相关动态
约60%的大象低频吼叫发生在两头及以上个体重叠的合鸣中，而这类多发声者交流此前研究甚少，因为难以拆分分析。发表于《Scientific Reports》、与 ElephantVoices 及 Amboseli Trust for Elephants 合作开展的新研究改变了思路：不分离单个叫声，直接用机器学习从合鸣整体提取行为信息。研究分析了1986至2022年间录制的903头成年雌象吼叫。结果显示，从合鸣预测宽泛行为情境明显优于随机水平；在部分协调互动中还观察到发声趋同——交流展开过程中，一些吼叫声在声学上逐渐变得更为相似。
BirdCODE是地球物种项目（Earth Species Project）开发的一种监督式深度学习模型，用于鸟类声学零样本声音事件检测。该模型利用弱标注录音、合成声景和伪标注数据等多阶段训练策略，可对超过9000种鸟类进行时间精确的检测和分类。将其应用于超过一百万条录音，展示了规模化时间注释如何促进跨物种、季节、地理和混合物种互动的叫声行为分析。模型权重和检测结果已在GitHub上公开，以支持动物语言处理研究。该论文为预印本，目前正在审稿中。
授粉是地球最重要的生态过程之一，但了解不同昆虫如何贡献于授粉仍然困难。许多蜜蜂访花但不都传粉，传统区分生态功能需要劳动密集的田间实验，难以规模化。在2025年NeurIPS非人类动物通讯AI研讨会中，Alef Iury Siqueira Ferreira介绍了团队开发的声学模型，按生态功能对蜜蜂分类，提供可扩展的授粉研究方法。文章讨论了测量授粉质量的挑战、功能监测相比物种清单的优势，以及ML如何帮助理解传粉者、植物与生态系统之间的关系。
公民科学项目产生的生态数据量庞大，但手动分析海量录音耗时且困难。Earth Species Project的Julia Tan在NeurIPS 2025的“AI for Non-Human Communication”研讨会上发表论文，展示了如何利用AI流水线从嘈杂的公民科学录音中提取有用信息。她评估了旗舰模型NatureLM-audio在分析数十万条蛙类录音中的表现，发现即使不进行微调，该模型也展现出强大性能和节省时间的潜力，有助于支持大规模生物多样性监测。
地球物种项目（Earth Species Project）发布2025年度报告，总结了在动物语言处理（Animal Language Processing）领域的进展，包括：开发并开源了首个专为分析动物声音设计的大型音频语言模型NatureLM-audio；发表了14篇新论文；与研究虎鲸（与Raincoast保护基金会合作）、斑胸草雀（与麦吉尔大学合作）和腐肉乌鸦（与莱昂大学合作）等物种的研究者开展合作。此外，他们在NeurIPS会议上共同组织了“AI for Non-Human Animal Communication”研讨会，这是该主题首次正式出现在重要AI会议上；他们还共同组织了BioDCASE的多声道对齐挑战赛。
在野外，斑胸草雀并非孤立鸣唱，而是在动态社会群体中相互呼唤。生态学家理解这种交流需要知道谁在与谁通信，但个体级别的追踪一直困难。生态学家Hugo Loning与AI研究员Aneesh Chauhan合作，应用Earth Species Project开发的自我监督生物声学模型BirdAVES，从野外录音中识别个体斑胸草雀，生成“谁在何时歌唱”的时间线，从而研究社会行为、移动和信息共享。该论文已被NeurIPS 2025首届非人类动物AI研讨会接受。
过去十年，动物通信研究因大规模行为与生物声学数据、机器学习进展而走向融合。作者称这一融合为“Animal Language Processing（ALP）”，即以AI规模化研究非人类通信；该词由资深AI研究员Masato Hagiwara在2024年日语演讲中首次使用。ALP基于数十年动物行为学、野外生物学与生物声学积累，如大象以不同名字互称、雌性白鲸用“回来！”唤回幼鲸等发现。当前变化包括被动声学监测、动物佩戴标签、长期视频记录等工具带来的数据量与多样性空前增长，以及更大问题的提出。