنها روزهای خود را در مزرعه به‌عنوان تشکر از خدماتشان سپری کردند.
نیتیراجان که گوشت نمی‌خورد، یک دهه پیش شروع به مطالعه زندگی درونی حیوانات مزرعه کرد و می‌گوید که به‌عنوان مهندس کشاورزی آموزش‌دیده کلاسیک و دانشمند حیوانات آموزش‌دیده، متعجب بود که چگونه می‌توان از فناوری برای بهبود کیفیت زندگی آنها استفاده کرد.
او در ابتدا با استفاده از حسگرهای زیستی، نمونه‌های خون، مدفوع و مو به جمع‌آوری داده‌هایی از جمله دمای بدن، سطح کورتیزول، هورمون‌ها و تنفس و ضربان قلب پرداخت و آنها را با فیلم‌های صوتی و تصویری هماهنگ کرد تا احساسات مختلف مثل زمانی که حیوان غذا دریافت می‌کند (حس مثبت) یا شنیدن صدای عجیب (حس منفی) را لمس کند. هدف او درک این بود که وقتی حیوانی راحت یا ناخوشایند است چگونه به نظر می‌رسد.
او هفت سال پیش پردازش داده‌هایش با هوش مصنوعی را آغاز کرد و به سراغ یک مدل یادگیری عمیق که تشخیص چهره و تجزیه‌وتحلیل راه رفتن دام را انجام می‌دهد رفت و مثل شارما و تیمش از ابزارهای پردازش زبان طبیعی برای درک صدای حیوانات بهره برد. طبق گفته او حالا می‌توان فیلم‌های ویدئویی از انباری پر از ۵۰۰۰ جوجه را در مدل قرار داد و ظرف چند دقیقه می‌توان پنج پرنده که به‌احتمال‌زیاد بیمار هستند را شناسایی کرد.
او معتقد است که رفاه حیوانات حتی در استفاده‌های صنعتی هم ارزشمند است. از سوی دیگر شناسایی زودهنگام بیماری هم از رنج حیوان و از ضررهای مالی جلوگیری می‌کند. نتایج تحقیقات حکایت از آن دارد که حیوان شادتر، حیوان مولدتری است.
طبق بررسی او وقتی زیستگاه جوجه‌ها بیشتر تمیز می‌شود، کمتر صدای ناراحتی تولید می‌کنند، چون راحت‌تر نفس می‌کشند.
یورگ مولر سرپرست حفاظت از پارک ملی جنگلی باواریا، قدیمی‌ترین پارک ملی آلمان، تحقیقاتش را در آمریکای جنوبی انجام می‌دهد و درحال‌توسعه نوع جدیدی از گوشی پزشکی تقویت‌شده با هوش مصنوعی برای نظارت بر اکوسیستم‌های استوایی است. بررسی رشد مجدد تاج پوشش جنگل با ماهواره‌ها و سنجش‌ازدور آسان است و کار سخت اطلاع از این است که چقدر طول می‌کشد تا تنوع زیستی بومی بهبود یابد. مولر با آمار دانان، حشره شناسان، پرنده شناسان و جوامع محلی اکوادور کار می‌کند تا بفهمد چه سیگنال‌هایی شواهدی از کارکرد تلاش‌های احیا را ارائه می‌کنند.
مولر به سراغ بوریوالووا رفت که روشی برای استفاده از بیوآکوستیک برای تخمین تعداد گونه‌های مختلف در جنگل‌ها بر اساس صداهایی که تولید می‌کردند، ابداع کرده بودند. آنها این رویکرد را با قرار دادن دستگاه‌های ضبط در ده ها مکان در اطراف منطقه‌ای به وسعت ۵۰۰۰۰ هکتار از جنگل چوکو در اکوادور به کار بردند و برای دو هفته متوالی، داده‌ها که حدود ۲۰۰۰ ساعت منظره صوتی بود را جمع‌آوری کردند.
پرندگان جزو بهترین شاخص‌های سرزندگی کلی اکوسیستم استوایی هستند و طبق گفته مولر، اگر پرندگان اوضاع خوبی داشته باشند، دیگرگونه‌های زنجیره غذایی، از پلنگ گرفته تا حشرات، نیز بهبود می‌یابند؛ بنابراین مولر از خوان فریل، متخصص پرندگان خواست تا صداهای پرندگان را از طریق صدا شناسایی کند. آنها بیش از ۳۰۰ گونه را ثبت کردند. مولر صداها را بر روی یک مدل هوش مصنوعی موجود که برای تشخیص ۷۵ گونه آموزش‌دیده بود اجرا کرد و به نتایج امیدوارکننده‌ای رسید. داده‌ها نشان می‌داد که یک هوش مصنوعی کاملاً آموزش‌دیده می‌تواند به‌اندازه متخصصان انسانی مؤثر بوده و به دانشمندان کمک کند تا پیشرفت بازیابی جنگل را نظارت کنند. مولر بر اساس شناسایی کارشناسان و هوش مصنوعی، پیش‌بینی می‌کند که حدود ۵۵ سال طول می‌کشد تا زمین جنگل‌های بارانی پس از پاک‌سازی برای کشاورزی برای بازیابی تنوع زیستی بومی‌اش، مهیا شود.
پروژه CETI در نقطه عطف متفاوتی است و محققان در مرحله جمع‌آوری اطلاعات هستند. دانشمندان می‌دانند که نهنگ‌ها هنگام برقراری ارتباط چه صدایی دارند، اما هنوز معنی هیچ‌یک از آنها را نمی‌دانند. گروبر می‌گوید: «ما مثل بچه نهنگ‌هایی هستیم که در یک بازه زمانی شروع به یادگیری کرده‌ایم.»
اگرچه زبان نهنگ‌ها شاید شباهت‌هایی با زبان انسان داشته باشد، اما به این معنا نیست که ساختار گفتار نهنگ منعکس‌کننده ساختار ماست: ما نیازهای اکولوژیکی و تکاملی کاملاً متفاوتی داریم. همکاران CETI الگوهای ناوبری را دیده‌اند که در آن گروهی از نهنگ‌ها به سمت دومینیکا شنا می‌کنند، سپس ناگهان چرخیده و به سمت دریای آزاد حرکت می‌کنند؛ در شرایطی که همه آنها در دید یکدیگر نیستند.
شارما امیدوار است روزی بفهمیم که چگونه زبان از مادر به گوساله منتقل می‌شود. نهنگ‌ها مثل انسان‌ها با زبان متولد نمی‌شوند، بلکه آن را از حضور در اجتماعی می‌آموزند. حالا این سؤال مطرح است که آیا نهنگ‌ها مثل فیل‌ها و دلفین‌ها صداهایی مشابه نام‌های یکدیگر دارند؟و آیا می‌توانند به نهنگ‌هایی که آنجا حضور ندارند، اشاره کنند؟
گروبر امیدوار است که این بینش منجر به بهبود زندگی نهنگ‌های عنبر شود. اگر می‌توانستیم آنچه نهنگ‌های عنبر می‌گویند را ترجمه کنیم، می‌توانستیم از این نوع پلتفرم برای ارتباط با فرازمینی‌ها استفاده کنیم. البته این ایده جدیدی نیست و در یک فیلم قدیمی به نام Star Trek شاهدش بودیم.
تفاوت این است که محققان حالا در حال پیشرفت هستند. اگر هوش مصنوعی بتواند به ما کمک کند تا به بخش‌هایی از جهان طبیعی دسترسی پیدا کنیم که هنوز نمی‌دانیم، شاید روزی دستاوردهای بزرگ‌تری داشته باشیم.
