來自美國科羅拉多州立大學等機構的研究人員介紹,他們使用機器學習確認大象的叫聲中包含了一個類似名字的成分,用來識別目標物件。當研究人員重播錄製的大象叫聲時,目標大象會作出積極回應或者走向播放錄製叫聲的音箱,而呼喚其他大象的叫聲則很少引起目標大象的反應。
研究人員耗時4年,包括在肯雅開展共計14個月的密集野外工作,跟蹤大象並記錄它們的叫聲。他們開發了一種新的信號處理技術來檢測大象叫聲結構的細微差異,並訓練了一種機器學習模型,僅根據聲學特徵就能正確識別叫聲是針對哪個大象的。
結果發現,大象並不僅僅是模仿與其"通話"的個體的聲音,而是利用"任意聲音標籤"來"稱呼"其他個體,這說明大象叫聲中可能存在其他類型的標籤等。研究還發現,大象和人類一樣,並不總是在對話中用名字稱呼對方,而是在長距離溝通或成年象與幼象之間,用名字稱呼對方更為常見。
研究人員表示,學習發出新聲音的能力在動物中並不常見,但卻是通過名字識別個體的必要條件。這類通過任意一種而非模仿的特定聲音來表達一種想法的能力,被認為是一種更高層次的認知技能,是對交流能力的極大擴展。"如果我們只能發出聽起來像我們談論的東西發出的聲音,那將極大地限制我們的交流能力。"
大象和人類的進化軌跡在數千萬年前分道揚鑣,但這兩個物種都具有複雜的社會結構和高度交流的能力。與人類的複雜社會網路類似,大象也具有家庭單位、社會群體以及更大的族群結構。研究人員據此提出,人類和大象都面臨類似的來自複雜社會互動的壓力,因此推動了兩個物種用抽象聲音給其他個體命名的能力。
最新評論