Допустим, собака подходит к вам, смотрит в глаза и говорит:
— Гав.
Раньше существовало несколько вариантов перевода.
«Есть хочу».
«Гулять хочу».
«За дверью кто-то есть».
«Мне скучно».
«Ты вообще собираешься когда-нибудь отложить телефон?»
Окончательную версию выбирал хозяин исходя из собственного опыта, выражения собачьей морды и того факта, что миска действительно пуста.
Теперь в этот семейный диалог решил вмешаться искусственный интеллект.
Китайская компания из Шэньчжэня предлагает умный ошейник A37, который позиционируется буквально как устройство для AI-перевода между человеком и питомцем.
В рекламных характеристиках всё выглядит почти как научная фантастика.
Ошейник подключён к 4G.
Распознаёт больше двадцати эмоций и намерений.
Производитель заявляет точность не ниже 90%.
Причём перевод обещан в обе стороны.
То есть мы уже почти добрались до момента, когда собака сообщает:
— Мне тревожно из-за экзистенциальной неопределённости.
А хозяин отвечает через приложение:
— Понимаю. Но диван всё равно не грызи.
Только есть небольшая проблема.
Наука пока совершенно не уверена, что у собаки вообще существует нечто, что можно переводить таким способом.
Собака действительно передаёт информацию голосом
Начнём с хорошей новости.
Лай — это не случайный шум.
В нём действительно содержится информация.
По звуку можно определить конкретное животное. Иногда — примерный контекст ситуации. Разные типы вокализации отличаются по высоте, длительности, ритму и другим акустическим характеристикам.
Люди тоже способны кое-что понять.
Ещё двадцать лет назад в экспериментах участники различали лай собаки в разных ситуациях заметно лучше случайного угадывания.
Грозный незнакомец у забора звучит иначе, чем игра с хозяином.
Одиночество — иначе, чем возбуждение.
Рычание тоже меняется в зависимости от ситуации.
То есть фраза «ИИ анализирует собачью речь» сама по себе не является мошенничеством.
А дальше начинается проблема со словом «речь».
Классификация — ещё не перевод
Представим очень простой эксперимент.
Мы записали тысячу собачьих звуков.
При этом точно знаем, в какой ситуации они появились.
Вот эти собаки лаяли на незнакомца.
Эти играли.
Эти нервничали.
Эти встречали хозяина.
Затем показываем записи нейросети.
Через некоторое время она начинает определять:
«Этот звук больше похож на записи, сделанные при появлении незнакомца».
Это вполне настоящий искусственный интеллект.
Он нашёл закономерность в звуке.
Но совершенно необязательно, что собака произнесла:
«На территории находится незнакомый человек».
Она вообще ничего подобного могла не «произносить».
ИИ распознал контекст, а не предложение.
Разница довольно принципиальная.
Если человек кашляет и медицинская система определяет по звуку вероятность инфекции, мы ведь не говорим:
«Компьютер перевёл кашель с человеческого».
Хотя с собаками именно такая магия формулировки внезапно начинает продавать ошейники.
Причём нейросети действительно становятся довольно хороши
Несколько лет назад исследователи из Мичиганского университета решили использовать для собачьего лая технологии, которые первоначально создавались для человеческой речи.
Они взяли Wav2Vec2 — модель, умеющую извлекать структуру из аудио и обучавшуюся на сотнях часов человеческой речи.
Потом дообучили её на звуках собак.
И произошло интересное.
Модель, изначально ничего не знавшая про собак, оказалась полезнее системы, которую обучали только на собачьих записях.
Она научилась различать отдельных животных.
Пыталась определять породу.
Пол.
И контекст вокализации.
Это важный результат.
Получается, в человеческом голосе и собачьем лае существуют достаточно общие акустические закономерности, чтобы технология, созданная для одного вида, помогла анализировать другой.
Почти как если бы программа, выучившая французский, неожиданно обнаружила, что некоторые её навыки пригодились для расшифровки дельфинов.
Но если посмотреть на цифры, фантастический переводчик внезапно становится намного скромнее.
До 90 процентов там довольно далеко
В исследовании использовались записи 74 собак.
Всего получилось почти 17 тысяч звуковых фрагментов.
Набор включал лай, рычание, визг и другие вокализации в разных ситуациях.
Для задачи определения контекста исследователи взяли четыре наиболее представленные категории.
Например:
очень агрессивный лай на незнакомца;
обычный лай на незнакомца;
негативное рычание;
негативный визг.
Лучшая модель показала точность примерно 62 процента.
При этом примитивная стратегия «всегда выбирай самый частый вариант» уже давала около 56 процентов.
То есть улучшение настоящее.
Но это совсем не:
— Гав-гав-гав.
— Перевод: «Сергей Александрович, я считаю несправедливым сокращение вечерней прогулки на двенадцать минут».
Мы научились вытаскивать из звука некоторые закономерности.
Не мысли.
Ещё смешнее получилось с полом собаки
Исследователи пытались определить по вокализации, самец перед ними или самка.
Интуитивно кажется, что нейросеть должна справиться.
Людей ведь часто можно различать по голосу.
Но результат оказался практически бесполезным.
В выборке было больше самок, поэтому система, которая почти всегда отвечала бы «самка», уже получала высокую формальную точность.
Дообучение сложной модели ситуацию почти не улучшило.
Это хороший урок на будущее.
Когда производитель пишет:
«точность AI — 90%»
первый вопрос должен быть не:
«Ого!»
А:
«90 процентов чего?»
С собакой особенно легко нарисовать красивую цифру
Допустим, наш ошейник умеет определять два состояния:
спокойна;
возбуждена.
Если собака большую часть дня лежит на диване, можно получить фантастическую точность, почти ничего не понимая.
Добавим движение.
Пульс.
Время суток.
GPS.
Зная, что животное пять минут назад бегало по парку, система довольно уверенно скажет:
«Возбуждение».
Но лай ли она перевела?
Или просто посмотрела на окружающие признаки?
Для владельца это может быть вообще неважно.
Для рекламы — наоборот.
Фраза:
«мультимодальная модель оценивает вероятное эмоциональное состояние животного»
звучит как инструкция к стиральной машине.
А:
«ИИ переводит, что говорит ваша собака»
— уже хочется купить.
Китайский A37 как раз показывает, куда всё движется
Самое интересное в подобных устройствах не сам микрофон.
Умный ошейник может собирать сразу несколько типов информации.
Звук.
Движение.
Местоположение.
Иногда пульс и температуру.
Историю поведения конкретного животного.
А телефон хозяина добавляет ещё больше контекста.
Где находится собака?
Есть ли рядом хозяин?
Гуляет она или лежит дома?
Как долго не ела?
Кто вошёл в помещение?
Происходило ли такое раньше?
Вот теперь у ИИ появляется гораздо больше шансов сказать что-то полезное.
Но это уже совсем другая задача.
Он переводит не собачью фразу.
Он оценивает состояние животного по множеству сигналов.
И именно здесь технология может оказаться реально ценной.
Потому что собака разговаривает не только ртом
Посмотрите на двух собак.
Обе рычат.
У первой корпус расслаблен, передние лапы опущены, зад поднят, хвост двигается. Перед ней другая знакомая собака.
У второй тело жёсткое.
Вес перенесён вперёд.
Пасть напряжена.
Взгляд фиксированный.
Уши изменили положение.
Перед ней незнакомец.
Если анализировать только звук, можно перепутать ситуации.
Для человека, который знает собак, разница часто очевидна.
Потому что мы бессознательно используем десятки дополнительных сигналов.
Позу.
Движение.
Взгляд.
Расстояние.
Контекст.
Историю отношений.
Даже направление, в которое смотрит животное.
Настоящий AI-переводчик животных почти неизбежно должен стать мультимодальным.
Один микрофон здесь примерно как попытка понять человеческий разговор, имея только запись дыхания собеседника.
Что-то выяснить можно.
Но стенограмму встречи лучше не писать.
Причём запах мы вообще почти выбрасываем из картины
Для человека окружающий мир в основном зрительный.
Для собаки огромная часть мира существует через запах.
Она получает информацию, которой мы буквально не замечаем.
Кто здесь прошёл.
Когда.
Какое животное.
В каком состоянии.
Какие территории отмечены.
Кто находится поблизости.
И всё это может менять поведение и вокализацию.
Наш будущий суперпереводчик слышит:
— Гав!
Камера видит пустую улицу.
GPS ничего интересного не показывает.
А собака реагирует на запах, который оставило другое животное двадцать минут назад.
Для ИИ недостаёт целого информационного канала.
Поэтому настоящий межвидовой перевод намного сложнее распознавания аудиофайла.
Но самое большое препятствие — мы не знаем словаря
Когда нейросеть переводит китайский текст на русский, у нас есть невероятная роскошь.
Миллиарды примеров человеческой речи.
Книги.
Субтитры.
Параллельные переводы.
Словари.
Документы, существующие одновременно на двух языках.
Мы можем показать машине:
dog = собака.
С собакой этого сделать нельзя.
У нас нет файла:
собачий оригинал — заверенный человеческий перевод.
Мы всегда определяем значение косвенно.
Собака издала звук возле двери.
Вероятно, хочет наружу.
Залаяла при появлении незнакомца.
Вероятно, предупреждает или возбуждена.
Заскулила после ухода хозяина.
Возможно, испытывает стресс.
Но во всех этих случаях человеческое описание — уже интерпретация наблюдателя.
Получается забавная фундаментальная проблема.
Чтобы обучить переводчик, нужен правильный перевод.
А правильный перевод мы как раз и хотим получить от переводчика.
Поэтому ИИ пока скорее хороший этолог
Есть профессия — этолог.
Специалист наблюдает поведение животных и пытается понять закономерности.
Что произошло перед действием.
Как изменилась поза.
Что сделало другое животное.
Как изменилась вокализация.
Что произошло после.
Машинное обучение позволяет делать примерно то же самое в масштабах, невозможных для человека.
Записать миллион часов.
Сравнить миллиарды звуков.
Найти паттерны, которые человеческое ухо не различает.
Отследить одного и того же пса годами.
Сопоставить лай с пульсом, движением, местом и событиями вокруг.
Вот это действительно новое.
ИИ может стать невероятно внимательным наблюдателем за животным миром.
И, возможно, обнаружить структуру общения, которую мы раньше просто не видели.
Но между:
«мы обнаружили структуру»
и:
«собака сказала: я тебя люблю»
ещё довольно приличное расстояние.
Зато медицина для животных здесь гораздо перспективнее разговоров
Представим, что ошейник несколько месяцев слушает конкретную собаку.
Он знает её нормальный лай.
Обычное дыхание.
Уровень активности.
Пульс.
Сон.
Режим прогулок.
И вдруг появляется необычный кашель.
Меняется голос.
Животное меньше двигается.
Пульс ведёт себя иначе.
Собака чаще скулит ночью.
В этом случае нейросеть может заметить изменение раньше хозяина.
Она даже не обязана знать, что именно «говорит» собака.
Достаточно сообщить:
«Сегодня поведение сильно отличается от её обычного состояния. Возможно, стоит обратить внимание».
С точки зрения реальной пользы это намного интереснее фантазии про Google Translate для лабрадора.
Та же технология может раньше замечать стресс.
Боль.
Хромоту.
Проблемы дыхания.
Изменение активности пожилого животного.
Вот здесь умный ошейник действительно может стать полезным устройством, а не дорогой игрушкой.
А двусторонний перевод выглядит ещё веселее
Некоторые сервисы обещают не только перевести собаку человеку, но и человека — собаке.
Вы говорите:
— Пора гулять.
Приложение генерирует собачий звук.
Собака якобы понимает.
Только животным совершенно необязательно нужен такой перевод.
Домашние собаки за тысячи лет совместной жизни великолепно научились читать людей.
Они запоминают слова.
Интонацию.
Жесты.
Выражение лица.
Положение тела.
Распорядок дня.
Шорох пакета с кормом иногда переводится вообще без участия нейросети с практически стопроцентной точностью.
Моя любимая часть всей идеи состоит именно в этом.
Мы тратим невероятные вычислительные мощности, чтобы научиться говорить с собакой.
А собака уже давно научилась разговаривать с нами.
Просто без API.
Но однажды настоящий перевод всё-таки может появиться
Списывать идею целиком тоже рано.
Мы уже умеем анализировать огромные массивы звуков животных.
Создаём специализированные модели.
Собираем данные китов, птиц, приматов, собак и других видов.
Алгоритмы находят повторяющиеся структуры.
Сопоставляют сигналы с ситуациями.
И главное — современные модели способны одновременно работать со звуком, изображением, движением и окружающим контекстом.
Именно этого старым исследованиям не хватало.
Будущий переводчик, скорее всего, не будет выглядеть так:
лай → русское предложение.
Он будет видеть собаку целиком.
Слышать звуки.
Следить за движениями.
Знать физиологию.
Понимать окружающую ситуацию.
Помнить историю конкретного животного.
И после этого говорить не:
«Ваша собака произнесла фразу №284».
А:
«С высокой вероятностью она сейчас тревожится из-за человека у двери и хочет увеличить дистанцию».
Это уже не человеческий язык.
Но для взаимопонимания, возможно, именно такой перевод нам и нужен.
Поэтому китайский ошейник одновременно смешной и важный
Смешной — потому что слово «переводчик» пока обещает гораздо больше, чем наука умеет предоставить.
Важный — потому что такие устройства начинают собирать именно те массивы данных, без которых настоящий прогресс невозможен.
Миллионы собак.
Разные породы.
Разные ситуации.
Долгая история одного животного.
Звук плюс движение плюс физиология.
Если когда-нибудь мы действительно научимся гораздо лучше понимать животных, путь к этому пройдёт именно через такие данные.
Не исключено, что через несколько лет фраза «переводчик собак» перестанет звучать как шутка.
Но пока, увидев на экране:
«Я очень тебя люблю, хозяин»
я бы всё-таки не спешил благодарить нейросеть за великий прорыв в межвидовой коммуникации.
Возможно, пёс действительно вас любит.
А возможно, алгоритм просто заметил, что вы держите колбасу.
