研究借助人工智能，通过捕食者咀嚼猎物的声音识别猎物
一句话看懂：科学家训练AI模型，通过分析捕食者咀嚼猎物时发出的声音，自动识别被吃掉的物种。这项研究将被动声学监测从“听有没有动物”推进到“听谁被吃了”，为生态研究提供全新数据维度。
事件核心：发生了什么
据phys.org报道，一支研究团队利用机器学习模型，对捕食者进食时的“嘎吱”声进行训练和分类，成功实现了对猎物种类的自动识别。研究过程中，团队录制了多种捕食者（如鸟类、哺乳动物）啃食不同猎物的音频，并将这些声音信号转化为频谱特征，输入到一个基于卷积神经网络（CNN）的AI模型中进行训练。初步结果显示，模型能够以较高准确率区分不同猎物在被咀嚼时的独特声学特征，即使被捕食者体型相近，声音频谱也存在可辨识的差异。该研究尚未披露具体的模型名称或准确率数据，但强调了该方法在野外生态监测中的可行性与非侵入性优势。
为什么重要
这项研究的意义在于，它为AI在生态监测领域的应用打开了一个新的“连接点”。传统被动声学监测（Passive Acoustic Monitoring）通常只能探测到动物的鸣叫或存在，而无法直接获取被捕食的信息。捕食事件是食物网能量流动的关键环节，但野外直接观察极其困难。利用AI解析“咀嚼声”，相当于给生态学家装上了一台能“听出死亡”的自动记录仪。从技术层面看，这体现了AI在细粒度音频分类上的潜力——模型需要从混杂环境噪声中提取微弱、短暂且高度非稳态的进食声音，其难度不亚于特定场景下的语音识别。目前公开信息显示，这一方向仍处于实验室验证阶段，但已显示出在野生动物保护、入侵物种追踪和食物网动态建模上的应用前景。
对用户/开发者/创作者的影响
对于开发生态监测AI模型的团队，这项研究提供了新的训练数据来源与任务定义——从物种识别转向行为事件识别。开发者可能需要关注CNN之外的时序模型（如Transformer-based audio encoder）在咀嚼声分类上的表现。对于从事边缘计算和低功耗AI硬件的厂商，这意味着野外部署的声学AI设备需要更强的实时音频处理算力，尤其是在电池供电的条件下平衡推理速度与准确率。对于科普创作者，这类研究提供了生动的叙事素材，可以用“AI听骨头碎裂声识别动物”来讲解机器学习在非典型场景中的应用。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
1. 数据集是否开源：该研究是否会公开咀嚼音频数据集，将直接影响开发者能否复现或扩展该工作。2. 野外实时部署测试：实验室高信噪比环境下训练出的模型，在真实热带雨林或草原背景噪声下性能会下降多少，是技术落地的关键门槛。3. 下游生态研究合作：是否有生态学研究机构接入该技术并发布基于“听食”数据的科学发现，将决定这项研究的长期生命力。
来源：phys.org
