Quantifying Avian Morphological Evolution through Deep Representation Learning
本文介绍了一种可扩展的、无地标的深度学习框架，该框架从一万多种鸟类物种中提取高维视觉特征，以重建系统发育关系和生态特征，揭示了在白垩纪-古近纪（K-Pg）大灭绝之后，形态差异呈现出显著的“早期爆发”模式。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
想象一下，试图理解一辆汽车在100年间是如何变化的。你可以用尺子测量引擎、轮子大小和引擎盖的形状。这很容易，因为汽车是由坚硬、刚性的部件组成的。但如果你想研究一只鸟的羽毛、它蓬松的胸部，或者它持有翅膀的方式是如何变化的呢？你无法把尺子放在羽毛的质地或鸟儿色彩斑斓的图案上，因为它们会移动或改变。长期以来，研究进化的科学家不得不依赖“地标”——即骨骼上可以手工测量的特定点。这就像是仅通过测量云朵的边缘来绘制云图。这种方法速度缓慢，需要人类去猜测尺子应该放哪里，并且完全忽略了动物身上那些往往对生存至关重要的柔软、多肉且色彩斑斓的部分。
现在，想象一种不再使用尺子的新型侦探。相反，它使用一个被称为“深度学习”的超级大脑。这项技术就像一个看过数百万张图片、学会了如何在没有人告诉它要寻找什么的情况下识别事物之间细微差异的学生。科学家一直利用这项技术来识别面孔或猫，但一项新的研究提出了疑问：这个数字大脑也能理解动物是如何进化的吗？核心问题在于，计算机能否观察一张鸟的照片，忽略背景，并弄清楚它的“体型方案”（body plan）——即它的形状、颜色和纹理——并利用这一点来判断不同物种之间的亲缘关系，而无需预先知道它们的家族树。如果成功，它将彻底改变我们理解地球生命史的方式，将模糊、主观的猜测转变为清晰、数学化的地图。
数字观鸟者
在这项研究中，研究员孙娇（Jiao Sun）决定教计算机成为一名终极观鸟者。她没有测量骨骼，而是给计算机喂养了一个包含超过480万张鸟类照片的海量图书馆，涵盖了1而不是10,000多种不同的物种。目标不仅仅是说出“那是一只知更鸟”，而是要理解每一只鸟的“视觉本质”。
计算机使用了一种特定类型的人工智能，称为卷积神经网络（CNN），它就像一只通过观察模式来学习的数字眼睛。研究人员训练这只眼睛去识别图书馆中的每一个鸟类物种。一旦计算机变得足够“聪明”，能够分辨出麻雀和鹰，研究人员就不会只看最终答案。相反，他们会窥视计算机的大脑内部，查看“特征向量”——即计算机用来描述每只鸟的复杂、高维数字。你可以把这些数字想象成每只鸟形状、颜色和纹理的独特、无形的指纹。
绘制隐形森林
神奇的部分在这里：研究人员将这些数字指纹绘制在一张巨大的、隐形的地图上。他们没有告诉计算机什么是“科”或“目”，只是让计算机根据它们的数字指纹看起来有多相似来进行分类。
结果令人震惊。尽管计算机从未被教授过鸟类分类学的规则（科学名称和家族树），但它自然而然地将鸟类归类为与现实世界几乎完美匹配的科和目。就好像计算机看了一张企鹅的照片和一张信天翁的照片，然后意识到：“嘿，在我看来，这两者比它们与鸭子的相似度更高，”并将它们归为一类。
研究发现，这种数字地图可以捕捉到传统尺子无法捕捉到的东西。它成功地将那些因为生活环境相似而看起来相似的鸟类归为一类，即使它们并没有近亲关系。例如，它将猫头鹰和夜鹰等夜行性鸟类归在一起，因为它们都有大眼睛和用于夜间狩猎的伪装羽毛。它还将看起来像鸡或鹌鹑的鸟类归在一起，即使它们来自不同的科，因为它们都具有那种相同的“地面栖息”体型。计算机发现，进化经常导致不同的动物在面临相同挑战时看起来相似——这是一个被称为“趋同进化”的概念。
鸟类多样性的“早期爆发”
研究人员随后利用这张新地图回顾过去。他们想看看在导致恐龙灭绝的大规模灭绝事件（约6600万年前的K-Pg灭绝事件）之后，鸟类的形状是如何变化的。
利用一种特殊的数学技巧，将他们的地图视为一个弯曲的表面（球体）而非平面纸张，他们模拟了鸟类形状可能如何演化。他们发现了一个清晰的“早期爆发”模式。这意味着，就在恐龙消失并留下大量空白空间的时期，鸟类并不仅仅是缓慢变化。它们以新的形状和尺寸迅速爆发。
数据表明，在一段相对较短的地质窗口期内，鸟类占据了它们今天所占“形状空间”的约50%。这就像是一个原本空荡荡的房间，突然涌入了大群人，每个人都穿着不同的服装和风格填满了每一个角落，然后在接下来的几百万年里，房间里才慢慢增加了一些人。这支持了这样一个观点：当自然界清空棋盘时，生命会迅速涌入以填补空白的生态位。
为什么这很重要
这项研究意义重大，因为它证明了我们不再需要成为解剖学专家来测量进化。我们可以直接使用照片。计算机学会了观察鸟类的“体型方案”——即整体形状和结构——而不是仅仅被羽毛的纹理所吸引。这是对旧思维方式的转变，旧方式假设计算机只关心纹理。
研究人员展示了这种方法极其强大。它可以处理那些无法用尺子测量的柔软、多肉且色彩斑斓的特征。它表明，生命的历程写在照片的像素之中，只要有正确的数字工具，我们就能比以往任何时候都更快、更准确地阅读这段历史。虽然计算机的地图并不完美——它有时会将看起来相似但并无亲缘关系的鸟类归为一类，或者遗漏一些新发现的物种——但它提供了一种量化生物多样性的美感与复杂性的可扩展的新方法。它将描述动物的这种杂乱、主观的艺术，转变为一门精确的数学科学。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。