AI识别出斑胸草雀的11种叫声？跨物种交流突然爆发，真正的原因不只是算法

最近，一项关于斑胸草雀的研究，让现实世界距离《怪医杜立德》似乎又近了一步。

加州大学伯克利分校研究科学家朱莉·埃利（Julie Elie），凭借多年研究斑胸草雀交流系统的成果，获得了2026年科勒—杜立德跨物种双向交流奖，奖金为10万美元。这个挑战赛还设置了一个终极大奖：成功实现真正跨物种双向交流的团队，可以在50万美元现金和1000万美元股权投资之间选择一项。

但这里需要先澄清一件事。

这项研究并不意味着AI已经能够把鸟叫直接翻译成人类语言，更不意味着我们已经可以和小鸟聊天。

真正发生的事情，比“AI翻译鸟语”复杂得多，也更有科学价值：研究人员建立了一套关于斑胸草雀叫声的分类体系，然后设计实验，让鸟自己判断人类分得对不对。

这才是整项研究最精彩的地方。

斑胸草雀的叫声，不只是“叽叽喳喳”

斑胸草雀是一种高度社会化的鸣禽。它们会结成稳定伴侣，也经常生活在嘈杂的群体中。

过去，鸣禽研究主要关注雄鸟的歌唱，因为这些声音旋律复杂、变化丰富，通常与求偶有关。但埃利关注的不是这些“舞台表演”，而是斑胸草雀日常生活中的交流：寻找同伴、维系伴侣关系、警告危险、发生冲突、求偶，以及幼鸟向父母乞食。

在加入伯克利团队后的十多年里，她持续记录叫声发出时的行为和社会情境，最终将斑胸草雀的交流系统整理为大约11种叫声类型，并进一步归入接触、伴侣联结、警报、对抗、乞食和求偶六个语义大类。研究使用的声学数据库包含来自45只雌雄斑胸草雀的8000多段叫声。

这些叫声至少携带两层信息。

第一层是“我在表达什么”，例如危险、饥饿或者寻找同伴；第二层是“我是谁”。埃利团队此前的研究发现，斑胸草雀在不同叫声类型中都保留着具有个体特征的声音签名，因此同伴不仅可能识别叫声的功能，还能够识别发声者的身份。

换句话说，一声鸟叫可能同时相当于：

“这里有危险。”

以及：

“我是你认识的那只鸟。”

这已经不是简单的条件反射信号，而是一个多层信息编码系统。

最关键的实验：不是让人判断，而是让鸟来评分

动物交流研究一直有一个难题：人类根据声音和行为划分出来的类别，真的是动物自己所感知的类别吗？

研究者看到一只鸟在危险出现时发出某种叫声，于是把它命名为“警报叫声”。但对鸟来说，这种声音真的代表“危险”吗？还是它们只是对某种声学刺激产生了自动反应？

埃利团队使用了操作性条件反射实验，试图直接询问斑胸草雀。

实验中的鸟被放在装有扬声器、啄击按钮和食物投放口的笼子里。扬声器会随机播放不同叫声。当鸟听到当天指定的目标叫声时，需要保持不动，等声音播放结束后获得种子；听到其他叫声时，则要啄击按钮，跳到下一段。

它有点像鸟类版本的“刷短视频”：不是目标内容，就立即划走；识别出正确内容，就等待奖励。

研究人员让12只成年斑胸草雀依次判断全部11种叫声。测试材料来自许多不同个体，其中还包括实验鸟此前没有听过的发声者，因此它们不能只靠记忆某一段录音完成任务。结果显示，斑胸草雀不仅能够区分不同叫声，还能把陌生个体发出的同类叫声归入同一个类别。

这说明鸟识别的不是某一段固定录音，而是隐藏在不同声音背后的类别。

鸟的“错题本”，暴露了AI真正的边界

研究人员还训练了机器学习分类器，根据频率、音色、节奏等声学特征判断一段录音属于哪一种叫声。

算法对11类叫声的平均分类准确率约为60%。

这里不能简单地说“60%只是刚及格”。

因为这是一个11分类问题，完全随机猜测的准确率只有约9.1%。从声学模式识别角度看，60%已经显著高于随机水平，说明不同叫声之间确实存在可被算法捕捉的结构。

但60%的准确率也说明，仅凭声音外形仍不足以还原动物交流的全部信息。

真正有意思的是，算法和鸟犯下了完全不同的错误。

算法容易混淆的是声学特征相似的叫声。例如，一些警报叫声和对抗性叫声在频率、时长或节奏上相近，机器就容易把它们分到一起。

鸟容易混淆的却是意义相近的叫声。

例如，斑胸草雀有不止一种维持联系的叫声。有的用于近距离确认同伴位置，有的用于看不见彼此时的远距离呼叫。它们在声学上差异明显，但功能相近，鸟反而更容易把它们混在一起。

相反，一种轻柔的接触叫声和某种警报叫声可能在声学上很相似，但由于意义相差很远，鸟很少将两者混淆。

这就像人类听到“嗨”和“你好”，虽然声音并不相同，但很容易把它们归为同一类；而“嗨”和“救命”即便某些声学特征偶然相似，我们也不会认为它们表达的是同一件事。

算法首先看到的是频率、振幅和节奏。

鸟听到的却可能是“同伴在哪里”“危险来了”或者“别靠近我”。

AI的错误由声音相似性决定，鸟的错误则受到语义相似性的影响。

研究者将这种现象称为类似“语义磁铁”的效应：意义接近的叫声，会在鸟的认知空间中相互靠近。相关成果于2025年发表在《科学》杂志。

为什么跨物种交流偏偏在这两年集中爆发？

从2024年到2026年，动物交流领域确实出现了一批引人注目的成果。

但这并不是因为某个模型突然学会了“动物语言”，而是几个长期积累的条件在同一时期成熟了。

第一，几十年的动物行为数据终于积累到了可计算的规模

训练人类语言模型，可以从互联网获得海量文本，而且我们已经知道哪些符号是词、句子和段落。

动物交流研究完全不同。

研究人员通常既不知道一段叫声的边界在哪里，也不知道它是否具有稳定意义。录音中可能同时存在多个个体、环境噪声和回声，还必须知道发声时动物在做什么、旁边有什么同伴、是否存在食物或捕食者。

科勒—杜立德挑战赛评委乔纳森·伯奇曾用一个直观的对比解释数据差距：训练大型语言模型需要约万亿规模的词语或词元，而动物交流项目远没有相同量级的数据。海豚研究之所以取得进展，很大程度上依赖萨拉索塔海豚研究项目四十多年的连续积累。

AI不是凭空创造了突破，它只是终于遇到了足够长期、足够系统的数据。

第二，AI开始能够处理人类难以手工分析的声学空间

过去，研究人员需要逐段听录音、测量频率、统计节奏，再把声音和动物行为一一对应。

机器学习可以快速完成检测、聚类、分类和降维，把成千上万段声音压缩到人类可以观察的结构空间里。研究者因而能够看到哪些声音形成稳定类别、哪些特征连续变化，以及哪些异常模式值得进一步实验。

但这一步找到的主要是结构，不一定是意义。

2024年，Project CETI和MIT团队分析了8719段抹香鲸“咔哒声”序列，发现其交流结构可以通过节奏、速度、自由节拍和装饰音四个维度组合。研究者将这套结构称为“抹香鲸语音字母表”。

不过论文也明确指出，这项工作描述的是声音的组合结构，而不是叫声的具体语义；要验证意义，仍然需要结合行为情境和野外回放实验。

换句话说，人类发现了抹香鲸声音的“拼写规则”，却还不知道大多数内容到底在说什么。

第三，研究正在从相关性走向“动物参与验证”

2024年的非洲象研究分析了469段叫声，发现叫声的声学结构能够预测其指向的接收者。研究者随后向17头野生大象播放录音，大象对原本呼唤自己的叫声反应更强烈。

更重要的是，这种个体标签似乎并不是通过简单模仿对方的声音形成的，因此其工作方式在一定程度上类似任意指定的“名字”。

2025年的倭黑猩猩研究则分析了野外录制的700多段声音，发现它们会将七类基本叫声组合成多种序列。其中四种组合表现出组合语义，三种属于“非平凡组合”：组合后的意义并不只是两个单独叫声含义的简单相加。

同年，首届科勒—杜立德年度奖授予了莱拉·赛格（Laela Sayigh）领导的海豚研究团队。该团队在长期档案中识别出20多种由多个个体共享的非签名口哨，其中两类至少被25只海豚使用。野外回放显示，一类声音可能引发回避反应，另一类与陌生或意外情境相关。不过需要说明的是，这项成果获奖时主要以预印本形式公开，部分功能解释仍需更多同行评议和重复实验。

这些项目真正共同的趋势，不只是使用了AI，而是开始建立一个闭环：

长期观察提出假设，AI寻找模式，行为实验验证意义，动物的反应再反过来修正模型。

AI能听见动物，但不等于AI听懂了动物

现在关于动物语言最容易出现的误解，是把声音分类、模式发现和语言翻译混为一谈。

这三个层次并不相同。

识别一段声音属于警报类，是分类问题；发现叫声存在组合规则，是结构分析问题；证明某个叫声在不同情境中稳定指向某个对象或概念，才逐渐接近语义问题。

而真正的双向交流，还要求人类能够产生动物可理解的信号，动物能够作出与预测一致的反应，并且这一结果可以在不同个体、不同环境和不同时间中重复。

因此，AI在现阶段更像一台高倍显微镜，而不是一部万能翻译器。

它可以帮助科学家从巨大数据集中找到人耳难以发现的边界、规律和异常，却不能仅凭声音波形判断“这只动物内心真正想表达什么”。

声音的意义来自声音与世界之间的关系：发声者是谁、接收者是谁、双方在做什么、周围发生了什么，以及播放这段声音之后，动物会如何行动。

缺少这些信息，模型学习到的很可能只是漂亮的声学聚类，而不是语言。

真正稀缺的，从来不是模型，而是时间

谈到动物交流，我经常会想起已故灵长类学家珍·古道尔。

1960年，26岁的古道尔来到坦桑尼亚贡贝研究黑猩猩。最初，黑猩猩看到她就会逃走。她只能一次次保持距离，等待它们逐渐接受自己的存在。

后来，一只被她称为“灰胡子大卫”的黑猩猩率先接纳了她。古道尔也正是在它身上观察到黑猩猩用草茎钓取白蚁、加工和使用工具，从而改变了当时科学界对“人类独有能力”的理解。她坚持给黑猩猩起名字，而不是只用编号记录，因为她认为它们是有个性、关系和情绪的个体。

古道尔于2025年10月1日去世，但她开始的贡贝研究仍在延续，已经成为世界上持续时间最长的野生黑猩猩研究项目。

这也提醒我们，动物交流研究最珍贵的资源，往往不是GPU，而是研究者花几十年换来的信任、情境和连续记录。

AI可以在几小时内分析数千段录音，却无法替代科学家在森林、草原和海洋上等待一个物种逐渐展现真实行为的时间。

所以，这一轮跨物种交流研究最准确的总结，并不是：

“AI终于翻译出了动物语言。”

而应该是：

AI让沉睡多年的动物声音重新变得可分析，但真正让声音产生意义的，仍然是长期观察、行为实验，以及动物自己的回答。

我们正在接近的，也许并不是一台可以把鸟叫实时翻译成字幕的机器。

而是一种新的科学关系：人类不再只是站在外面解释动物，而是开始设计方法，认真询问它们——

我们对你们的理解，究竟对不对？

关注本站，每天分享跨境电商前沿资讯（ Ctrl + D 收藏本站/收藏为书签 ）