当一只抹香鲸在深海中发出一串有节奏的咔嗒声，人类第一次借助 AI 听出了其中可能存在的“音素结构”。跨越物种的对话，这个困扰人类几千年的幻想，正在从神话变成实验室里的研究课题。
一、从“对牛弹琴”到“听懂鲸语”
2026 年 10 月，《麻省理工科技评论》（MIT Technology Review）发表了一篇主题为 "Interspecies Communication"（跨物种交流）的深度报道，将其列为“不可能的议题”（Impossible Issue）之一。文章的核心观点是：解码动物如何交流，可以为理解其他物种的内心世界打开一扇窗口，并最终印证一个科学界争论已久的事实——动物是有感知的生物。
这件事为什么重要？因为它触及的不只是语言学或动物行为学，而是人类文明的一个根本性假设：我们是地球上唯一拥有复杂语言和意识的存在。如果 AI 能够证明抹香鲸的咔嗒声组合具有类似人类语言的“结构语法”，那么整个伦理学、法学、甚至饮食文化的地基都可能被动摇。
二、AI 为什么是破译动物语言的“唯一钥匙”
传统的动物行为学研究，靠的是人类观察者在野外蹲守几十年，比如珍妮·古道尔与黑猩猩相伴的一生。但这种方法有一个天花板：动物的交流信号是高维、海量、且超出人类感官感知范围的。大象使用人类听不见的次声波，蜜蜂用舞蹈的角度和持续时间编码方向，鲸类的声音在水下可以传播数百公里。
人类耳朵处理不了这些数据，但深度学习模型可以。
一个典型的技术路径是这样的：将数万小时的水下录音喂给类似 OpenAI 的 Whisper 或 Meta 的 wav2vec 2.0 这类语音模型，让它们自动发现声音单元。以 2024 年发表的 Whale2Seq 框架（此处为示意代码）为例：
import torch
import torchaudio
from transformers import Wav2Vec2Model, Wav2Vec2FeatureExtractor
# 加载预训练自监督语音模型
model = Wav2Vec2Model.from_pretrained("facebook/wav2vec2-base")
feature_extractor = Wav2Vec2FeatureExtractor.from_pretrained(
"facebook/wav2vec2-base"
)
def extract_codas(audio_path: str):
"""从鲸类录音中提取声学嵌入向量"""
waveform, sr = torchaudio.load(audio_path)
# 重采样到模型要求采样率
if sr != 16000:
waveform = torchaudio.functional.resample(waveform, sr, 16000)
inputs = feature_extractor(
waveform.squeeze().numpy(),
sampling_rate=16000,
return_tensors="pt",
)
with torch.no_grad():
hidden_states = model(**inputs).last_hidden_state
# 对时间维做均值池化，得到该段声音的语义向量
embedding = hidden_states.mean(dim=1)
return embedding
# 对所有 Coda（抹香鲸的咔嗒声序列）做聚类
# embeddings = [extract_codas(f) for f in coda_files]
# clusters = KMeans(n_clusters=21).fit_predict(embeddings)
正是这种“先嵌入、再聚类”的方法，让 researchers 发现抹香鲸的 Coda 并非随机咔嗒声，而是可以按节奏（rhythm）、时长和重复次数组合成 21 种基本码型——这几乎是“音素”的雏形。这种工作，人力统计一百年也做不完，AI 几周就给出了假设。
三、正在进行的三个标志性项目
1. CETI 项目：地球生物计划CETI（Cetacean Translation Initiative，鲸类翻译计划）是目前规模最大的跨物种交流项目。它联合了语言学家、生物学家、机器人学家和 AI 研究者，目标是在几内亚加勒比海域的多米尼克，长期跟踪约 250 头抹香鲸家族，累计采集数十亿个交流声音样本。团队曾使用 MIT 计算机科学与人工智能实验室（CSAIL）开发的机器学习分析，发现抹香鲸的声音组合遵循类似人类语言 phonetic alphabet（音标字母系统）的组合规律。
2. Earth Species Project：为所有物种建“通用翻译器”这家由 LinkedIn 联合创始人 Reid Hoffman 等人资助的非营利组织，思路更加激进：不针对单一物种，而是训练跨物种的声学基础模型。他们发布了开源模型 NatureLM-audio，一个音频-文本多模态大模型，可以处理从鸟类鸣叫到鲸类歌曲的各类生物声学数据，尝试发现不同物种发声中的共同结构。
3. 灵长类与草原犬鼠的“词汇表”更早的铺垫来自 Con Slobodchikoff 对草原犬鼠的研究：他发现这些啮齿动物的警报叫声可以编码“人”、“鹰”、“郊狼”等不同信息，甚至区分入侵者的颜色和大小。如今这类研究正在被 AI 重新处理——用分类模型验证叫声是否具有指代性语义。
四、技术瓶颈：我们没有“双语词典”
但冷静一点看，这件事的难度被普遍低估了。机器翻译之所以成功，是因为存在海量的平行语料——同一句话的中英文对照。而跨物种翻译面临一个死结：我们没有任何一份“鲸语-英语词典”。
这意味着 AI 能做的，目前停留在两个层次：
1. 结构发现：证明动物信号具有组合性、语法性——即是否满足语言学家 Hockett 提出的“设计特征”中的若干条；
2. 语境关联：将特定叫声与可观察的行为（进食、警报、交配）建立统计关联。
但“它有结构”不等于“它在说什么”。一头抹香鲸可能表达的不是“前面有鱿鱼”，而是某种我们完全没有概念支撑的情绪或社会性内容。人类可能听得见它们的每一个音节，却依然读不懂任何一个句子的含义。 这是 MIT TR 把它列为“不可能的议题”的深层原因——技术上或许可行，语义鸿沟上却可能永远隔着一片深海。
五、比技术更难的问题是：听懂之后呢？
假设有一天我们真的破译了，伦理困境随之而来：
- 动物福利立法：如果抹香鲸、猪、鸡被证明拥有复杂的社会性交流与情感，工业养殖和捕鲸的正当性将受到根本性质疑。事实上，2024 年已有研究团体呼吁在法律上承认鲸类为“非人类之人”。
- 交流的双向性：真正的交流意味着我们不仅要“听懂”，还可能被要求“回应”。用 AI 合成声音“回复”鲸群，是科学的胜利还是一场傲慢的干预？CETI 团队内部对此就有分歧。
- 数据伦理：持续的声学监听本质上是对整个物种的“全景监控”，这些数据被谁掌握、用于什么目的，几乎没有人讨论。
AI 给了我们一副助听器，但没告诉我们戴上之后该做什么。
六、结语
跨物种交流研究的真正价值，也许不在于哪天我们能和海豚聊天，而在于它迫使我们承认：智能和感知以多种形态存在于这颗星球上，而人类只是其中一种解码者。 当 AI 帮我们推开了这扇窗，重要的不只是窗外的风景，还有我们凝视它们的方式。
深海之下，抹香鲸已经叫了几千万年。现在，终于有人在认真听。
