Can we learn to talk to sperm whales? | David Gruber | TED

76,548 views ・ 2021-04-28

TED


Pro přehrání videa dvakrát klikněte na anglické titulky níže.

Překladatel: Lenka Slámová Korektor: Vladimír Harašta
00:12
You are about to hear the sounds of the largest-toothed predator
0
12375
3309
Uslyšíte zvuky predátora s největšími zuby na planetě:
00:15
on the planet:
1
15708
1268
zvířete většího než školní autobus
00:17
an animal bigger than a school bus
2
17000
2351
00:19
with perhaps the most sophisticated form of communication
3
19375
3059
s asi nejsofistikovanější formou komunikace,
00:22
that has ever existed.
4
22458
2310
jaká kdy existovala.
00:24
(Video: whale clicking)
5
24792
6000
(video: zvuky velryby)
00:43
These are the sounds of the mighty sperm whale,
6
43833
2518
Toto jsou zvuky mohutného vorvaně obrovského,
00:46
a fellow mammal that can dive almost a mile,
7
46375
2893
kamarádského savce, který se dokáže potopit téměř míli hluboko
00:49
hold its breath for more than an hour
8
49292
2267
a zadržet dech na více než hodinu
00:51
and lives in these amazingly complex, matriarchal societies.
9
51583
3851
a který žije v překvapivě komplikovaných matriarchálních společnostech.
00:55
These clicks you heard,
10
55458
1310
Tomu cvakání, jež slyšíte, se říká kody
00:56
called codas,
11
56792
1267
a jsou jen částí toho, co o jejich komunikaci víme.
00:58
are just a facet of what we know of their communication.
12
58083
3101
01:01
We know these animals are communicating,
13
61208
2393
Víme, že tato zvířata komunikují,
01:03
we just don't yet know what they're saying.
14
63625
2976
jen ještě nevíme, co říkají.
01:06
Project CETI aims to find out.
15
66625
2268
Projekt CETI to chce zjistit.
01:08
Over the next five years,
16
68917
1559
Během následujících pěti let si náš tým AI odborníků,
01:10
our team of AI specialists,
17
70500
1684
01:12
roboticists, linguists
18
72208
1768
robotiků, lingvistů a mořských biologů
01:14
and marine biologists
19
74000
1434
01:15
aim to use the most cutting-edge technologies
20
75458
2310
dává za cíl využít nejmodernější technologie
01:17
to make contact with another species,
21
77792
1892
k navázání kontaktu s jinými druhy
01:19
and hopefully communicate back.
22
79708
3476
a snad s nimi i komunikovat.
01:23
We believe that by listening deeply to nature,
23
83208
2518
Věříme, že důkladným nasloucháním přírodě
01:25
we can change our perspective of ourselves
24
85750
2476
můžeme změnit svou vlastní perspektivu
01:28
and reshape our relationship with all life on this planet.
25
88250
5059
a přetvořit svůj vztah k veškerému životu na této planetě.
01:33
This of course seems like an impossible goal.
26
93333
3393
To samozřejmě vypadá jako nedosažitelný cíl.
01:36
People have been trying to make contact with other animals
27
96750
2768
Lidé se snaží navázat kontakt s jinými zvířaty už stovky let.
01:39
for hundreds of years.
28
99542
1309
01:40
How could we do what others could not,
29
100875
2393
Jak bychom mohli zvládnout to, co jiní nedokázali,
01:43
especially given that I'm sitting here on my couch in New York City
30
103292
4142
zvláště když tu sedím na svém gauči v New Yorku
01:47
in the middle of a pandemic and protests?
31
107458
2476
uprostřed pandemie a protestů?
01:49
I've spent the last 20 years as a marine biologist and oceanographer,
32
109958
3810
Jako mořský biolog a oceánograf jsem strávil posledních 20 let
01:53
studying the ocean from all different perspectives,
33
113792
3059
studiem oceánu ze všech různých perspektiv,
01:56
from microbes to sharks.
34
116875
1851
od mikrobů po žraloky.
01:58
I've assembled interdisciplinary teams
35
118750
1893
Sestavil jsem interdisciplinární týmy,
02:00
that have built the first shark-eye camera
36
120667
2142
jež sestrojily první kameru se žraločím okem,
02:02
to see the world from a shark's perspective,
37
122833
2226
abychom svět viděli z pohledu žraloka,
02:05
and have collaborated with engineers
38
125083
1851
a spolupracovaly s techniky
02:06
to design robots so gentle that they don't even stress a jellyfish.
39
126958
4893
na návrhu robotů tak mírumilovných, že nestresují ani medúzy.
02:11
But it wasn't until 2018
40
131875
2143
Ale až v roce 2018, kdy jsem byl stipendistou
02:14
when I was on fellowship
41
134042
1309
02:15
at the Radcliffe Institute for Advanced Study
42
135375
2434
na Radcliffe Institute for Advanced Study,
02:17
that I realized that perhaps the best way to understand the ocean
43
137833
3060
jsem si uvědomil, že snad nejlepší způsob, jak porozumět oceánu a jeho obyvatelům,
02:20
and its inhabitants
44
140917
1267
nespočívá jen ve vidění světa jejich očima, ale v naslouchání ‒
02:22
wasn't just by seeing the world through their eyes,
45
142208
3101
02:25
but by listening --
46
145333
1310
02:26
by really, deeply listening.
47
146667
2142
opravdovém a důkladném naslouchání.
02:28
I became interested in sperm whales when I heard their sounds.
48
148833
3060
O vorvaně jsem se začal zajímat, když jsem slyšel jejich zvuky.
02:31
They sounded like they were coming from another universe;
49
151917
2726
Znělo to, jako by přicházely z jiného vesmíru;
02:34
a siren song being broadcast from the darkest reaches of the sea.
50
154667
4434
píseň sirén vysílaná z nejtemnějších zákoutí moře.
02:39
These weren't the typical harmonious whale songs
51
159125
3393
Nebyly to typické harmonické velrybí písně,
02:42
that I had been accustomed to.
52
162542
1559
na které jsem byl zvyklý.
02:44
These sounded more like digital data transfer.
53
164125
3268
Znělo to spíše jako digitální přenos dat.
02:47
We assembled the future Project CETI team
54
167417
2434
Sestavili jsme budoucí tým Projektu CETI
02:49
and began discussing how to use the most advanced technologies
55
169875
3351
a začali diskutovat o tom, jak použít nejmodernější technologie
02:53
to communicate with whales.
56
173250
2101
ke komunikaci s velrybami.
02:55
One of the principal conclusions
57
175375
1559
Jedním z hlavních výstupů bylo,
02:56
was that machine learning had a really good chance
58
176958
2685
že strojové učení má opravdu velkou šanci
02:59
of understanding the patterns of sperm whale communication.
59
179667
2934
porozumět vzorcům vorvaní komunikace.
03:02
And the time to apply these technologies was now.
60
182625
3684
A tak nastal čas tyto technologie použít.
03:06
Cracking the interspecies communication code
61
186333
2726
Prolomení mezidruhového komunikačního kódu
03:09
didn't just seem possible,
62
189083
3018
se zdálo nejen možné,
03:12
it almost seemed inevitable.
63
192125
2268
ale dokonce nevyhnutelné.
03:14
But how can analyzing patterns help us converse with whales
64
194417
2851
Jak nám ale analýza vzorců může pomoci mluvit s velrybami a jinými zvířaty?
03:17
and other animals?
65
197292
1267
03:18
Well, step one is to understand the elements of sperm whale communication.
66
198583
4393
Prvním krokem je porozumět prvkům komunikace vorvaně.
Zdá se, že kody, které jste slyšeli, nejsou větami, jak je známe,
03:23
These codas you heard don't appear to be sentences as we know them,
67
203000
4059
03:27
but there's clear structure in how these animals communicate.
68
207083
2935
ale v komunikaci těchto zvířat existuje jasná struktura.
03:30
Sperm whales send codas back and forth to each other
69
210042
2934
Vorvani si navzájem v sekvencích vysílají kody
03:33
in sequences,
70
213000
1309
03:34
and there are regional dialects like British and Australian accents.
71
214333
3976
a mají regionální dialekty, tak jako máme britský a australský akcent.
03:38
This is exactly why machine learning is such a powerful tool.
72
218333
3768
Právě proto je u nich strojové učení tak silným nástrojem.
03:42
These approaches analyze patterns in relationship and map meaning to them.
73
222125
4018
Tyto přístupy analyzují vzorce ve vztazích a mapují jejich význam.
03:46
Just a few years ago, scientists used machine learning
74
226167
2767
Jen před pár lety použili vědci strojové učení
03:48
to translate between two totally unknown human languages.
75
228958
3810
k překladu mezi dvěma zcela neznámými lidskými jazyky.
03:52
Not by using a Rosetta Stone or a dictionary,
76
232792
2767
Nepoužili Rosettskou desku nebo slovník,
03:55
but by mapping them on patterns in higher-dimensional space.
77
235583
4435
ale mapovali je jako vzorce ve vyšší dimenzi prostoru.
04:00
But for machine learning to work effectively,
78
240042
2267
Ale aby bylo strojové učení efektivní, potřebuje data ‒
04:02
it needs data --
79
242333
1310
04:03
it needs lots and lots of data.
80
243667
2767
potřebuje spoustu a spoustu dat.
04:06
In the past half-century,
81
246458
1726
V uplynulém půlstoletí
04:08
marine researchers have painstakingly collected
82
248208
3476
mořští výzkumníci snaživě nashromáždili
04:11
and hand annotated just a few thousand sperm whale vocalizations,
83
251708
4601
a ručně popsali sotva několik tisíc vokalizací vorvaně,
04:16
but in order to learn sperm whale communication,
84
256333
2310
ale abychom se naučili mluvit s vorvani,
04:18
we'll need to collect millions,
85
258667
2392
budeme muset získat miliony,
04:21
if not tens of millions
86
261083
1976
ne-li desítky milionů
04:23
of carefully annotated sperm whale vocalizations
87
263083
2893
pečlivě okomentovaných vokalizací vorvaňů
korelovaných s jejich chováním.
04:26
correlated with behaviors.
88
266000
1893
04:27
We'll do it with noninvasive, autonomous, free-swimming robots,
89
267917
3142
Uděláme to s pomocí neinvazivních, autonomních, volně plujících robotů,
04:31
aerial-aquatic drones,
90
271083
1685
obojživelných dronů,
04:32
bottom-mounted hydrophone arrays
91
272792
1601
hydrofonových polí na dně oceánu a dalších zařízení.
04:34
and more.
92
274417
1267
04:35
We'll work with our close partners at the Dominica Sperm Whale Project
93
275708
3351
Budeme spolupracovat s partnery v Dominica Sperm Whale Project
na pokrytí oblasti o rozloze 20 km²,
04:39
to cover a 20-square-kilometer area
94
279083
2101
04:41
that is frequented by over 25 well-known families of sperm whales.
95
281208
4560
kterou navštěvuje přes 25 známých rodin vorvaňů.
04:45
We're going to put specific focus on the interactions of mothers and calfs,
96
285792
4642
Konkrétně se zaměříme na interakce matek a telat
04:50
training our machine learning algorithms
97
290458
2185
a vytrénujeme algoritmy strojového učení,
04:52
to learn whale language from the bottom up.
98
292667
2601
abychom se jazyk velryb naučili od základů.
04:55
All this data we'll have sent through a pipeline
99
295292
2309
Všechna tato data nám budou zasílána
04:57
and analyzed by the Project CETI translation team.
100
297625
2434
a analyzována překladatelským týmem Projektu CETI.
05:00
The raw audio and context data will go through our machine learning engine
101
300083
3976
Surová zvuková a kontextová data projdou naším algoritmem strojového učení,
05:04
where it's going to be first sorted by structure.
102
304083
2351
kde budou nejprve seřazeny podle struktury.
05:06
The linguistics team will then search for things like syntax
103
306458
2893
Lingvistický tým pak bude pátrat po věcech jako syntax a časový posun.
05:09
and time displacement.
104
309375
1268
05:10
For example,
105
310667
1267
Například
05:11
if we find an event where a whale was talking about something yesterday,
106
311958
3810
pokud najdeme událost, kdy by velryba mluvila o něčem ze včerejška,
05:15
that alone would be a major finding,
107
315792
2142
to samo by bylo zásadní zjištění,
05:17
something that has thus far only been shown in humans.
108
317958
3268
něco, co se dosud prokázalo jen u lidí.
05:21
And once we've really mastered listening,
109
321250
2309
A jakmile opravdu zvládneme poslech,
05:23
we're going to try really carefully to talk back
110
323583
3226
pokusíme se velmi opatrně odpovědět,
05:26
even on the most simplistic level.
111
326833
2185
byť na té nejjednodušší úrovni.
Projekt CETI pak vybuduje open-source platformu,
05:29
Finally, Project CETI will build an open-source platform
112
329042
2726
05:31
where we will make our data sets available to the public,
113
331792
2809
kde veřejnosti zpřístupníme naše datové sady,
05:34
encouraging the global community
114
334625
2059
a povzbudíme globální komunitu,
05:36
to come along on this journey for understanding.
115
336708
2393
aby se vydala na cestu porozumění.
05:39
These animals could be the most intelligent beings on this planet.
116
339125
4393
Tato zvířata by mohla být nejinteligentnějšími bytostmi na planetě.
05:43
They have a neocortex and spindle cells --
117
343542
2851
Mají mozkovou kůru a vřetenové buňky –
05:46
structure that in humans control our higher thoughts,
118
346417
3101
strukturu, která u lidí ovládá vyšší myšlení,
05:49
emotions, memory, language and love.
119
349542
3226
emoce, paměť, jazyk a lásku.
05:52
And all the platforms that we develop can be cross-applied to other animals:
120
352792
3684
A všechny platformy, které vyvíjíme, lze aplikovat i na jiná zvířata:
05:56
to elephants, birds,
121
356500
1601
na slony, ptáky,
05:58
primates, dolphins --
122
358125
1643
primáty, delfíny –
05:59
essentially any animal.
123
359792
1517
v podstatě na jakákoli zvířata.
06:01
In the late 1960s,
124
361333
1643
Na konci šedesátých let
zjistil Roger Payne, člen našeho týmu, že velryby zpívají.
06:03
our team member, Roger Payne, discovered that whales sing.
125
363000
3976
(záznam: zpěv velryby)
06:07
(Recording: whale singing)
126
367000
1268
06:08
A finding that sparked the Save the Whales movement
127
368292
2642
Objev, který odstartoval hnutí Save the Whales,
06:10
led to the end of large-scale whaling
128
370958
2643
vedl k ukončení lovu velryb ve velkém
06:13
and prevented several whale species from extinction
129
373625
3476
a zabránil vyhynutí několika druhů velryb,
06:17
just by showing that whales sing.
130
377125
3143
a to jen pouhým ukázáním na to, že velryby zpívají.
06:20
Imagine if we could understand what they're saying.
131
380292
2476
Představte si, kdybychom rozuměli tomu, co říkají.
06:22
Now is the time to open this larger dialogue.
132
382792
3642
Nastal čas zahájit tento širší dialog.
06:26
Now is the time to listen deeply
133
386458
2643
Je na čase důkladně naslouchat
06:29
and show these magical animals,
134
389125
1893
a prokázat těmto kouzelným zvířatům
06:31
and each other,
135
391042
1851
a sobě navzájem
06:32
newfound respect.
136
392917
1375
znovu nalezený respekt.
06:35
Thank you.
137
395417
1250
Děkuji.
O tomto webu

Tato stránka vám představí videa na YouTube, která jsou užitečná pro výuku angličtiny. Uvidíte lekce angličtiny vedené špičkovými učiteli z celého světa. Dvojklikem na anglické titulky zobrazené na každé stránce s videem si video přehrajete přímo odtud. Titulky se posouvají synchronizovaně s přehráváním videa. Pokud máte nějaké připomínky nebo požadavky, kontaktujte nás prosím pomocí tohoto kontaktního formuláře.

https://forms.gle/WvT1wiN1qDtmnspy7