تحقیقات جدید در دانشگاه اورگان، گامی بلند در فهم ارتباطات صوتی حیوانات برداشته است. محققان مدلی مبتنی بر هوش مصنوعی به نام «توئيتيبرت» (TweetyBERT) را توسعه دادهاند که قادر است آوازهای پیچیده قناریها را با دقتی برابر با متخصصان انسانی و سرعتی بسیار بیشتر، تجزیه و تحلیل کند. این دستاورد، دریچهای تازه به سوی درک چگونگی یادگیری و تولید زبان توسط مغز، نه تنها در پرندگان، بلکه در دیگر گونهها نیز میگشاید.
قناریها به عنوان موجوداتی استاد در آوازخوانی شناخته میشوند. آنها قادرند دهها سیلاب متمایز را بیاموزند و آنها را در توالیهایی طولانی و ماندگار به هم پیوند بزنند. فرآیند تحلیل این آوازهای پیچیده، که شامل شناسایی نتها، سیلابها و عبارات مختلف است، پیش از این نیازمند صرف وقت و انرژی فراوان توسط انسانها بود. اما توئيتيبرت، با بهرهگیری از معماری مشابه مدلهای زبانی بزرگ مانند ChatGPT، این فرآیند را خودکار کرده و امکان مطالعات وسیع و درازمدت را فراهم میسازد.
ساختار و عملکرد توئيتيبرت
توئيتيبرت از معماری «ترنسفورمر» (Transformer) استفاده میکند؛ همان چارچوب قدرتمندی که اساس مدلهای پیشرفته پردازش زبان طبیعی انسان را تشکیل میدهد. اما نکته کلیدی در مورد این مدل، رویکرد «یادگیری خود نظارتی» (Self-Supervised Learning) آن است. برخلاف مدلهای سنتی هوش مصنوعی که برای آموزش به هزاران داده برچسبگذاری شده توسط انسان نیاز دارند، توئيتيبرت قادر است واحدهای صوتی را به صورت مستقل شناسایی کند. این مدل با پیشبینی بخشهای «پوشیده» شده یا حذف شده در فایلهای صوتی، نحوه سازماندهی و ساختار آواز پرندگان را فرامیگیرد. این روش، نه تنها سرعت تحلیل را به شدت افزایش میدهد، بلکه از سوگیریهای احتمالی ناشی از برچسبگذاری انسانی نیز میکاهد.
این مدل با موفقیت توانسته است واحدهای رفتاری صدا در آواز قناریها، مانند نتها، سیلابها و عبارات را به طور خودکار شناسایی و طبقهبندی کند. دقت آن با متخصصان انسانی برابری میکند، اما در کسری از زمان. این توانایی، امکان مطالعه تغییرات ظریف در آواز پرندگان را در طول زمان، تفاوتهای فردی و پاسخ آنها به عوامل محیطی فراهم میآورد. هدف اصلی توسعه این ابزار، فراهم کردن پنجرهای پرسرعت برای دانشمندان علوم اعصاب جهت کاوش در چگونگی یادگیری و تولید زبان پیچیده توسط مغز است.
اهمیت قناریها در مطالعات علوم اعصاب
پرندگان آوازخوان، به ویژه قناریها، به دلیل توانایی شگفتانگیزشان در یادگیری و اجرای آوازهای پیچیده در طول عمر، به مدلهای اصلی در تحقیقات علوم اعصاب تبدیل شدهاند. فرآیند یادگیری آوازی در این پرندگان شباهتهای قابل توجهی به چگونگی اکتساب و تولید گفتار در انسان دارد. این پرندگان دارای مدارهای عصبی ویژهای هستند که به آنها امکان تقلید صداهای شنیده شده را میدهد. بنابراین، درک چگونگی سازماندهی مغز قناری برای تولید دهها سیلاب مختلف، میتواند بینش عمیقی نسبت به مکانیسمهای عصبی حاکم بر زبان پیچیده انسان ارائه دهد.
با استفاده از توئيتيبرت، دانشمندان میتوانند دادههای صوتی فراوانی را که پیش از این پردازش آنها غیرممکن یا بسیار دشوار بود، تحلیل کنند. این امر به شناسایی ارتباطات دقیقتر بین فعالیتهای عصبی و واحدهای صوتی خاص کمک میکند و پرده از رازهای پردازش زبان در مغز برمیدارد. درک این فرآیندها میتواند در نهایت به توسعه روشهای درمانی نوین برای اختلالات زبانی در انسان نیز یاری رساند.
کاربردهای فراتر از قناریها
اگرچه توئيتيبرت در ابتدا برای تحلیل آواز قناریها طراحی شده است، اما رویکرد اساسی آن قابلیت تعمیم بالایی دارد. محققان در حال حاضر در حال آزمایش این فناوری بر روی صداهای دلفینها و والها هستند. این نشان میدهد که توئيتيبرت پتانسیل تبدیل شدن به یک «رمزگشا»ی جهانی برای ارتباطات صوتی در دنیای حیوانات را دارد. توانایی شناسایی واحدهای ارتباطی و الگوهای صوتی در گونههای مختلف، میتواند درک ما را از پیچیدگی و تنوع ارتباطات در قلمرو حیوانات به طرز چشمگیری گسترش دهد.
علاوه بر علوم اعصاب، توئيتيبرت کاربردهای زیستمحیطی قابل توجهی نیز دارد. با اصلاحاتی، این مدل میتواند در مطالعات میدانی مورد استفاده قرار گیرد تا الگوهای صوتی جمعیتهای طبیعی پرندگان را رصد کند. هرگونه تغییر در این الگوها، که ممکن است ناشی از آلودگی صوتی، تغییرات اقلیمی، یا گسترش زیرساختهای انسانی باشد، توسط هوش مصنوعی به سرعت شناسایی خواهد شد. این امر میتواند به عنوان یک سیستم هشداردهنده زودهنگام برای ارزیابی سلامت اکوسیستمها عمل کند و اطلاعات ارزشمندی در مورد تأثیر عوامل خارجی بر حیات وحش ارائه دهد.
تحلیل تاثیرات
توسعه توئيتيبرت نشاندهنده همگرایی فزاینده هوش مصنوعی و علوم زیستی است. این مدل نه تنها فرآیند تحقیقات در زمینه علوم اعصاب و زیستشناسی صوتی را متحول میکند، بلکه پتانسیل ایجاد ابزارهای قدرتمندی برای نظارت بر محیط زیست و درک عمیقتر از ارتباطات گونههای مختلف را نیز دارد. قابلیت یادگیری خود نظارتی و دقت بالای این مدل، آن را به ابزاری کلیدی برای آینده تحقیقات در زمینه زیستشناسی و هوش مصنوعی تبدیل خواهد کرد.
این پیشرفت، اهمیت استفاده از رویکردهای یادگیری ماشین در حل مسائل پیچیده علمی را برجسته میسازد. با بسط این فناوری، میتوان انتظار داشت که شاهد اکتشافات جدیدی در زمینه چگونگی تکامل زبان، ارتباطات بینگونهای و تأثیر تغییرات محیطی بر رفتار حیوانات باشیم. در نهایت، توئيتيبرت نمونهای درخشان از این است که چگونه فناوریهای پیشرفته میتوانند به ما در فهم بهتر دنیای طبیعی و جایگاه خود در آن یاری رسانند.
