Scientific Reports: ИИ определяет настроение животных по тембру их голосов

Кошачье шипение служит предупреждением, а собаки обычно виляют хвостом от радости. Однако в большинстве случаев человеку трудно понять, что именно чувствует животное. Исследователи из Милана нашли способ решения проблемы: созданная ими модель искусственного интеллекта научилась определять эмоциональную окраску звуковых сигналов семи видов копытных — от свиней до коз и коров.

Работа опубликована в журнале Scientific Reports.

Оказалось, отрицательные эмоции чаще выражаются в средне- и высокочастотных диапазонах, тогда как положительные сигналы распределены равномернее. При этом у разных видов "ключ" к эмоциям различается — у свиней особенно важны высокие частоты, у овец и лошадей — средние.

По словам автора исследования Ставроса Нталампираса, его алгоритм способен выделять тончайшие акустические особенности, которые не улавливает человеческое ухо. Это открывает путь к новым инструментам мониторинга здоровья и благополучия животных.

Перспективы у технологии самые разные. Фермеры смогут получать ранние сигналы о стрессе скота, зоологи — отслеживать состояние популяций в дикой природе, а сотрудники зоопарков — реагировать на изменения в поведении подопечных до того, как проявятся видимые признаки. Но вместе с тем возникает и этический вопрос: если машина фиксирует страдание животного, обязаны ли люди вмешиваться?

Подобные исследования ведутся и в отношении других видов. Ученые из США в рамках проекта Ceti анализируют щелчковые сигналы кашалотов, пытаясь выявить социальные коды в их "речи". Собаки становятся объектом проектов, где AI связывает мимику, лай и движения хвоста с эмоциями и даже помогает фиксировать признаки эпилептического приступа у хозяина.

Алгоритмы также уже успешно расшифровывают танцы пчел, указывающие направление к источнику пищи.

Однако исследователи подчеркивают: речь идет не о "переводе" на человеческий язык, а о выявлении закономерностей. Любая попытка упростить богатую поведенческую палитру до бинарных категорий "плохо-хорошо" несет риск ошибки. Более надежные модели должны объединять акустические данные с визуальными и физиологическими показателями — позой, выражением морды или частотой сердечных сокращений.

"Вопрос не в том, насколько точно мы научимся слушать животных, — а в том, как распорядимся этой информацией", — отметили ученые.