AI读懂动物语言仍有三大技术鸿沟待跨越

围绕《AI即将揭开动物交流隐秘世界》引发的讨论，已经深入到"人鲸对话协议"的具体制定阶段。然而，当前就急于为鲸鱼开发翻译设备，实则忽视了数据工程领域的巨大挑战。即使在人类方言识别领域，系统在高噪声环境下的识别率也难以达到理想水平，期待短期内与抹香鲸展开哲学层面的交流显然不切实际。

一、音频编码技术成为突破瓶颈，而非简单依赖大模型

离散编码处理鲸声信息易导致关键细节丢失

当前主流技术路径是将鲸鱼的咔哒声、鸟类鸣叫以及蝙蝠超声波等声音信号输入AudioLM、HuBERT或EnCodec等离散编码器，将其压缩为token序列后再交由大语言模型进行预测。这种处理方式表面看似便捷，实际困难在于如何保全动物声音中蕴含的有效信息。

码率选择与长序列处理形成双重制约

码率的选择尤为关键。实验表明，EnCodec在6kbps码率下还原人声尚可接受，但当压缩ICI达到10ms量级的抹香鲸咔哒声时，输出结果会变得模糊不清；而将码率提升至24kbps又会引入大量伪影问题。这种情况下，大语言模型学习到的可能并非鲸鱼的语法规则，而是压缩过程中产生的伪影特征。

鲸鱼的交流行为往往持续数小时之久，普通上下文窗口难以完整容纳如此长的序列。采用滑动窗口方式进行切分处理，又可能破坏原有的结构完整性。Mamba、RWKV以及线性注意力等模型架构的应用并非单纯追求技术指标领先，而是因为Transformer架构确实难以将这类超长序列有效载入显存中进行处理。

二、数据标注不足与验证缺失构成发展障碍

有限标注数据难以支撑大模型训练需求

CETI计划虽计划收集数百万小时的鲸鱼录音数据，但其中经过人工标注的"含义段"不足200小时。用这不到200小时的去标注数据，试图对齐数百万小时的潜在信息空间，本质上属于少样本迁移学习范畴，远不能据此宣称"AI已成功破译"。

缺乏标准导致结果验证无法进行

更严峻的挑战在于缺乏Ground Truth作为验证基准。人类语言拥有字典、语法书和双语平行语料等多种参考资源，而鲸鱼的"词汇表"规模大小、是否具备组合性特征、"句子"边界如何界定等问题，目前均无明确答案。

现有研究方法通常是先对离散码本进行聚类分析，观察结果中是否存在重复出现的模式，再为聚类结果贴上"这是问候信号"、"这是捕食警告"之类的主观标签。模型完成聚类分析，并不等同于人类已经理解了鲸歌的真正含义；为声音强行套上一套符合人类直觉的解释体系，也不能证明这些标签就代表了动物交流的真实语义。当这些条件同时成立时，研究者需要开发更多交叉验证方法，并寻找独立于人类直觉的客观评估标准，才能推动这一领域取得实质性突破。