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

Der Klang der Stammbäume

Stellen Sie sich vor, Sie wandern durch einen riesigen, lauten Wald, in dem jedes Tier eine einzigartige Stimme hat. Einige zwitschern, manche brüllen und andere singen komplexe Lieder. Lange Zeit haben sich Wissenschaftler gefragt: Wenn man genau hinhört, kann man dann erkennen, wer mit wem verwandt ist, nur anhand dessen, wie sie klingen? Diese Frage liegt an der Schnittstelle zweier großer wissenschaftlicher Ideen. Die erste ist die Evolution, die Geschichte darüber, wie Arten sich verändern und über Millionen von Jahren aufspalten – wie Äste, die an einem riesigen Baum wachsen. Die zweite ist die Bioakustik, die Lehre von den Tierlauten.

Das große Rätsel ist, ob der „Stammbaum“ eines Tieres in seiner Stimme geschrieben steht. Wenn zwei Arten sehr ähnlich klingen, bedeutet das, dass sie enge Cousins sind? Oder könnten sie einfach nur Nachbarn sein, die gelernt haben, auf die gleiche Weise zu schreien? Um dies zu beantworten, nutzten Wissenschaftler früher einfache Werkzeuge, um Klänge zu messen, wobei sie auf grundlegende Merkmale wie die Tonhöhe oder die „Textur“ des Geräusches achteten. Doch in jüngster Zeit sind Computer viel intelligenter geworden. Wir verfügen nun über „Foundation Models“ – massive KI-Programme, die auf Millionen von Stunden menschlicher Sprache, Musik und Naturklängen trainiert wurden. Diese KIs können Schall auf eine sehr tiefe, komplexe Weise verstehen, fast wie ein menschlicher Zuhörer. Die große Frage, die diese Arbeit stellt, ist: Lernen diese superintelligenten Computer, die nie etwas über Tierfamilien gelernt haben, zufällig evolutionäre Beziehungen zu erkennen, indem sie einfach nur auf die Klänge hören?

---

Die Studie: Dem Stammbaum lauschen

In dieser Studie beschlossen Forscher zu testen, ob diese modernen KI-„Ohren“ die verborgene Geschichte von Tierfamilien hören können. Sie untersuchten zwei sehr unterschiedliche Gruppen von Tieren: 32 Arten von Meeressäugern (wie Wale, Delfine und Robben) und 20 Vogelarten.

Stellen Sie sich die KI-Modelle wie verschiedene Arten von Detektiven vor. Die Forscher gaben ihnen eine riesige Bibliothek von Aufnahmen und baten sie, zu messen, wie „ähnlich“ die Klänge verschiedener Arten waren. Sie verglichen diese Ähnlichkeitswerte der Klänge mit den tatsächlichen „Stammbaum-Distanzen“ (wie viele Millionen Jahre es her ist, dass zwei Arten einen gemeinsamen Vorfahren teilten).

Sie testeten vier verschiedene Wege der Analyse des Klangs:

1. Die alte Methode (MFCC): Dies ist wie die Verwendung eines einfachen Lineals, um den Klang zu messen. Es betrachtet einfache, handgemachte Merkmale.
2. Die allgemeine KI (AST & CLAP): Dies sind riesige, universell einsetzbare KI-Modelle, die auf allem trainiert wurden, von Automotoren bis hin zu Popsongs. Sie wurden überhaupt nicht über Tiere unterrichtet.
3. Die spezialisierte KI (BEATs-bio & BirdNET): Dies sind Modelle, die speziell auf Tierstimmen oder Vogelrufen trainiert wurden, in der Hoffnung, dass sie besser darin sind, Familienverbindungen zu erkennen.

Die große Überrasung: Die Generalisten gewannen

Die Ergebnisse waren ein kleiner Schock. Die „alte Methode“ (das einfache Lineal) fand kaum eine Verbindung zwischen der Art und Weise, wie Tiere klingen, und ihrer Verwandtschaft. Es war, als versuche man, ein Buch zu lesen, indem man nur die Farbe des Papiers betrachtet; es funktionierte einfach nicht.

Die allgemeinen KI-Modelle (diejenigen, die auf menschliche Musik und Sprache trainiert wurden) vollbrachten jedoch etwas Erstaunliches. Sie fanden ein starkes Signal. Als die Forscher sich die Wale und Delfine ansah, konnte die KI feststellen, dass Arten, die sich erst vor kurzem aufgespalten hatten, sich ähnlicher klangen, während jene, die sich vor langer Zeit aufspalteten, sehr unterschiedlich klangen. Tatsächlich war der Zusammenhang für die Walfamilie unglaublich stark.

Hier liegt die Wendung: Die spezialisierten KIs (diejenigen, die speziell auf Vögel oder Bioakustik trainiert wurden) waren nicht besser als die allgemeinen Modelle. Tatsächlich waren die allgemeinsprachlichen Modelle bei den Vögeln sogar etwas besser darin, den Stammbaum zu finden, als die Vogel-Experten-Modelle. Die Arbeit legt nahe, dass das Training eines Modells speziell auf Tiere die Fähigkeit verschlechtern kann, das große evolutionäre Bild zu sehen – vielleicht, weil es sich zu sehr auf winzige Details oder spezifische Artenbezeichnungen konzentriert, statt auf die tiefere Struktur des Klangs.

Was die KI tatsächlich hörte

Die Forscher wollten sicherstellen, dass die KI nicht einfach „schummelt“, indem sie einfache Dinge bemerkt, wie zum Beispiel: „Große Tiere haben tiefe Stimmen und kleine Tiere hohe Stimmen.“ Sie führten spezielle Tests durch, um zu prüfen, ob die KI nur auf die Tonhöhe achtete. Die Antwort lautete: Nein. Selbst als sie die Tonhöhe aus der Gleichung entfernten, fand die KI immer noch die Familienverbindungen.

Das bedeutet, dass die KI etwas viel Subtileres erfasst: den Stil des Rufes. Es ist wie die Art und Weise, wie man erkennen kann, dass ein Familienmitglied spricht, selbst wenn es flüstert oder schreit, weil man die Art und Weise versteht, wie es seine Worte formt, und nicht nur, wie laut es ist. Die KI lernte den „Akzent“ der Evolution.

Die Verwechslung: Wenn der Klang lügt

Die Studie fand auch einige kuriose Ausnahmen, die die Regel bestätigen.

• Die klangähnlichen Fremden: Der Bartrobbe und der Nordkaper sind Cousins, die sich vor 90 Millionen Jahren getrennt haben. Sie sollten völlig unterschiedlich klingen. Aber sie klingen fast identisch! Die KI bemerkte, dass sie gleich klingen, obwohl sie uralte Fremde sind. Dies liegt wahrscheinlich daran, dass beide in ähnlichen kalten Umgebungen leben und tiefe, grollende Laute erzeugen müssen, um sich im Wasser fortzubewegen.
• Die klangverschiedenen Cousins: Die Leoprobbe und die Weddellrobbe sind sehr enge Verwandte, die sich erst vor 10 Millionen Jahren getrennt haben. Man würde erwarten, dass sie ähnlich klingen. Aber sie klingen völlig unterschiedlich! Die eine erzeugt komplexe, musikalische Gesänge unter Wasser, während die andere tiefe Grollgeräusche macht.

Diese Beispiele zeigen, dass die Evolution zwar eine Spur im Klang hinterlässt, die Umwelt die Tiere aber manchmal dazu zwingen kann, ihre Stimmen so stark zu verändern, dass sie wie Fremde klingen oder sich so ähnlich sind, dass sie wie Familie wirken.

Das Fazate

Diese Arbeit zeigt uns, dass wir keine speziellen, nur auf Tiere ausgerichteten Computer brauchen, um die evolutionäre Geschichte der Stimmen von Tieren zu verstehen. Die allgemeinen KI-Modelle, die auf die Klänge unserer menschlichen Welt trainiert wurden, sind bereits unglaublich gut darin, den im Tierruf verborgenen „Stammbaum“ zu hören. Sie sind besser als die alten, einfachen Werkzeuge und überraschenderweise sogar besser als die Modelle, die speziell für Tiere entwickelt wurden.

Die Forscher schlagen vor, dass das Geheimnis nicht darin liegt, die KI auf Tiere zu trainieren, sondern in der Art und Weise, wie diese allgemeinen Modelle aufgebaut sind, um komplexe Klangmuster zu verstehen. Sie schlagen vor, dass zukünftige Experimente testen sollten, ob dies an der Struktur des „KI-Gehirns“, der Art des Lernens oder der riesigen Vielfalt der Klänge liegt, mit denen sie trainiert wurden. Aber für den Moment ist die Botschaft klar: Wenn Sie wollen, dass jemand der Geschichte des Lebens in einem Klang lauscht, müssen Sie vielleicht einfach nur eine allgemeine KI bitten, für Sie zuzuhören.