科学家用AI神经网络快速识别相似鸟类

你有没有过这样的困惑：在野外看到两只小鸟，明明长得差不多，却怎么也分不清谁是谁？对于观鸟爱好者来说，这种“脸盲”时刻可太常见了，尤其是在分辨那些看起来灰扑扑的麻雀和各种名叫“little brown jobs”的单调鸣禽时，简直能把人逼疯。不过，现在有个好消息——一个专门分析图片和视频的电脑程序，已经出手帮大家解决了这个难题。这项突破，很可能让科学家们揭开更多鸟类行为的秘密。

凯尼恩学院的行为生态学家艾瑞斯·莱文，虽然没直接参与这项新技术的研究，但他对过去的艰辛深有体会：“我们以前是怎么干的？拿着双筒望远镜，蹲在地上，眼睛都快贴到鸟腿上去了。”他说的，正是研究人员长期以来用彩色腿环来区分不同鸟类的老办法。在野外，他们靠这些彩色标记来认鸟；回到实验室，就得一张张翻看图片和视频。莱文感叹，这活儿真不是一般的费劲。

当然，技术也在进步。后来有人发明了带GPS和近距离传感器的特殊标签，能自动记录动物之间的互动，研究人员终于轻松了一些。比如一种叫射频识别（PIT）的标签——你可能听说过，超市防盗扣或者宠物芯片用的就是类似原理。当鸟儿落到扫描器附近时，PIT标签就会“嘀”一声连接上天线。从2017年起，法国国家科研中心的生态学家克莱尔·杜特兰和同事们，就把这种小标签塞进了群居织巢鸟的腿环里。

这些织巢鸟可不一般。在非洲南部，它们会在合欢树上联手建造巨型巢xue，一个巢重达一吨，能容纳200只鸟，各有各的“单间”。而且它们还会集体抚养幼鸟、联合抵御蛇和猛禽，社会行为相当复杂。为了研究这些，研究者需要识别并追踪数百只鸟。喂食器上的天线虽然能知道哪些鸟住在群体里，但更细致的信息，比如哪只鸟对公共事务贡献最大，就抓瞎了。问题在于，鸟巢里到处安装天线不现实——鸟儿对天线很警惕，而且房间之间距离太近，数据根本不准。

于是，团队里一位来自蒙彼利埃大学的博士生安德烈·费雷拉，决定试试人工智能的招。他用的工具叫卷积神经网络，本质上就是一个能从成千上万张图片中自我学习的算法——它会自动找出区分不同鸟类的视觉特征，然后根据这些特征对新图片做出判断。

这种神经网络在野生动物识别领域已经小有名气，之前成功辨认过48种非洲动物，甚至还能帮大象和某些灵长类动物完成更高难度的任务：区分同一物种的不同个体。这次，它要盯上的是会建造巨型公共巢xue的织巢鸟。

费雷拉给神经网络灌入了数千张已标注好的照片，这些照片来自30只不同的群居织巢鸟。他说：“以前没人想出个高效的办法来收集这种数据。”为了搞定照片，他在喂食器旁装了一台带射频天线的相机。小鸟一落到喂食器上，PIT标签就会触发一个小型电脑，记录下它们的身份；紧接着，相机每隔两秒拍一张鸟背部的照片——因为在筑巢或觅食时，这是鸟最常被看到的角度。

仅仅两周后，费雷拉就有了足够多的照片来训练神经网络。“说实话，我们当时也不确定这招能不能成，”杜特兰回忆道，“我们盯着这些鸟看了无数次，可要是没有腿上的颜色环，我们还是分不清谁是谁。”但出乎意料的是，当神经网络面对它从未见过的图片时，正确识别率高达90%。相关研究结果发表在了《生态和进化方法》期刊上。杜特兰说，这个精度，实际上已经和人类用双筒望远镜看彩色腿环的准确度差不多了。

接着，费雷拉又把这种方法拿到了马克斯·普朗克动物行为研究所，在另外两种鸟身上做验证：一种是圈养的斑胸草雀，另一种是野生的山雀。结果依然很准——这两种鸟可是生态学家研究最多的物种。

不过，加州大学戴维斯分校的行为生态学家盖尔·帕特里塞利提醒说，这个方法也有短板。比如说，有些鸟很难捕捉和标记，要拿到训练神经网络所需的几千张可识别照片，几乎不可能。她研究的是数量正在减少的大鼠尾草松鸡，就不敢轻易给它们套标签，因为那样会让鸟儿高度紧张。另一个潜在问题是，当鸟儿换羽时，神经网络可能就认不出它们了，需要重新训练。费雷拉目前正着手收集更多其他特征的照片，比如头部外观，来让工具更靠谱。

费雷拉自己也承认，当前神经网络最大的局限在于：它只会把新看到的鸟识别成它已知的那几只里的一个，压根儿不知道还有“新来的个体”。换句话说，它没法识别没见过的鸟。为了解决这个问题，费雷拉正和法林合作，试验另一种更聪明的神经网络——这种网络需要靠更多鸟的图片来训练，如果数据集足够大，即便是那些没有给鸟做标记的研究人员，也能直接上手用。法林对此充满期待：“我觉得这会彻底改变游戏规则。”

尽管有这些限制，帕特里塞利还是觉得这项新工作“很让人兴奋”。她说，用神经网络来区分不同鸟类，确实给研究很多其他鸟类及其行为打开了一扇新的大门。“要知道，有些鸟用肉眼看起来几乎一模一样，可这种算法居然能把它们分开，这本身就是件让人震惊的事。”

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：科学家用AI神经网络快速识别相似鸟类要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题