Ĉefaj konkludoj
- La analizo de la projekto CETI pri preskaŭ 9 000 kodoj de makrocefalo kaj pli ol 1 100 registraĵoj de 15 balenoj malkaŝis fonetik-similan sistemon inkluzive de du apartaj vokaloj, a kaj i.
- Modeloj de la projekto CETI povas antaŭdiri profundan nutrad-merĝon el nur ok ĝis dek kodoj, dum ĝia transformilo WhAM generas realismajn klakojn el 10 000 kod-registraĵoj.
- Konstruita de Google, Georgia Tech, kaj la Wild Dolphin Project, la modelo DolphinGemma kun 400 milionoj da parametroj funkcias sur telefonoj Google Pixel por antaŭdiri la fajfojn de atlantikaj makulaj delfenoj.
- Maŝinlernado malkaŝis individuajn voĉajn nomojn en 469 bruoj de kenajaj elefantoj kaj fajfoj de marmosetoj, kune kun la vortaro de 11 bazaj vokoj de zebro-finkoj de la esploristino Julie Elie de UC Berkeley.
Apud la marbordo de Dominiko, familio de makrocefaloj drivas ĉe la surfaco post unu-hora merĝo. Ili naĝas proksime, preskaŭ tuŝante unu la alian, kaj komencas klaki: mallongaj eksplodoj de frapetoj, kiuj sonas al ni kiel fora tajpilo. Hidrofono registras tion. Drono supre filmas tion. Suĉkap-etikedo sur la dorso de unu baleno registras ĝian profundon, ĝian korbaton kaj ĉiun klakon, kiun ĝi faras. Poste, maŝinlernada modelo trarigardos la registraĵon, serĉante ion, kion neniu homo iam trovis: signifon.
Jen kiel "traduki bestan lingvon per AI" efektive aspektas en 2026. Ĝi ne estas magia aplikaĵo, kiu transformas la bojadon de hundo en la anglan. Ĝi estas pacienca, peniga scienco: grandegaj datumserioj, iloj pruntitaj de lingvomodeloj de la tipo ChatGPT, kaj esploristoj, kiuj pasigis jardekojn vivante apud la bestoj, kiujn ili studas. Kaj ĝi komencas produkti rezultojn, kiuj estus sonintaj kiel sciencfikcio antaŭ dek jaroj.
Kial AI ŝanĝas ĉion
Bestoj ĉiam parolis. La problemo estas, ke ni ne povas aŭdi la plej grandan parton de ĝi, kaj ni ne povas teni ĉion en niaj kapoj samtempe. Elefantoj bruas sub la gamo de homa aŭdado. Vespertoj babilas en ultrasono. La klakoj de makrocefaloj estas tiel rapidaj kaj tiel regulaj, ke homoj iam komparis ilin kun la morsa kodo.
AI estas bona ĝuste pri tio, pri kio homoj estas malbonaj: trovi malfortajn, ripetiĝantajn ŝablonojn ene de milionoj da sonoj. La sama speco de modelo, kiu lernas la anglan per antaŭdirado de la sekva vorto, povas lerni la strukturon de balenaj klakoj per antaŭdirado de la sekva klako. Ĝi ne bezonas vortaron por komenci. Ĝi nur bezonas multajn datumojn, kaj la ĝustan kuntekston pri tio, kion la bestoj faris, kiam ili produktis ĉiun sonon.
Tiu lasta parto plej gravas. Sono sen rilata konduto estas nur bruo. La sukcesoj sube ĉiuj devenas de kunigo de AI kun longa, zorgema observado de realaj bestoj.
Projekto CETI: la ambicia celo kompreni makrocefalojn
La Cetacean Translation Initiative (Iniciato pri Cetaca Tradukado), pli konata kiel projekto CETI, estis fondita en 2020 kaj estas la plej granda provo de interspecia komunikado iam organizita. Pli ol 50 sciencistoj, de marbiologoj kaj lingvistoj ĝis robotikistoj kaj kriptografoj, laboras pri unu demando: kion diras la makrocefaloj?
Ili elektis makrocefalojn pro bonaj kialoj. Tiuj bestoj havas la plej grandajn cerbojn sur la Tero, vivas en striktaj familiaj unuoj, kaj apartenas al klanoj kun siaj propraj voĉaj dialektoj. Familioj de malsamaj klanoj povas kunhavigi la samajn akvojn kaj tamen nur sociumi kun balenoj, kiuj "parolas" kiel ili.
Makrocefaloj parolas per kodoj, mallongaj ŝablonoj de klakoj. Dum jardekoj sciencistoj pensis, ke ekzistas nur ĉirkaŭ du dekduoj da kod-tipoj. En 2024, teamo de CETI analizis preskaŭ 9 000 kodojn kaj montris en Nature Communications, ke la sistemo estas multe pli riĉa. Balenoj varias la ritmon kaj tempon de siaj klakoj, subtile streĉas la tempon (la esploristoj nomas ĝin "rubato", kiel muzikisto malrapidiganta frazon) kaj foje aldonas kroman klakon ("ornamado"). Kombinu tiujn ecojn kaj vi ricevas kombinan sistemon, ion similan al fonetika alfabeto.
Tiam venis la vokaloj. En 2025 kaj denove en aprilo 2026, la lingvisto Gašper Beguš kaj kolegoj raportis, ke kodoj portas vokal-similajn kvalitojn. Analizante pli ol 1 100 kodojn de 15 balenoj, ili trovis du apartajn "vokalojn", kiujn ili etikedas a kaj i. Tiuj vokaloj povas esti mallongaj aŭ longaj, kiel en la latina, kaj povas porti altiĝantajn aŭ ebenajn tonojn, iom kiel la mandarena. La artikolo en Proceedings of the Royal Society B priskribas ĝin kiel unu el la plej proksimaj paraleloj al homa fonologio trovitaj en iu ajn besto.
▶ Spektu la videon: La fonologio de la kod-vokaloj de makrocefaloj (Projekto CETI, YouTube)
CETI konstruas la aparataron por kongrui. En decembro 2025, inĝenieroj de Harvard en la teamo publikigis malfermfontan bio-registrilon, kiu algluiĝas al baleno per suĉkapoj kaj registras altkvalitan aŭdion kune kun profundo, movado kaj aliaj sensilaj datumoj. Dronoj metas la etikedojn, kaj la teamo disvolvas aŭtonomajn glisilojn, kiuj povas sekvi balenojn dum semajnoj.
La fruaj rezultoj jam estas okulfrapaj. Laŭ Giovanni Petri de CETI, modeloj povas diri el ĉirkaŭ ok ĝis dek kodoj ĉu grupo estas forironta por profunda nutrad-merĝo. En marto 2026, la teamo publikigis la plej detalan rekordon de naskiĝo de sovaĝa makrocefalo iam faritan: ĉiuj 11 membroj de familio nomita "Unuo A" helpis levi la novnaskiton al la surfaco dum 34 minutoj, kaj ilia kod-stilo ŝanĝiĝis en ŝlosilaj momentoj. Kaj studo de julio 2026 trovis, ke balenoj ŝanĝas kiel ili klakas kiam ŝipoj estas proksime, kunpremante la interspacojn inter klakoj kaj uzante pli da a-vokaloj.
CETI eĉ konstruis AI, kiu parolas iom da "balena". WhAM, transformila modelo prezentita ĉe NeurIPS 2025 kaj trejnita per ĉirkaŭ 10 000 kod-registraĵoj, povas generi sintezajn kodojn sufiĉe realismajn por esti taksitaj de fakaj marbiologoj.
Kion CETI ankoraŭ ne havas estas vortaro. Kiel Petri diras, la teamo povas vidi strukturon, sed la signifo de tiuj vokaloj estas ankoraŭ nekonata.
▶ Spektu la videon: Ĉu ni povas lerni paroli kun makrocefaloj? David Gruber, TED (YouTube)
DolphinGemma: la lingvomodelo de Google por delfenoj
Ekde 1985, la Wild Dolphin Project de Denise Herzing filmis kaj registris la saman komunumon de sovaĝaj atlantikaj makulaj delfenoj en Bahamoj, subakve kaj tra generacioj. Tio donas al ĝi ion nepageblan: jardekojn da sonoj ligitaj al individuaj delfenoj kaj al tio, kion ili faris tiutempe. Patrinoj uzas signaturfajfojn (esence nomojn) por voki siajn idojn reen. Eksplod-pulsaj "krioj" ofte aperas en bataloj. Klak-"zumoj" aperas dum amindumado aŭ kiam delfenoj ĉasas ŝarkojn.
En aprilo 2025, Google, Georgia Tech kaj la Wild Dolphin Project anoncis DolphinGemma, AI-modelon de proksimume 400 milionoj da parametroj trejnitan per tiu arkivo. Ĝi funkcias kiel tekst-antaŭdirilo por delfena sono: donu al ĝi la komencon de fajfo kaj ĝi antaŭdiras kio sekvas. Ĝi estas sufiĉe malgranda por funkcii sur la telefonoj Google Pixel, kiujn la teamo portas en la akvon.
Apud ĝi funkcias CHAT (Cetacean Hearing Augmentation Telemetry), subakva komputilo, kiu provas malsaman vojon al dudirekta kontakto. Anstataŭ deĉifri delfenan lingvon rekte, esploristoj inventas novajn sintezajn fajfojn por aferoj, kun kiuj delfenoj ŝatas ludi, kiel koltuko aŭ amaso da sargasa algo. Du plonĝistoj modelas la "konversacion" por la delfenoj: unu ludas la koltukan fajfon, la alia transdonas la koltukon. La espero estas, ke scivolemaj delfenoj komencos uzi la fajfon por peti la ludilon.
▶ Spektu la videon: DolphinGemma: Kiel Google AI helpas deĉifri delfenan komunikadon (YouTube)
Parolante ĉe la World Fair de WIRED en novembro 2026, Herzing estis sincera pri la plej malfacila parto: distingi mimikadon de kompreno. Delfeno, kiu kopias fajfon, ne estas la sama kiel delfeno, kiu scias kion ĝi signifas. "Ni eble havas la datumojn kaj la strukturon," ŝi diris, "sed kion ĝi signifas en delfena kulturo?"
## Elefantedoj, simioj kaj birdoj, kiuj uzas nomojn
Kelkaj el la plej surprizaj malkovroj de la pasintaj du jaroj temas pri nomoj.
Elefantedoj. En junio 2024, teamo gvidata de Michael Pardo uzis maŝinlernadon pri 469 bruetoj de sovaĝaj inaj elefantedoj en Kenjo kaj trovis, ke la vokoj enhavas nom-similan parton, kiu identigas tiun, al kiu oni sin turnas. Kiam ili ludis registradojn al 17 elefantedoj, la bestoj reagis pli forte al vokoj destinitaj por ili. Male al delfenoj kaj papagoj, kiuj "nomas" unu la alian per imitado de la propra voko de la alia besto, elefantedoj ŝajne uzas arbitran etikedon, simile al tio, kion faras homoj.
Marmosetedoj. Du monatojn poste, israelaj esploristoj raportis en Science, ke marmosetedaj simioj uzas siajn "fii-vokojn" por etikedi specifajn individuojn, kaj rekonas kiam voko estas direktita al ili. Estis la unua fojo, ke voĉa nomado estis pruvita ĉe ne-homa primato.
Delfenoj. La unua Premio Coller-Dolittle, aljuĝita en 2025, iris al Laela Sayigh pro pruvoj, ke sovaĝaj delfenoj kunhavas stereotipajn fajfojn preter siaj personaj signaturaj fajfoj, indiko ke iuj fajfoj povas porti komunajn signifojn.
Zebro-fringoj. La premio de 2026 iris al Julie Elie ĉe UC Berkeley. Kombinante pli ol jardekon da observado kun maŝinlernado, ŝia teamo konstruis "vortaron" de 11 kernaj zebro-fringaj vokoj, kun signifoj kiel malsato, agresiveco kaj ligiĝo. Poste ŝi faris ion rimarkindan: ŝi demandis la birdojn. Trejnitaj premi butonojn, la fringoj montris, ke ili grupigas vokojn laŭ signifo, kaj kiam ili faris erarojn, ili konfuzis vokojn kun similaj signifoj anstataŭ similaj sonoj.
Bonoboj. Inter la finalistoj de 2026 estis svisa teamo, kiu montris, ke bonoboj kombinas vokojn en strukturitajn, signifoplenajn sekvencojn, kiuj similas al simplaj frazoj.
Earth Species Project: fundamenta modelo por ĉiuj bestoj
Dum CETI kaj la Wild Dolphin Project ĉiu fokusiĝas al unu specio, la neprofitcela Earth Species Project provas konstrui ĝeneralajn ilojn. En 2025 ĝi malfermis la fontkodon de NatureLM-audio, priskribita kiel la unua granda aŭda lingvomodelo dizajnita specife por bestaj sonoj. Ĝi ankaŭ publikigis 14 artikolojn tiun jaron, kunlaboris en projektoj de orcinoj ĝis korvoj, kaj kunorganizis la unuan laborrenkontiĝon pri AI por ne-homa besta komunikado ĉe NeurIPS, la ĉefa konferenco pri maŝinlernado en la mondo.
La ideo estas speco de "ChatGPT por la naturo": unu modelo, kiu povas detekti, klasifiki kaj kompari vokaligojn tra miloj da specioj, tiel ke ĉiu biologo kun registradoj povas serĉi en ili strukturon.
La scienco, en simplaj terminoj: kio estas fakte "tradukata"?
Helpas apartigi kvar tre malsamajn atingojn, kiujn titoloj ofte kunfandas.
1. Detektado kaj ordigado de sonoj. AI nun povas elpreni individuajn vokojn en bruaj registradoj, diri kiu besto faris ilin kaj grupigi similajn sonojn. Ĉi tio estas plejparte solvita por multaj specioj, kaj ĝi jam estas uzata en naturprotektado.
2. Trovi strukturon. Ĉi tie sidas la alfabeto kaj vokaloj de CETI: montri, ke sonoj estas konstruitaj el partoj, kiuj kombiniĝas laŭ reguloj. Strukturo estas necesa por lingvo, sed ĝi ne estas la sama kiel signifo.
3. Ligi sonojn al signifo. Ĉi tie ni havas malgrandan sed kreskantan liston de solidaj rezultoj: nomoj de elefantedoj kaj marmosetedoj, signaturaj fajfoj de delfenoj, la 11 kernaj vokoj de la zebro-fingo, kodoj kiuj antaŭdiras plonĝon. Ĉiu el ili postulis jarojn da kampa laboro kaj lertajn eksperimentojn de reludado por pruvi, ke la bestoj mem traktas la sonon kiel signifoplenan.
4. Dudirekta komunikado. Produkti sonon, ricevi respondon, kaj scii, ke ambaŭ flankoj komprenis la saman aferon. Nur fruaj, simplaj eksperimentoj ekzistas ĝis nun, kiel la inventitaj fajfoj de CHAT kaj studoj de reludado.
Grandaj lingvomodeloj estas potencaj por paŝo 2, ĉar antaŭdiri la sekvan unuon malkaŝas kaŝitajn regulojn. Sed ekzistas profunda kaptilo. Homaj lingvomodeloj lernas signifon parte ĉar homoj verkis miliardojn da frazoj pri la mondo. Bestoj lasis al ni neniujn subtekstojn. Signifo devas esti ankrita en konduto, kio estas la kialo, kial etikedoj, dronoj, fotiloj kaj jardekoj da kampaj notoj gravas same kiel la AI.
Ekzistas eĉ pli profunda demando: bestoj eble tute ne havas "lingvon" en nia senco. Ilia komunikado eble estas teksita el aferoj, kiujn ni penas percepti, kiel sinteno, odoro, tuŝo kaj kunteksto, kaj iuj el ĝi eble esprimas spertojn, por kiuj ni ne havas vortojn.
Kiom malproksime ni estas de vera hom-besta konversacio?
Ni estu honestaj pri la templinio. La Defio Coller-Dolittle ofertas ĉefpremion de 10 milionoj da dolaroj en akcioj aŭ 500 000 dolaroj kontante al iu ajn, kiu solvas aŭtentan dudirektan interspecian komunikadon. Ĝi restas nepostulita, kaj ĝiaj organizantoj aljuĝas 100 000 dolarojn jare simple pro promesplena progreso.
Surbaze de kie la esplorado staras fine de 2026, jen racia legado de la vojo antaŭen. Ĉi tio estas nia takso, ne prognozo de iu aparta laboratorio:
Nun ĝis la venontaj kelkaj jaroj: pli bona "aŭskultado". Atendu pli da vortprovizoj kiel tiu de la zebro-fingo, pli da nom-similaj vokoj, pli da strukturo en sonoj de balenoj kaj delfenoj, kaj AI-modeloj, kiuj povas generi konvinkajn bestajn sonojn. Atendu ankaŭ simplajn, artefaritajn komunajn signalojn kun scivolemaj, trejnitaj bestoj, kiel la ludilaj fajfoj de CHAT.
Proksimume la venonta jardeko: limigitaj, kuntekst-ligitaj interŝanĝoj. Kun iuj specioj ni eble povos sendi manplenon da signifoplenaj signaloj ("tie", "danĝero", nomo) kaj rekoni la respondon. Tio jam estus historia.
Post jardekoj, se iam: malferma konversacio, kie homo kaj baleno diskutas ion, kion neniu el ili menciis antaŭe. Ĝi postulus ne nur vortaron sed gramatikon, komunajn konceptojn kaj manieron kontroli, ke ambaŭ flankoj signifas la saman aferon. Iuj sciencistoj dubas, ke ĝi estas tute ebla, ĉar la interspaco inter mensoj eble estas pli larĝa ol la interspaco inter sonoj.
Do la honesta respondo estas: ni estas multe pli proksime al kompreni iujn bestojn ol al babili kun ili. La unua vera "konversacio" verŝajne aspektos malpli kiel Doktoro Dolittle kaj pli kiel mallonga, zorge testita interŝanĝo de kelkaj signaloj, sed ĝi tamen ŝanĝos kiel ni vidas la mondon.
Kial ĝi gravas, eĉ antaŭ ol ni respondas
Herzing diras, ke kiam ŝi demandas homojn, kion delfenoj dirus al ni, la plej ofta respondo estas ia versio de "Kial vi ruinigas nian oceanon?" La esplorado jam faras tiun demandon konkreta. Lerni, ke balenoj ŝanĝas sian paroladon ĉirkaŭ ŝipoj, aŭ ke elefantedoj vokas parencojn per nomo, malfaciligas trakti ĉi tiujn bestojn kiel fonan pejzaĝon.
Ekzistas ankaŭ seriozaj demandoj por respondi. Ludi sintezajn vokojn al sovaĝaj bestoj povus konfuzi aŭ streĉi ilin. Iloj, kiuj malkodas bestajn sonojn, povus esti misuzataj de ŝtelĉasistoj aŭ fiŝkaptistoj. Kaj se ni ja lernos aŭskulti, ni devos decidi, kion ni ŝuldas al la voĉoj, kiujn ni finfine komprenas. Earth Species Project jam komencis enketi publikajn sintenojn kaj mapi la laŭleĝajn implicojn de interspecia kompreno.
La pluvarbara insulo de Dominiko, rifo en Bahamoj, savano en Kenjo, birda laboratorio en Berkeley: en ĉiu loko, AI transformas vivdaŭron de pacienca aŭskultado en datumojn, kiujn ni finfine povas legi. Ni ankoraŭ ne parolas al bestoj. Sed unuafoje en la historio, ni vere komencas aŭdi, kion ili diras unu al la alia.
Oftaj demandoj
Kion Project CETI malkovris pri la komunikado de kamentaj balenoj?
Fondita en 2020 kun pli ol 50 sciencistoj, Project CETI analizis preskaŭ 9 000 kodojn de klakoj de kamentaj balenoj por malkaŝi kombinan sistemon uzantan ritmon, tempon, rubaton kaj ornamadon. Lingvisto Gašper Beguš kaj kolegoj ankaŭ analizis pli ol 1 100 kodojn de 15 balenoj por identigi du vokal-similajn sonojn, a kaj i, kvankam iliaj precizaj signifoj restas nekonataj.
Kiel funkcias la modelo DolphinGemma de Google?
Anoncita en aprilo 2025 de Google, Georgia Tech, kaj la Wild Dolphin Project de Denise Herzing, DolphinGemma estas AI-modelo de proksimume 400 milionoj da parametroj trejnita per jardekoj da registradoj de atlantikaj makuldelfenoj en Bahamoj ekde 1985. Funkciante sur telefonoj Google Pixel subakve kune kun la sistemo CHAT, ĝi antaŭdiras postajn delfenajn fajfojn dum plonĝistoj testas sintezajn fajfojn por objektoj kiel algoj.
Kiuj bestoj uzas nomojn aŭ malkoditajn vokalajn vortarojn laŭ freŝaj AI-studoj?
En junio 2024, la teamo de Michael Pardo analizis 469 bruetojn de kenjaj elefantedoj kaj montris per reludadoj al 17 elefantedoj, ke ili alparolas unu la alian per arbitraj nom-similaj etikedoj, dum israelaj esploristoj trovis voĉan nomadon en fii-vokoj de marmosetedoj. Aldone, la gajninto de la Premio Coller-Dolittle 2026, Julie Elie ĉe UC Berkeley, mapis 11 kernajn vokojn de zebro-fringoj laŭ signifo.