Google 公佈 DolphinGemma：把海豚叫聲塞進 Pixel 手機即時解析

想像一下，你拿著一部普通的智慧手機潛入巴哈馬的清澈海水中，不僅能即時聽懂海豚在叫什麼，還能在它們發出聲音的瞬間，生成符合海豚社交語法的回應。

4 月 14 日全美海豚日當天，Google 聯合喬治亞理工學院以及野生海豚專案（Wild Dolphin Project，簡稱 WDP），公佈了名為 DolphinGemma 的全新 AI 模型。它是一個專門用來解碼海豚聲音結構，並能生成海豚逼真發聲的基礎模型。

拿大語言模型那套，去猜海豚的「下一個詞」

WDP 從 1985 年開始就在巴哈馬群島跟蹤一群野生大西洋斑紋海豚，堅持了整整四十年。研究人員記錄下了海豚的代際繁衍、水下行為影片，以及海量的聲音檔案。比如海豚母子相認時專用的「標誌性口哨」、打架時發出的突發脈衝叫聲，以及求偶或追逐鯊魚時的咔噠聲。

海豚的聲音資料極其龐大，靠人工標記規律耗時耗力。Google 拿出的解法很直接：把用於人類語言的序列預測技術，搬到海洋裡。

DolphinGemma 的引數量約為 4 億（400M）。它基於 Google 的 Gemma 開源模型架構，利用 Google 的 SoundStream 音訊分詞器把海豚聲音轉成特徵表示。

這套模型採用「音訊進、音訊出」的架構。就像大語言模型預測句子裡下一個單詞一樣，DolphinGemma 會在海豚發出前奏聲音時，預測下一個可能出現的發聲序列，從而理出海豚自然交流裡的潛在語法和模式。

把 Pixel 手機裝進水下電腦，當海豚的同傳翻譯

除了被動分析，研究團隊更想試試能不能和海豚進行即時互動。喬治亞理工學院與 WDP 早前聯合開發了一套名為 CHAT 的水下互動系統。

研究人員並沒有一開始就強行去破譯海豚龐大深奧的自然語言，而是反其道而行：設計幾種海豚叫聲裡沒有的人造哨聲，分別對應馬尾藻、海草、圍巾這些海豚愛玩的物件。人類研究員先在海豚面前互相用哨聲索要玩具做演示，讓好奇的海豚學會模仿，從而建立起一套簡單的「共享詞彙」。

這套裝置之前依賴 Google Pixel 6 處理音訊，而定於 2025 年夏天展開的新一輪野外測試將換成 Pixel 9。研究人員戴著水下骨傳導耳機，Pixel 9 在防水裝置裡同時執行深度學習和特徵匹配演算法。

藉助 DolphinGemma 的預測能力，裝置在海豚還沒把整個哨聲叫完時就能提前判定意圖，並通過骨傳導耳機通知研究員。研究員能立刻把對應的玩具遞過去，把互動延遲降到最低。

Google 還計劃在 2025 年夏季將 DolphinGemma 作為開源模型公開發布，方便其他團隊微調後用於瓶鼻海豚或飛旋海豚的研究。

為什麼重要

對從事海洋生物學和動物行為學的研究者來說，這套方案最大的價值在於「極低門檻的野外邊緣計算」。過去做水下即時聲學分析，要麼需要拖著笨重的定製工控機出海，要麼只能把錄音帶回實驗室跑離線叢集。Google 把 4 億引數的模型壓縮到一部民用 Pixel 手機上跑，大幅降低了海上科考的硬體維護成本和功耗，野外研究人員終於不用在風浪裡伺候嬌貴的專用儀器了。

對整個行業而言，我們認為 DolphinGemma 提供了一個非常聰明的跨物種研究範式：它不執著於短時間內徹底「破譯」未知的動物語言，而是先用人造符號搭建一個最小可行性的雙向溝通協議。這種自下而上的做法，比動輒宣稱要翻譯整個動物界的宏大敘事要務實得多。

不過，目前的隱患也很明顯。4 億引數的小模型雖然便於在手機端部署，但在嘈雜多變的真實海洋環境中，如何過濾水面艇波、水流噪聲並準確捕捉弱訊號，依然存在很大挑戰。即使模型真的預測出了海豚叫聲的下一個音，這究竟是海豚理解了人類意圖，還僅僅是海豚為了拿到玩具表現出的條件反射，在科學界依然有漫長的認知分歧需要去驗證。