点击上方蓝字「羽飞智能」关注我们
AI洞察 · 第17期｜2026年10月4日
几头大象同时发出低鸣，有的声音甚至低到人耳听不见。这样的录音，过去很难拆开分析。现在，研究人员试着把整段声音交给机器学习：只听这场“群聊”，能不能知道象群正在做什么？
10月1日，非营利研究机构Earth Species Project介绍了一项与ElephantVoices等机构合作的研究。模型能从重叠的象鸣中，辨别重聚、联络等行为场景，表现高于随机猜测。相关论文发表于《Scientific Reports》。
这离给大象配上中文字幕还有距离，却已经让一个常见的问题变得具体：AI究竟能从动物的声音里听出多少信息？从大象到抹香鲸，几项研究给出的答案，比一款“动物翻译器”更值得细看。
几头象同时开口，里面有线索
这里的“群聊”只是便于理解的比喻，指多头大象重叠发出的低鸣。它没有文字消息，也没有谁在发朋友圈。研究关注的是声音与真实行为之间的关系。
这项研究使用的录音来自肯尼亚安博塞利，跨越1986年至2022年。研究者分析了903次成年雌象的低鸣，并把声音与长期野外观察对应起来。哪些象在附近、当时正在做什么，这些背景让录音有了可供核对的线索。
研究中的六类场景，涵盖分散后的联络、发起集体移动、照顾幼崽以及不同形式的问候等。同样是低沉的象鸣，发生的场景并不相同。研究者尝试直接分析重叠的声音，而不必先把每头象的声音都分离出来。
安博塞利象群资料照片。图片：ElephantVoices，经Earth Species Project研究介绍刊载。
这件事有趣的地方在于，叠在一起的声音也能提供信息。日常录音里常被当成干扰的重叠，在动物交流中可能恰好是值得研究的部分。几头象何时加入、怎样回应，与一声孤立的叫声是不同的问题。
团队还观察到，部分情境中的低鸣会随着互动推进，在声学特征上变得更相似。不过，这种趋同是否参与了行动协调，仍需进一步实验，不能直接写成“大象正在投票决定去哪儿”。
知道“正在问候”，还没得到一句翻译
假设有人在门外听一群人说一种陌生语言。他也许能通过语气和轮流说话的方式，判断屋内是在庆祝、争执还是商量事情；但要写下每个人说了什么，显然还缺很多信息。这个比喻可以帮助理解“识别场景”和“翻译内容”的区别。
同样，模型把一段象鸣分到“问候”这一类，输出的是研究者定义的行为标签。它没有给出一句经动物验证的中文，也没有证明大象的交流单位能与人类的词语逐一对应。
如果将“辨别问候场景”写成“AI翻译出大象说好久不见”，读起来很生动，却悄悄多添了一层证据里没有的内容。读者记住的往往是后面那句话，真实进展反而被掩盖了。
论文也检查了跨个体、跨家庭的表现。一些测试的准确率有所下降，虽然仍高于随机基线；分类器还会混淆某些场景。这样的结果提醒人们，“找到有效线索”与“已经判断得很准”之间，仍有很大空间。
被“叫到名字”的大象，真的会回应
动物交流研究并不只有计算机里的分类结果。一个更容易想象的例子，来自2024年的另一项大象研究。科罗拉多州立大学及合作团队用机器学习分析叫声，寻找与接收者身份有关的线索。
关键的一步是播放实验：当研究者播放原本叫给某头象的录音时，它会更积极地回应或接近扬声器；换成叫给其他象的录音，反应较弱。团队据此提出，大象会使用类似名字的叫声称呼彼此。
“类似名字”保留了必要的分寸。当时的研究并没有逐个提取出一套可以随意使用的“象名词典”，研究者也表示，仍需要更多数据去分离叫声中的名字成分。此处回看这项旧研究，是为了说明验证方法，并非把它当成这周的新发现。
它给人的启发很直观：电脑发现某种规律之后，还要回到动物那里，看这个规律是否与它们的反应有关。模型可以提出线索，动物的行为提供另一种检验。
鲸的“字母表”，也没有直接变成词典
海里也有类似的故事。MIT与Project CETI在2024年介绍的抹香鲸研究，发现短促点击声序列中存在复杂的组合结构。节奏、速度，以及细微的时长变化等，可以形成不同的声音模式。研究者将其称为一种“语音字母表”。
这个说法很容易让人联想到翻译软件，但该项研究揭示的是声音如何组合、怎样随交流情境变化。MIT当时的介绍也把理解这些交流的含义列为后续研究方向。能分辨声音的组成，与知道整段话的意思，仍是两层工作。
2024年抹香鲸研究资料照片。摄影：Amanda Cotton；来源：MIT News。
这有点像第一次发现一串看似随意的符号有重复的组合：符号之间出现了秩序，接下来才有条件追问它们的作用。这样的发现本身已经很迷人，无需提前替鲸写好台词。
而且，人类习惯用“字母”“名字”“聊天”来理解其他物种。比喻能帮人走近研究，也可能把人类语言的结构一并套过去。更稳妥的读法，是同时看清比喻背后究竟测量了什么。
回答更流畅，不代表更懂动物
9月30日，Earth Species Project还刊出了一篇研究者访谈，讨论一个颇有反差的现象：同样是让NatureLM-audio识别录音里的物种，换一种提问方式，模型的表现就可能明显变化。相关工作曾在2025年的学术研讨会上报告。
团队尝试把它与原来的语言模型进行合并，以改善指令遵循，同时保留处理动物声音的能力。这里提升的是研究工具回答问题、按要求给出结果的能力。它不能被理解成模型突然学会了更多“动物台词”。
这一点放在普通人的体验里也很好理解：一段回答写得顺、解释得像模像样，容易让人相信它已经弄懂声音背后的意思。可界面里的语言表达，与录音里究竟存在什么证据，需要分别判断。
编辑示意：不同研究问题所需要的证据不同。这不是产品功能表，也不表示所有动物研究都按同一路径推进。
辨认“谁在叫”，需要核对物种或个体；判断“在做什么”，需要声音与行为的对应；解释“表达了什么”，还要检验动物是否以相应方式理解和回应。把这几层分开，许多看起来矛盾的AI新闻就更容易读懂。
最先改变的，可能是人类怎么观察
即使没有即时翻译，声音研究也有实际价值。大象研究团队提出，未来若能从被动录音中推断行为场景，或许可以帮助了解栖息地与移动通道的使用情况。这里谈的是保护工作的潜在用途，还不能据此宣称系统已经能准确指挥野生象群。
从编辑观察看，这类技术值得关注的一点，是让观察变得更细。过去的一段录音，可能只留下“附近有象”的记录；研究继续推进后，人们有机会提出更具体、也更需要验证的问题：不同场景是否有稳定的声音线索，群体互动如何随着时间变化？
它也提醒我们，很多AI成果背后都有不显眼的长期工作。录音、现场记录、个体识别和实验设计，让机器找到的模式有机会与真实世界相连。没有这层联系，再漂亮的模型输出，也很难知道应该相信到什么程度。
给动物配一句人类台词很容易。耐心弄清它们自己的交流方式，要走更长的路。大象的低鸣、鲸的点击声里，已经出现了一些可检验的线索；那些还没有答案的部分，也正是这个话题最吸引人的地方。
资料：Earth Species Project（2026年10月1日、9月30日）、Scientific Reports相关论文；科罗拉多州立大学、MIT News（两项2024年研究回顾）。本文为公开研究解读，未进行动物实验或产品实测。
