هوش مصنوعی، حیوانات را به حرف می‌‌آورد !

تصور کنید بتوانیم با استفاده از گوشی هوشمند، آنچه را که پرندگان به یکدیگر می‌‌گویند رمزگشایی کنیم یا بفهمیم فیل‌‌های آفریقایی به یکدیگر چه می‌‌گویند. خبر خوب این است که ظاهرا زمان زیادی تا رسیدن به فناوری تشخیص گفتار حیوانات باقی نمانده و درواقع این موضوع، بخشی از آینده فناوری پروژه گونه‌‌های زمین (ESP) است.

ESP سازمانی غیرانتفاعی است که آزا راسکین، مؤسس آزمایشگاه موزیلا و بریت سلویل از اعضای تیم بنیان‌‌گذار توییتر آن را تأسیس کرده‌‌اند. هدف این سازمان، رمزگشایی ارتباطات غیرانسانی با استفاده از هوش مصنوعی است.

درک افکار درونی حیوانات خانگی می‌‌تواند جذاب باشد. البته مزیت‌‌های درک ارتباطات حیوانات بسیار فراتر از گوش دادن به مکالمه میان سگ‌‌های خانگی با سگ‌‌های همسایه‌‌ها است. درواقع قابلیت رمزگشایی ارتباطات حیوانات، پیامدهای مستقیمی روی حفاظت از محیط‌‌زیست و سیاره ما دارد.

رمزگشایی ارتباطات حیوانات می‌‌تواند به توسعه ابزارهایی منجر شود که می‌‌توانند به تحقیقات حفاظت از محیط‌‌زیست کمک کنند. دانشمندان قادر خواهند بود با اطلاع از ویژگی‌‌های کشف‌‌نشده حیوانات، روش ارتباط گونه‌‌های خاص، نحوه شکار، غذا خوردن، ایجاد ارتباط با دیگر حیوانات و روش پردازش اطلاعات دریافتی از محیط اطراف آنها را کشف کنند.

آیا یک گربه وحشی از ماهیت انسان‌‌ها اطلاع دارد؟ آیا حافظه فیل می‌‌تواند به انتقال داستان‌‌های زندگی آنها از نسلی به نسل دیگر کمک کند؟

ما می‌‌توانیم ازطریق تکنیک‌‌های یادگیری ماشینی، رمزگشایی داده‌‌های بیوآکوستیک و سپس ترجمه این اطلاعات به زبان طبیعی انسان، اطلاعات بسیار زیادی از ارتباطات حیوانات به‌‌دست آوریم. این داده‌‌ها می‌‌توانند به تلاش‌‌های بشر برای محافظت از محیط‌‌زیست و همچنین تحقیقات علمی قابل‌‌اطمینان‌‌ درمورد گونه‌‌های مختلف جانوری و ارزیابی جمعیت حیات‌‌وحش کمک کنند. البته دستیابی به این هدف همان‌‌قدر که جذاب و نوآورانه به‌‌نظر می‌‌رسد، واقعاً سخت است.

بسیاری از تحقیقات مرتبط با رمزگشایی ارتباطات حیوانی، براساس مدل‌‌های زبانی بزرگ انجام می‌‌شود که روش کارکرد آنها دقیقاً مشابه مدل‌‌هایی است که برای بهبود عملکرد گوگل Bard یا ChatGPT مورد استفاده قرار می‌‌گیرند. ابزارهای هوش مصنوعی مولد، تسلط بسیار خوبی در درک زبان دارند؛ زیرا یادگیری ماشینی می‌‌تواند زبان‌‌های مختلف، سبک‌‌ها و زمینه‌‌های متفاوت را به‌‌خوبی درک کرده و پاسخ‌‌های مناسبی ارائه دهد.ZDNet می‌‌نویسد، مدل‌‌های زبانی بزرگ در طول بسیاری از مراحل آموزش، با حجم بسیار زیادی از داده‌‌ها تغذیه می‌‌شوند. این مدل‌‌ها ورودی‌‌های مختلف را برای درک ارتباطات میان کلمه‌‌ها و معنی آنها یاد می‌‌گیرند. اساساً حجم بالای داده‌‌های متنی از منابع مختلف مثل وب‌‌سایت‌‌ها، کتاب‌‌ها، تحقیقات و غیره دردسترس این مدل‌‌ها قرار می‌‌گیرد.مدل‌‌های زبانی بزرگ در مرحله بعد تحت‌‌نظر مربیان انسانی قرار می‌‌گیرند و با آنها گفت‌‌وگو می‌‌کنند تا بدین‌‌ترتیب مفاهیم مختلف را بهتر یاد بگیرند و زمینه‌‌های گفت‌‌وگو را بهتر درک کنند. این مرحله همچنین باعث می‌‌شود مدل‌‌های زبانی بزرگ از احساسات انسانی مطلع شده و روش کارکرد زبان را به‌‌طور دقیق یاد بگیرند.