精选
AI助力人与动物对话或将成真？
某些灵长类动物、鲸类和鸟类的声音交流复杂度，或许已接近人类语言水平。
在刚果民主共和国的茂密雨林深处，梅利莎·贝特（Mélissa Berthet）观察到倭黑猩猩做出了一种曾被认为是人类独有的行为。
在贝特观察这些灵长类动物的六个月里，她发现它们会通过多种方式组合叫声，形成复杂“短语”[1]。例如，当倭黑猩猩（Pan paniscus）一起筑巢时，会将表示“我们一起做吧”的“尖叫”与表示“看我”的“咕哝”结合起来。“这实际上是在表达：‘看我正在做的事，咱们一起干吧’，”贝特解释道。她目前在法国雷恩大学（University of Rennes）从事灵长类动物与语言学研究。
另一个例子是，倭黑猩猩会先发出表示“我想做这件事”的“啾鸣”，随后发出表示“咱们待在一起”的“哨声”。贝特指出，倭黑猩猩会在敏感的社交场景中组合这两种叫声，“我认为它们是想用这种方式维持和睦”。
这项于今年4月发表的研究，是过去几年中众多案例之一，这些案例均凸显出非人类动物的声音交流可能具备极高的复杂性。在某些灵长类动物、鲸类[2]和鸟类中，研究人员发现了一些长期被视为人类语言“标志性特征”的发声特点与模式。这些结果不仅挑战了“人类语言独特性”的传统认知，甚至让人们重新思考“语言”本身的定义。
毫不意外的是，许多科学家正借助人工智能（AI）工具加速动物声音的探测与解读，挖掘人类听觉可能遗漏的交流细节。“AI正在实现传统方法完全无法做到的事，”大卫·罗宾逊（David Robinson）表示。他是“地球物种计划”（Earth Species Project）的AI研究员，该非营利组织总部位于美国加州伯克利，致力于开发能破解跨物种交流的AI系统。
随着研究推进，人们的兴趣不仅限于用AI“倾听”动物“语言”，还开始探索用AI实现与动物的“双向对话”。
叫声的组合规律
研究动物交流的学者，会提出与语言学家相似的问题：声音是如何通过生理结构产生的（语音学）？声音如何组合成有意义的单元（形态学）？哪些规则决定了短语和句子的结构（句法学）？
大约十年前，研究人员还普遍认为，只有人类会使用语言学中的“组合性”特征——即把有意义的词语、叫声或其他声音组合起来，形成新表达，且新表达的含义由组成部分的含义衍生而来。
但2016年一项关于大山雀（Parus minor）的研究，改变了科学家对“组合性”的认知。当大山雀听到“警报”叫声时，会警惕捕食者；听到“召集”叫声时，会向声音来源靠近。而当这两种叫声按“警报-召集”的顺序出现时，它们会同时做出两种反应[3]。若叫声顺序颠倒，这种反应则会消失——这表明大山雀的叫声具备“组合性”，即组合后的叫声拥有独立含义。
2023年的一项研究进一步拓展了这一发现。科学家在野外向黑猩猩（Pan troglodytes）展示假蛇，发现这种灵长类动物会将“警报”与“召集”叫声组合成新信息，促使同伴聚集到发声者身边应对威胁[4]。
不过，此前人类仍被认为是唯一能通过多种方式运用“组合性”的物种。例如，通过调整词语顺序改变短语含义、给词语添加后缀修饰语义、创造隐喻和习语表达抽象概念等。
刚果民主共和国的倭黑猩猩会通过多种方式组合叫声形成“短语”。图片来源：Christian Ziegler/Nature Picture Library
但贝特及其团队的研究，弱化了人类与其他动物在这一特征上的差异。他们记录了30只成年倭黑猩猩的700次叫声，发现这些动物会通过四种方式组合有限的叫声[1]。其中“尖叫-咕哝”组合被研究人员归为“简单组合性”，因为这种组合的含义只是单个叫声含义的叠加（类似“红色的车”，仅描述“红色”与“车”两个属性的叠加）。而另外三种组合中，一种叫声会修饰另一种叫声，形成“复杂组合性”（类似“糟糕的演员”，描述的是“不擅长演戏的人”，而非“糟糕的人”与“演员”的简单叠加）。
法国里昂神经科学研究中心（Lyon Neuroscience Research Center）的进化生物学家塞德里克·吉拉尔-布托兹（Cédric Girard-Buttoz）及其团队于今年5月发表研究称，黑猩猩也会通过多种方式组合有限的叫声[5]。对于某些发声组合，其含义无法从单个叫声的含义中推导出来——这与人类语言中的部分习语类似。例如，黑猩猩在地面休息时会发出“呼噜”声，表达玩耍和亲近时会发出“喘气”声；但当“呼噜”后接“喘气”时，其他黑猩猩会爬上树、筑巢并一起休息——尽管这两种单独的叫声都与“爬树”无关，吉拉尔-布托兹解释道。他补充说，通过多种方式生成含义，是语言的基础要素之一。
鲸类的交流也具备人类语言的某些显著特征。总部位于美国纽约的非营利组织“CETI计划”（Project CETI）的研究人员，一直在加勒比海多米尼加岛附近海域追踪并记录抹香鲸（Physeter macrocephalus），收集了大量关于其活动轨迹与声音的数据集。科学家希望通过找出鲸类声音与行为的关联模式，实现对“鲸语”的翻译。
CETI计划的语言学家加斯珀·贝格斯（Gašper Beguš）正训练生成式AI模型，使其能模仿抹香鲸的声音及声音序列。人类通过让空气穿过喉部声带（声带以不同频率振动）产生不同声音，而抹香鲸则通过让空气穿过鼻腔内的“唇状结构”（该结构振动产生“咔嗒声”）发声。这些“咔嗒声”会组合成被称为“编码组”（coda）的单元。
科学家通过无人机给抹香鲸安装传感器，收集生物声学及其他数据。图片来源：Jaime Rojo
CETI计划的科学家去年发表研究称，抹香鲸拥有自己的“语音字母表”，其“编码组”在节奏、速度等特征上存在差异[6]。此后，贝格斯及其团队发现，抹香鲸的“编码组”差异类似人类语言中的元音和双元音。人类语言中，元音的差异由舌头位置和嘴唇形状决定（例如“cheese”中的“ee”与“hot”中的“o”）；双元音（滑动元音）则是在一个音节中组合两个元音（例如“pout”），嘴唇和舌头的移动会导致声音频率变化。
贝格斯的团队发现了两种声音模式截然不同的“编码组”，并将其分别命名为“a元音编码组”和“i元音编码组”。他们还观察到，这些“元音”会以四种方式发生频率变化：频率上升、频率下降、先降后升、先升后降[7]——这种频率变化可能是双元音的体现。
语言的定义之争
动物交流的复杂性是否足以使其被称为“语言”，取决于人们对“语言”的定义以及对“动物思维方式”的认知。贝格斯指出，目前主要存在两种观点：“一种观点认为，语言与复杂思维存在内在关联。”根据这种观点，复杂思维先于语言产生，语言只是思维的外在表达。若按此逻辑，动物若不具备复杂思维，就不可能拥有语言。
另一种观点则认为，语言只是交流的一种形式（类似手势或面部表情），无需以复杂思维为前提。在这种框架下，无论动物是否具备复杂思维，都可能拥有语言。一些训练动物与人类交流的实验（例如今年年初去世的倭黑猩猩“坎兹”（Kanzi）的相关实验），已暗示动物或许有能力掌握语言，但这与“它们在野外是否会自主使用语言”是两个不同的问题。
“目前还无法确定我们能否发现一套完整的动物语言体系，”罗宾逊表示。
一方面，人类语言的某些特征尚未在其他物种中被发现。语言学家查尔斯·霍克特（Charles Hockett）提出的“语言特征清单”包含16项特征，其中“位移性”“能产性”和“二重性”这三项尚未在非人类动物中被证实。
“位移性”指表达抽象概念的能力，例如描述过去、未来或远处的事物。贝特指出，目前尚无确凿证据表明动物交流具备这一特征，尽管存在一些轶事性观察——例如海豚会呼唤多年前消失的同类的名字，红毛猩猩（Pongo属）会告知同伴某区域曾出现过捕食者。
“能产性”指创造并理解全新表达的能力（即说出或听到从未接触过的语句，仍能理解其含义）。
“二重性”指有意义的信息由更小的有意义单元构成，而这些有意义单元又由无意义的声音片段构成。尽管鲸类会用“咔嗒声”组成更长的“编码组”，但科学家尚未证实“咔嗒声”无意义而“编码组”有意义。
“递归性”是另一项可能为人类语言独有的特征，指通过在句子或短语中嵌入其他句子或短语，形成更复杂的含义。德国图宾根大学（University of Tübingen）研究声音交流与认知的戴安娜·廖（Diana Liao）及其团队，训练乌鸦（Corvus corone）在触摸屏上按正确顺序啄击“开括号”和“闭括号”，结果发现乌鸦在心理层面具备递归能力[8]。“它们的表现甚至优于猕猴，与人类幼儿相当，”廖表示。但目前尚不清楚乌鸦是否会在交流中使用递归性。
此外，动物的声音交流是否遵循固定的“语法规则”，目前也尚无定论。而且，尽管灵长类动物已被证实能通过组合叫声生成含义，但其可表达的含义数量“与人类语言的表达能力仍相差甚远”，吉拉尔-布托兹补充道。
吉拉尔-布托兹还指出，尽管人们倾向于将动物交流与人类语言对比，但这两种系统可能存在本质差异：“或许存在一种极其复杂的交流系统，它与人类语言毫无关联，却仍能通过独特方式创造性地传递大量信息。”
目前，该领域的许多研究者在讨论非人类动物时，更倾向于回避“语言”一词。“语言是一种交流系统，目前我认为它是最复杂的交流系统，”廖表示。但她认为AI模型能帮助研究者发现人类难以察觉的交流特征——这些特征可能不存在于人类语言中，却在其他动物的交流中普遍存在。
人工智能破解野外“叫声密码”
许多研究动物交流的学者会借助AI，核心原因在于AI具备声音探测、识别与分类的能力。罗宾逊正在开发一款名为“NatureLM-audio”的工具，这是一种大型语言模型，训练数据来自13个公共数据集，包含数千段动物声音、音乐、环境噪音和人类语音，且每段音频都配有文字描述。当输入新的音频片段时，该模型能回答“有多少只鸟在发声”或“列出音频中涉及物种的通用名”等问题。罗宾逊表示，这款模型旨在成为研究者的“助手”，处理人类耗时费力的任务（例如分析大规模数据中的模式）。
AI工具还被用于分析音频与环境数据，识别不同声音在不同场景中的使用情况——这是理解声音含义的关键[9]。例如，AI系统已帮助研究者发现，非洲草原象（Loxodonta africana）和狨猴（Callithrix jacchus）会用特定声音给同伴“命名”[10][11]。
罗宾逊指出，类似工具还可用于研究非声音形式的交流，例如电鱼发出的电磁信号、信息素等化学信号。但他补充说，AI的潜在价值取决于研究对象和研究目标。
澳大利亚阳光海岸大学（位于锡比角）研究鸣禽的多米尼克·波特文（Dominique Potvin）表示，对于叫声变化小、且已有大量数据积累的鸟类，AI工具的优势尤为明显——她本人也在使用AI分析鸟鸣录音。例如，山雀的叫声几乎没有变化，机器能轻松且准确地识别。但对于模仿能力强的物种（如华丽琴鸟（Menura novaehollandiae））或叫声复杂的物种（如棕矢嘲鸫（Toxostoma rufum）），AI系统的即时实用性则会下降。
贝特和吉拉尔-布托兹在各自的研究中均未使用AI工具，原因是AI难以在嘈杂的森林中分离出动物叫声。对于希望解读叫声含义的研究者而言，“音频记录+行为观察”才能提供必要的场景信息。此外，AI也难以分析茂密森林中动物活动的视频。
过去几年，部分研究者开始尝试用AI生成动物声音序列——这正是CETI计划的核心目标之一，该计划最终希望通过向鲸类播放生成的声音序列，测试“鲸语翻译”的准确性。
日本东北大学（位于仙台）研究鸟鸣的神经科学家安倍健太郎（Kentaro Abe），开发了一款名为“FinchGPT”的AI工具，用于探测白腰文鸟（Lonchura striata domestica）鸣唱中的语法规则。研究团队先将3只白腰文鸟的3.2万段鸣唱录音转换为文本（给每个短声音模式分配一个字母），再用这些数据训练FinchGPT[12]。目前，安倍的团队正在测试该工具预测鸣唱序列中“下一个声音模式”的能力。
与此同时，谷歌DeepMind（伦敦）、佐治亚理工学院（亚特兰大）和野生海豚计划（Wild Dolphin Project，位于佛罗里达州北棕榈滩）的科学家联合开发了“DolphinGemma”模型。该AI模型通过学习大西洋斑点海豚（Stenella frontalis）的声音结构，生成能模仿其叫声的声音序列。
生成动物声音序列相对简单，更大的挑战在于让这些序列具备“含义”。尽管研究者普遍认为“理解动物声音含义”仍需时日，但已有部分人将“跨物种双向交流”列为目标。例如，“科勒多利特挑战”（Coller Dolittle Challenge）设立了50万美元现金（或1000万美元投资）的大奖，用于奖励在AI驱动的双向跨物种交流领域取得突破的团队，同时还设有年度奖项。
研究者指出，任何向动物播放声音的实验，都需考虑其对动物自然行为的潜在影响。例如，罗宾逊表示，向座头鲸（Megaptera novaeangliae）播放声音可能会影响其择偶行为——座头鲸的“声音文化”通过社会传承，这种影响可能持续数代。CETI计划及其他机构的科学家，也在思考“理解动物交流”可能带来的伦理与法律问题。
目前尚无法判断“与动物交流的益处”是否会超过“潜在风险”。“我不确定自己是否想拥有与动物对话的能力，”贝特表示，她也不确定动物是否愿意与人类交流。
波特文认为，其他动物对世界的感知与人类存在本质差异，双向交流或许根本无法实现。“我们不是鸟，永远无法知道一只鸟听到同类叫声时在想什么，”她补充道。但她认为，尝试理解动物的“表达”仍有价值：“我们会尽一切努力探索，而神秘感将永远存在。”
转载本文请联系原作者获取授权，同时请注明本文来自孙学军科学网博客。
链接地址：https://wap.sciencenet.cn/blog-41174-1502464.html?mobile=1
收藏
