科學家們“傻傻分不清”的鳥兒，找AI！準確率達90%_風聞

對於人類而言，羣居織布鳥看上去幾乎是一樣的。圖片來源：Afripics/Alamy Stock Photo

研究鳥的學者必須要面對這樣一個事實，那就是有些物種難以辨別，特別是被稱為“little brown job”的麻雀和單色的鳴禽。區分這些個體幾乎是不可能的。現在，一個分析照片和視頻的AI已經能夠完成這一複雜工作。這一進展將有望揭示有關鳥類行為的新信息。

美國凱尼恩學院的行為生態學家Iris Levin説：“我們花了很多時間蹲守，並用雙筒望遠鏡觀察鳥類和它們的腿，原因在於，多年來，我們都是通過在鳥腿上放置彩色環來識別它們。用彩色環來識別野外鳥類以及實驗室裏的照片和視頻的工作通常都很費力。”

現在，有一種特殊的設備，即無源集成應答器（PIT）標籤可以通過記錄動物互動時間的GPS和近距離傳感器來簡化工作。當一隻鳥落在幾釐米之內時可以向連接的天線發送信息。

自2017年以來，法國國家科學研究中心（CNRS）的行為生態學家克Claire Doutrelant和她的同事一直在將這些小標籤綁到羣居織布鳥（Philetairus socius）的腿環上。

善於交際的織布鳥一起在南部非洲建造大型鳥巢，通常是在金合歡樹上。這些鳥巢重量可達1噸，每個巢中住着200多隻織布鳥。它們的合作行為還包括雛鳥餵養以及對蛇和獵鷹的防禦。為了研究這些行為，研究人員識別並跟蹤了數百隻織布鳥。

餵食器上的天線可以追蹤哪些鳥生活在這個羣體中。但更詳細的信息，如哪些鳥對公共活動的貢獻最大，是無法通過這種方式獲取的。而且Doutrelant和她的同事們無法在整個鳥巢中放置天線，因為鳥兒對它們保持警惕，而且它們彼此之間的巢距離太近，無法進行可靠的數據採集。

因此，該團隊成員、法國蒙彼利埃大學的博士生André Ferreira決定嘗試一種人工智能方法。這種名為卷積神經網絡的工具能夠篩選成千上萬張圖片，以確定哪些視覺特徵可用於對給定圖像進行分類，然後使用這些信息對新圖像進行分類。卷積神經網絡已被用於識別野外的各種動植物物種，包括48種非洲動物。他們甚至為大象和一些靈長類動物完成了更為複雜的任務：區分同一物種的個體。

一種算法可以跟蹤單隻鳥在與其他鳥協作建立巨大的公共鳥巢時的行為。圖片來源：Katia Bougiouri and André Ferreira

Ferreira向神經網絡輸入了30只已經被標記的羣居織布鳥的數千張照片。他説：“沒有人想出一種有效的方法來收集這些訓練數據集。” 

為了拍攝照片，他在裝有射頻天線的喂鳥器附近安裝了攝像頭。織布鳥一落地，一台小型計算機就利用PIT標籤記錄其身份，並且照相機每2秒就拍攝一次鳥背部的照片。（背部是鳥在築巢或覓食時最常被看到的部分）

僅僅兩週後，Ferreira的照片就足以用來訓練神經網絡。Doutrelant回憶説：“我們不確定這是否可行，我們對這些鳥類進行了大量觀察，如果沒有顏色環，我們就永遠無法識別它們。”

但是，當給出以前從未見過的照片時，神經網絡在90%的時間裏都能正確識別出鳥類個體，他們在本週的**《Methods in Ecology and Evolution》**上發表了這盤報告。Doutrelant説，這與人類用雙筒望遠鏡觀察彩色環的準確性差不多。

隨後，Ferreira在馬克斯普朗克動物行為研究所的行為生態學家Damien Farine研究的另外兩種鳥類嘗試了這種方法。該工具同樣可以準確地識別圈養的斑馬雀和野外的大山雀。這兩個物種都已被生態學家廣泛研究。

但是加州大學戴維斯分校的行為生態學家Gail Patricelli認為這種方法存在一些侷限性。例如，對於難以捕獲和標記的物種，可能很難獲得訓練神經網絡所需的數千張可識別照片。她在研究更大的鼠尾草松雞（一個數量正在減少的物種），並努力避免打擾它們，因為這會給鳥類造成壓力。另一個潛在的限制：當鳥類換羽毛時，神經網絡可能就無法識別它們了，因此需要重新訓練。Ferreria正在收集其他特徵的照片以改善該工具，例如頭部外觀。

Ferreira説，當前神經網絡的最大侷限性在於，它試圖將每隻鳥識別為已知的某隻鳥，因此無法識別出新個體。Ferreira正在與Farine合作，嘗試一種可以實現這一點的不同類型神經網絡，這需要利用更多的鳥類照片對其進行訓練。如果數據集足夠大的話，這個工具甚至可以被那些沒有給他們的鳥做標記的研究人員使用。Farine 説：“我認為這將徹底改變遊戲規則。”

儘管存在這些限制，Patricelli仍認為這項新研究“令人興奮”，並表示它為研究許多其他鳥類和行為提供了可能性。

Patricelli説：“這種算法能把我們肉眼看起來非常相似的鳥兒區分開來，這一事實着實令人震驚。”

論文鏈接：

https://besjournals.onlinelibrary.wiley.com/doi/10.1111/2041-210X.13436