🤖 machine learning

Phylogenetic signal in marine mammal and bird vocalizations captured by audio foundation models: the limited benefit of domain-specific pretraining

تُظهر هذه الدراسة أن النماذج التأسيسية الصوتية مسبقة التدريب وعامة الأغراض تُشفّر بطبيعتها علاقات تطورية عميقة في أصوات الثدييات البحرية والطيور، متفوقةً بذلك على الميزات المصممة يدويًا والنماذج المتخصصة في مجال معين دون الحاجة إلى تدريب مسبق خاص بكل نوع.

المؤلفون الأصليون: Víctor Rincón Yepes

نُشر 2026-07-27

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Víctor Rincón Yepes

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

صدى أشجار العائلات

تخيل أنك تسير في غابة عملاقة وصاخبة حيث يمتلك كل حيوان صوتاً فريداً. البعض يزقزق، والبعض يزأر، والبعض الآخر يغني أغانٍ معقدة. لفترة طويلة، تساءل العلماء: إذا استمعت بتمعن، هل يمكنك معرفة من هو قريب من الآخر بمجرد الاستماع إلى أصواتهم؟ هذا السؤال يقع عند نقطة التقاء فكرتين كبيرتين في العلم. الأولى هي التطور، وهو قصة كيفية تغير الأنواع وانفصالها عبر ملايين السنين، مثل الأغصان التي تنمو على شجرة عملاقة. والثانية هي الصوتيات الحيوية (Bioacoustics)، وهي دراسة أصوات الحيوانات.

الغموض الكبير هو ما إذا كانت "شجرة العائلة" للحيوان مكتوبة في صوته. إذا كان نوعان يتشابهان جداً في الصوت، فهل يعني ذلك أنهما أقارب مقربون؟ أم يمكن أن يكونا مجرد جيران تعلما الصراخ بنفس الطريقة؟ للإجابة على ذلك، استخدم العلماء قديماً أدوات بسيطة لقياس الأصوات، بالنظر إلى ميزات أساسية مثل طبقة الصوت أو "نسيج" الضجيج. ولكن مؤخراً، أصبحت أجهزة الكمبيوتر أكثر ذكاءً بكثير. لدينا الآن "نماذج تأسيسية" (Foundation Models) — وهي برامج ذكاء اصطناعي ضخمة تم تدريبها على ملايين الساعات من الكلام البشري، والموسيقى، وأصوات الطبيعة. يمكن لهذه البرامج فهم الصوت بطريقة عميقة ومعقدة للغاية، تماماً مثل المستمع البشري. والسؤال الكبير الذي يطرحه هذا البحث هو: هل تعلمت هذه الحواسيب فائقة الذكاء، التي لم تُدرّس أبداً عن عائلات الحيوانات، التعرف على العلاقات التطورية عن طريق الصدفة بمجرد الاستماع إلى الأصوات؟

الدراسة: الاستماع إلى شجرة العائلة

في هذه الدراسة، قرر الباحثون اختبار ما إذا كانت "آذان" الذكاء الاصطناعي الحديثة هذه يمكنها سماع التاريخ الخفي لعائلات الحيوانات. لقد نظروا في مجموعتين مختلفتين تماماً من الحيوانات: 32 نوعاً من الثدييات البحرية (مثل الحيتان والدلافين والفقمات) و 20 نوعاً من الطيور.

فكر في نماذج الذكاء الاصطناعي كأنواع مختلفة من المحققين. أعطاهم الباحثون مكتبة ضخمة من التسجيلات وطلبوا منهم قياس مدى "تشابه" أصوات الأنواع المختلفة. وقارنوا درجات تشابه الأصوات هذه مقابل "مسافات شجرة العائلة" الفعلية (أي منذ كم مليون سنة تشارك نوعان في سلف مشترك).

لقد اختبروا أربع طرق مختلفة لتحليل الصوت:

الطريقة القديمة (MFCC): تشبه استخدام مسطرة بسيطة لقياس الصوت؛ فهي تنظر إلى ميزات بسيطة ومصنوعة يدوياً.
الذكاء الاصطناعي العام (AST & CLAP): هذه نماذج ذكاء اصطناعي ضخمة وعامة الغرض، تم تدريبها على كل شيء من محركات السيارات إلى أغاني البوب. لم تُدرّس عن الحيوانات على الإطلاق.
الذكاء الاصطناعي المتخصص (BEATs-bio & BirdNET): هذه نماذح تم تدريبها خصيصاً على أصوات الحيوانات أو نداءات الطيور، على أمل أن تكون أفضل في رصد الروابط العائلية.

المفاجأة الكبرى: المنتصرون هم "العامّون"

كانت النتائج صادمة نوعاً ما. "الطريقة القديمة" (المسطرة البسيطة) بالكاد وجدت أي صلة بين كيفية صدور أصوات الحيوانات وكيفية ارتباطها ببعضها البعض. كان الأمر يشبه محاولة قراءة كتاب من خلال النظر إلى لون الورق؛ ببساطة لم يفلح الأمر.

ومع ذلك، فإن نماذج الذكاء الاصطناعي العامة (تلك المدربة على الموسيقى والكلام البشري) فعلت شيئاً مذهلاً. لقد وجدت إشارة قوية. عندما نظر الباحثون إلى الحيتان والدلافين، استطاع الذكاء الاصطناعي أن يدرك أن الأنواع التي انفصلت حديثاً تبدو متشابهة أكثر، وتلك التي انفصلت منذ زمن طويل تبدو مختلفة تماماً. في الواقع، بالنسبة لعائلة الحيتان، كان الارتباط قوياً بشكل لا يصدق.

وهنا تكمن المفارقة: نماذج الذكاء الاصطناعي المتخصصة (التي تدربت خصيصاً على الطيور أو الصوتيات الحيوية) لم تكن أفضل من النماذج العامة. في الواقع، بالنسبة للطيور، كانت النماذج عامة الغرض أفضل قليلاً في إيجاد شجرة العائلة من النماذج الخبيرة بالطيور. يشير البحث إلى أن تدريب النموذج خصيصاً على الحيوانات قد يجعله في الواقع أسوأ في رؤية الصورة التطورية الكبيرة، ربما لأنه يصبح شديد التركيز على التفاصيل الصغيرة أو تسميات الأنواع المحددة بدلاً من البنية العميقة للصوت.

ما سمعه الذكاء الاصطناعي بالفعل

أراد الباحثون التأكد من أن الذكاء الاصطناعي لا يغش عبر ملاحظة أشياء بسيطة، مثل "الحيوانات الكبيرة لها أصوات منخفضة والحيوانات الصغيرة لها أصوات عالية". لقد أجروا اختبارات خاصة لمعرفة ما إذا كان الذكاء الاصطناعي يستمع فقط إلى طبقة الصوت (Pitch). وكانت الإجابة هي لا. حتى عندما أزالوا طبقة الصوت من المعادلة، ظل الذكاء الاصطناعي يجد الروابط العائلية.

هذا يعني أن الذكاء الاصطناعي يلتقط شيئاً أكثر دقة وتخفياً: أسلوب (Style) النداء. إنه يشبه كيف يمكنك معرفة أن أحد أفراد عائلتك يتحدث حتى لو كان يهمس أو يصرخ، وذلك بسبب كيفية تشكيله لكلماته، وليس فقط مدى علو صوته. لقد تعلم الذكاء الاصطناعي "لهجة" التطور.

الخلط: عندما يكذب الصوت

وجدت الدراسة أيضاً بعض الاستثناءات المضحكة التي تثبت القاعدة.

الغرباء المتشابهون في الصوت: فقمة اللحية والحوت الأحدب الشمالي هما من أقارب انفصلوا منذ 90 مليون سنة. من المفترض أن يبدو صوتهما مختلفاً تماماً. لكنهما يبدوان متطابقين تقريباً! لاحظ الذكاء الاصطناعي أنهما متشابهان في الصوت، رغم أنهما غريبان قديمان. ومن المرجح أن ذلك يعود لعيشهما في بيئات باردة متشابهة وحاجتهما لإصدار أصوات منخفضة وهادرة للانتقال عبر الماء.
الأقارب المختلفون في الصوت: فقمة النمر وفقمة ويدل هما من أقارب قريبين جداً، حيث انفصلا قبل 10 ملايين سنة فقط. كنت تتوقع أن يبدو صوتهما متشابهاً، لكنهما مختلفان تماماً! أحدهما يصدر أغانٍ مائية معقدة وموسيقية، بينما يصدر الآخر زمجرات منخفضة.

تظهر هذه الأمثلة أنه بينما يترك التطور بصمة في الصوت، يمكن للبيئة أحياناً أن تجبر الحيوانات على تغيير أصواتها لدرجة تجعلها تبدو كغرباء، أو متشابهة جداً لدرجة تجعلها تبدو كعائلة واحدة.

الخلاصة

يخبرنا هذا البحث أننا لسنا بحاجة لبناء حواسيب خاصة بالحيوانات فقط لفهم التاريخ التطوري لأصوات الحيوانات. فنماذج الذكاء الاصطناعي عامة الغرض، المدربة على أصوات عالمنا البشري، بارعة بالفعل في سماع "شجرة العائلة" المخفية في نداءات الحيوانات. إنها أفضل من الأدوات القديمة والبسيطة، ومن المثير للدهشة أنها حتى أفضل من النماذج المصممة خصيصاً للحيوانات.

يقترح الباحثون أن السر لا يكمن في تدريب الذكاء الاصطناعي على الحيوانات، بل في الطريقة التي بنيت بها هذه النماذج العامة لفهم الأنماط المعقدة للصوت. وهم يقترحون أن الاختبارات المستقبلية يجب أن تتحقق مما إذا كان هذا بسبب بنية دماغ الذكاء الاصطناعي، أو طريقة تعلمه، أو التنوع الهائل للأصوات التي تدرب عليها. ولكن في الوقت الحالي، الرسالة واضحة: إذا كنت تريد الاستماع إلى تاريخ الحياة في صوت ما، فقد تحتاج فقط إلى طلب من ذكاء اصطناعي عام أن يستمع نيابة عنك.

ملخص تقني: الإشارة الفيلوجينية في أصوات الثدييات البحرية والطيور الملتقطة بواسطة النماذج الصوتية التأسيسية

بيان المشكلة
ثمة سؤال جوهري في علم الصوتيات الحيوية المقارن وهو ما إذا كان التشابه الصوتي بين الأنواع يعكس تاريخهم التطوري (الإشارة الفيلوجينية/النسبية). وبينما كشفت الدراسات السابقة التي استخدمت ميزات طيفية مصممة يدويًا (مثل معاملات كيبسترال لتردد ميل - MFCCs، والاعتلاج الطيفي) عن إشارات فيلوجينية متواضระ، في الطيور والضفادع والأسماك، فإنه لا يزال من غير المعروف ما إذا كانت النماذج التأسيسية الصوتية سابقة التدريب واسعة النطاق — والتي تشفر تمثيلات صوتية غنية وعالية الأبعاد — يمكنها استعادة بنية فيلوجينية أقوى. علاوة على ذلك، ليس من الواضح ما إذا كان التدريب المسبق المتخصص في مجال معين (على سبيل المثال، النماذج المدربة خصيصًا على الصوتيات الحيوية أو أنواع الطيور) ضروريًا لاستعادة هذه الإشارة مقارنة بالنماذج الصوتية العامة.

المنهجية
تستخدم الدراسة اختبارات مانتل (Mantel tests) لربط مصفوفات المسافات الصوتية بمصفوفات المسافات الفيلوجينية عبر شعاعين تطوريين مستقلين: الثدييات البحرية والطيور.

مجموعات البيانات:
- الثدييات البحرية: 1,754 تسجيلًا عبر 32 نوعًا (الحيتانيات وذوات الزعانف) من قاعدة بيانات واتكينز لأصوات الثدييات البحرية. تم اشتقاق المسافات الفيلوجينية من أوقات التباعد المنشورة (2-90 مليون سنة).
- الطيور: 607 تسجيلًا عبر 20 نوعًا من سبعة رتب، تم الحصول عليها من موقع xeno-canto. استندت المسافات الفيلوجينية إلى شجرة النسب الموقوتة لـ Jetz et al. (2012).
التمثيلات الصوتية: تم تقييم أربعة تمثيلات:
1. الأساس (MFCC Baseline): ميزات مصممة يدويًا (105 بُعدًا) تشمل MFCCs، وChroma، والإحصاءات الطيفية.
2. AST (محول المخطط الطيفي الصوتي): محول عام الغرض (768 بُعدًا) مدرب على وسوم أحداث AudioSet.
3. CLAP (التدريب المسبق للتباين بين اللغة والصوت): نموذج عام الغرض (512 بُعدًا) مدرب على أزواج الصوت والنص عبر التعلم التبايني.
4. BEATs-bio: مشفر متخصص في الصوتيات الحيوية (768 بُعدًا) تم ضبطه بدقة على مجموعة ضخمة من البيانات الصوتية الحيوية.
5. BirdNET: مصنف متخصص في الطيور (1,024 بُعدًا) مدرب للتمييز بين حوالي 6,000 نوع من الطيور (تم تقييمه على الطيور فقط).
التحليل:
- تم حساب المسافات الصوتية كمسافات جيب التمام (cosine distances) بين مراكز الأنواع المعيرة بـ L2.
- استخدمت اختبارات مانتل (9,999 عملية تبديل) لتقييم الارتباط بين المسافات الصوتية والمسافات الفيلوجينية.
- الضوابط:
  - الأبعاد: تم إسقاط التضمينات إلى فضاء MFCC المكون من 105 بُعدًا عبر تحليل المكونات الرئيسية (PCA) لاستبعاد البعد كعامل مربك.
  - التردد المهيمن: تحكمت اختبارات مانتل الجزئية في مسافات التردد المهيمن.
  - التقسيم التصنيفي: أُعيدت التحليلات داخل رتبة الحيتانيات (26 نوعًا) لعزل البنية الفيلوجينية دقيقة النطاق عن الانقسام العميق بين الحيتانيات وذوات الزعانف.
- المقارنة الإحصائية: استُخدمت فترات الثقة لتمهيد Bootstrap للمقارنة بين أداء النماذج ( $\Delta r$ ).

النتائج الرئيسية

النماذج التأسيسية مقابل MFCC: استعادت النماذج التأسيسية عامة الغرض (AST, CLAP, BEATs-bio) إشارة فيلوجينية معتبرة باستمرار، بينما لم تظهر ميزات MFCC المصممة يدويًا أي ارتباط معتبر في مجموعة الثدييات البحرية الكاملة ( $r = 0.040, p = 0.338$ $r = 0.040, p = 0.338$ ).
- في الثدييات البحرية، حققت النماذج التأسيسية $r \approx 0.40$ ( $p < 0.001$ ).
- في الطيور، حققت النماذج التأسيسية $r \approx 0.52–0.55$ ( $p < 0.001$ ).
التدريب المسبق المتخصص في المجال: خلافًا للفرضية القائلة بأن التدريب المتخصص يحسن استعادة الإشارة، لم تتفوق النماذج المتخصصة في المجال على النماذج عامة الغرض.
- في الطيور، كان أداء BirdNET ( $r = 0.361$ ) و BEATs-bio ( $r = 0.318$ ) أسوأ من أداء AST ( $r = 0.549$ ) و CLAP ( $r = 0.521$ ) عامة الغرض، رغم أن الاختلافات لم تكن ذات دلالة إحصائية.
- تفوقت جميع النماذج التأسيسية بشكل ملحوظ على MFCC، ولكن لم يختلف أي نموذجين من النماذج التأسيسية عن بعضهما البعض بشكل معتبر.
خصائص الإشارة:
- داخل رتبة الحيتانيات: كانت الإشارة قوية للغاية داخل رتبة الحيتانيات ( $r \approx 0.74–0.82$ )، مما يشير إلى أن النماذج تلتقط البنية التطورية دقيقة التفاصيل.
- الاستقلال عن التردد: استمر الارتباط بعد التحكم في التردد المهيمن (مع الاحتفاظ بـ 97% من $R^2$ في الثدييات البحرية)، مما يشير إلى أن الإشارة ليست مجرد وسيط لحجم الجسم أو طبقة الصوت.
- الأبعاد: ظلت ميزة النماذج التأسيسية على MFCC قائمة حتى بعد إسقاط التضمينات إلى نفس الأبعاد، مما يؤكد أن الفائدة ليست ناتجة عن ارتفاع الأبعاد.
التقارب والتباعد: حددت النماذج بشكل صحيح حالات التقارب الصوتي الشديد (مثل فقمة اللحية والحوت الأحدب الشمالي، تباعد 90 مليون سنة، مسافة صوتية منخفضة) والتباعد (مثل فقمة النمر وفقمة ويدل، تباعد 10 ملايين سنة، مسافة صوتية عالية)، مما يوضح كيف يمكن للضغوط البيئية أن تفصل التشابه الصوتي عن الفيلوجينيا.

الأهمية والادعاءات
يزعم البحث أن النماذج التأسيسية الصوتية سابقة التدريب تشفر المعلومات التطورية عبر أشعة مستقلة، حيث تلتقط الخصائص الهيكلية للأصوات (مثل بنية النداء والتعديل الزمني) التي تفتقدها الميزات المصممة يدويًا.

ومن الأهمية بمكان أن المؤلفين خلصوا إلى أن التدريب المسبق المتخصص في المجال ليس ضروريًا ولا كافيًا لاستعادة إشارة فيلوجينية قوية. فالنماذج عامة الغرض المدربة على أصوات متنوعة وغير بيولوجية (AudioSet، وأزواج الصوت والنص من الويب) قدمت أداءً يضاهي، بل وتفوق في حالة الطيور، النماذج المتخصصة في الصوتيات الحيوية أو تصنيف الطيور.

ويفترض المؤلفون أن عدم تحسن النماذج المتخصصة في المجال قد يعود إلى:

أهداف التدريب: قد يؤدي تصنيف الأنواع الخاضع للإشراف (كما في BirdNET) إلى انهيار التشابه المتدرج المطلوب للتحليل الفيلوجيني.
البنية: قد تلتقط المحولات (Transformers) الهياكل الزمنية-الطيفية طويلة المدى بشكل أفضل من الشبكات العصبية التلافيفية (CNNs) مثل BirdNET.
اتساع البيانات: قد تفتقر مجموعات البيانات المتخصصة والضيقة إلى الثراء التمثيلي الموجود في مجموعات البيانات الصوتية الواسعة والعامة.

يصرح المؤلفون صراحةً بأنهم لا يستطيعون الفصل بين هذه العوامل باستخدام النماذج الحالية، ويقترحون تجربة ضبط دقيق محكومة (أخذ مشفر عام وضبطه بدقة على تصنيف الأنواع) كخطوة تالية ضرورية لعزل السبب. الخلاصة العملية هي أنه بالنسبة للصوتيات الحيوية المقارنة، فإن التضمينات الصوتية عامة الغرض هي أداة قوية، وأن وصف "متخصص في المجال" لا يمنح تلقائيًا ميزة للتحليل الفيلوجيني.