AI를 활용한 오랑우탄 의사소통의 복잡성을 밝힌 획기적인 연구

언어는 가장 신비로운 진화적 수수께끼 중 하나입니다. 과학자들은 아직 인간과 다른 영장류가 많은 공통점을 가지고 있지만 대화 능력을 공유하지 않는 이유를 확신하지 못합니다. 최근까지 코넬 대학교 연구원들이 수행한 연구를 통해 오랑우탄의 복잡한 언어가 발견되었습니다. 오랑우탄은 동남아시아의 대형 유인원으로 정교한 음성 의사소통으로 알려져 있습니다. 그러나 연구원들은 그들의 레퍼토리 미묘함을 이해하는 데 어려움을 겪었습니다.

3년 동안 지속된 신중한 연구 끝에 연구원들은 보르네오 오랑우탄의 포효, 한숨 및 기타 발성 속에 숨겨져 있던 복잡한 패턴을 해독할 수 있었으며, 따라서 그들의 의사소통 기술에 대한 고유한 정보를 얻을 수 있었습니다.

AI 지원 분석

PeerJ Life & Environment 저널에 게재된 이 연구는 오랑우탄 의사소통에 대한 지식에서 주요한 돌파구입니다. 연구팀은 생물학자 및 생음향학 과학자들이 훈련된 귀, 지성 및 측정 도구만을 사용했던 작업과 비교하여 AI 감지 방법을 강화함으로써 연구를 강화했습니다.

연구팀은 보르네오 오랑우탄이라는 특정 종의 수컷 13마리가 녹음한 117개의 긴 호출을 포함하는 데이터셋을 구성했으며, 1,033개의 서로 다른 펄스에서 46개의 음향 측정을 사용했습니다. 그들은 “’이러한 특징은 이 신호의 잠재적 복잡성을 크게 높일 것 같습니다.’”라고 명시하며, 인류가 곧 유인원이 무엇을 말하는지 알게 될 것이라고 암시했습니다.

연구의 수석 저자 Wendy Erb 박사에 따르면, “우리의 연구는 인도네시아의 밀림에서 광범위한 거리에서 의사소통에 중요한 역할을 하는 오랑우탄 긴 호출의 복잡성을 풀어나가는 것을 목표로 했습니다.”

다각적인 접근

팀이 사용한 최신 비지도 기계 학습 알고리즘인 Uniform Manifold Approximation and Projection (UMAP)은 2020년 캘리포니아 대학교 샌디에고에서 '동물 발성 레퍼토리'를 해독하는 데 성공적으로 사용되었습니다.

UMAP 알고리즘은 R 프로그래밍 언어로 작성된 더 많은 통계 알고리즘으로 강화되었습니다. 기타 유형의 지도 기계 학습 외에도 R가 프로세스에 사용되었지만, 모든 경우에서 유인원의 1,033개 고유 발성 단계와 펄스는 무작위로 60/40으로 분할되었으며, 60퍼센트는 AI 훈련에 사용되고 나머지 40퍼센트는 새로 훈련된 분류 능력의 정확성을 테스트하는 데 사용되었습니다.

지도 및 비지도 기계 학습 기법의 조합을 활용하여 연구팀은 세 가지 주요 펄스 유형을 분류했습니다: 고주파 펄스를 위한 'Roar', 저주파 펄스를 위한 'Sigh', 그리고 두 카테고리 사이에 속하는 펄스를 위한 'Intermediate'.

그들의 연구는 영장류가 무엇을 말하고 있는지에 초점을 맞추지 않았습니다. 그럼에도 불구하고 그들이 어떻게 말하고 있는지 감지하는 데 도움이 되었습니다. 연구원들은 결국 오랑우탄이 이전에 가정되었던 것보다 훨씬 더 넓은 범위의 소리를 사용한다는 것을 깨달았습니다.

인간 진화에 대한 함의

인간은 가장 복잡한 소리를 생성할 수 있는 유일한 영장류이지만, 여전히 더 원시적인 영장류가 이러한 기술을 습득하는 방식과 우리가 습득한 방식 사이에는 직접적인 관계가 있습니다. 이를 달성하기 위해 과학자들은 먼저 오랑우탄과 같은 동물들이 사용하는 더 '단계적'인 발성이 어떻게 그렇게 잘 의미를 전달하는지 이해해야 합니다.

오랑우탄 발성을 연구함으로써 과학자들은 결국 인간이 어떻게 말을 배우게 되었는지 알게 될 수 있습니다. 각 종은 성적 선택, 서식지의 세부 사항, 특정 사회적 구조 및 포식자로부터의 압력과 같은 진화적 요인의 결과로 음성 복잡성을 생성합니다.