Google تطلق SpeciesNet: نموذج ذكاء اصطناعي مفتوح لحماية الحياة البرية

تلتقط آلاف الكاميرات الفخية المنتشرة في غابات الكوكب وسافاناته ومناطقه الجبلية ملايين الصور كل يوم. وفي معظمها لا يظهر سوى فراغ أو عشب تحركه الريح أو ظل عابر. لكن بين هذا السيل من البيانات تختبئ لقطات قد تحدد مصير أنواع بأكملها: نمر ثلج نادر على ممر جبلي، أو آخر ما تبقى من وحيد القرن السومطري، أو مجموعة غير معروفة سابقاً من الفيلة الغابية. المشكلة أن علماء البيئة لا يملكون فعلياً الأيدي الكافية لمراجعة كل ذلك يدوياً. وهذه تحديداً هي المهمة التي يتولاها SpeciesNet، نموذج الذكاء الاصطناعي من Google الذي أتاحته الشركة للاستخدام المفتوح.

SpeciesNet هو نظام رؤية حاسوبية جرى تدريبه على التعرف على أنواع الحيوانات في صور الكاميرات الفخية. تبدو العبارة بسيطة، لكن وراءها عملاً هندسياً ضخماً. فالكاميرات الفخية تصوّر في النطاق تحت الأحمر، وفي إضاءة ضعيفة، ومن زوايا عشوائية. وقد يكون الحيوان مخفياً جزئياً خلف النباتات، أو متحركاً، أو واقعاً على هامش الإطار. أما خوارزميات تصنيف الصور التقليدية فتتعامل مع هذه الظروف بشكل سيئ. ووفق بيانات Google، دُرّب SpeciesNet على مجموعة هائلة من الصور المصنّفة من نظم بيئية مختلفة حول العالم، ما يتيح له العمل لا في ظروف المختبر المثالية فحسب، بل في الميدان الفعلي أيضاً، من الغابات الاستوائية في بورنيو إلى توندرا ألاسكا.

من المهم فهم السياق الذي ظهر فيه هذا النموذج. فأزمة التنوع البيولوجي لم تعد منذ زمن طويل تهديداً مجرداً. ووفق المنبر الحكومي الدولي للعلوم والسياسات في مجال التنوع البيولوجي وخدمات النظم الإيكولوجية (IPBES)، يواجه نحو مليون نوع من الحيوانات والنباتات خطر الانقراض. ورصد الأعداد هو الخطوة الأولى والضرورية لحمايتها، لكنه يتطلب موارد لا تملكها معظم منظمات حماية الطبيعة ببساطة. فمشروع بحثي واحد قد ينتج عشرات الملايين من الصور في السنة. والفرز اليدوي لهذا الحجم يستغرق أشهراً من عمل فرق كاملة من المتطوعين. أما نماذج الذكاء الاصطناعي مثل SpeciesNet فتختصر هذه العملية إلى ساعات، وتحرر وقت العلماء للتحليل واتخاذ القرارات.

قرار Google جعل النموذج مفتوحاً ليس مجرد لفتة طيبة، بل خطوة ذات أهمية استراتيجية. فالنظم البيئية في القارات المختلفة تتباين جذرياً فيما بينها، وأي نموذج شامل سيرتكب حتماً أخطاء في مناطق بعينها. ويتيح المصدر المفتوح لفرق البحث المحلية إعادة تدريب SpeciesNet على بياناتها الخاصة، مثلاً لتكييفه مع التعرف على الأنواع المستوطنة في مدغشقر أو على المفترسات النادرة في آسيا الوسطى. وهذا يختلف جوهرياً عن النهج الذي تعتمد فيه المؤسسات على واجهة API تجارية مغلقة، قد يُقيَّد الوصول إليها أو يُوقف في أي لحظة. وبالنسبة لمحطات الأبحاث الميدانية في المناطق النائية، حيث الاتصال بالإنترنت غير مستقر أو غير موجود، لا تعد القدرة على تشغيل النموذج محلياً ميزة، بل ضرورة.

SpeciesNet ليس أول محاولة لتطبيق التعلم الآلي على قضايا علم البيئة. فمشروع Wildlife Insights، الذي تدعمه Google أيضاً، يوفر منذ سنوات منصة سحابية لتحليل بيانات الكاميرات الفخية. وتموّل Microsoft، عبر برنامج AI for Earth، عشرات المشاريع الواقعة عند تقاطع الذكاء الاصطناعي وحماية الطبيعة. أما شركة Conservation Metrics الناشئة فتستخدم التحليل الصوتي لرصد الطيور والثدييات البحرية. لكن انفتاح SpeciesNet تحديداً قد يصبح عاملاً محفزاً يجمع الجهود المتفرقة. فحين يملك المجتمع العلمي نموذجاً أساسياً مشتركاً، يصبح تبادل البيانات ومقارنة النتائج وبناء الطبقات الإضافية أسهل، من أنظمة الإنذار المبكر بالصيد الجائر إلى الرسم الآلي لخرائط مسارات الهجرة.

ومع ذلك، ثمة أسئلة لا توجد لها إجابات قاطعة بعد. ما مدى دقة النموذج مع الأنواع الممثلة تمثيلاً ضعيفاً في بيانات التدريب؟ وكيف يتعامل مع صور الليل منخفضة الدقة التي تشكل جزءاً كبيراً من بيانات الكاميرات الفخية؟ ألا يخلق الاعتماد على التصنيف بالذكاء الاصطناعي شعوراً زائفاً باكتمال البيانات، في حين تُغفَل الأنواع النادرة بشكل منهجي من قبل الخوارزمية؟ هذه الأسئلة لا تقلل من قيمة المشروع، لكنها تذكّر بأن التقنية أداة وليست بديلاً عن الخبرة.

وفي منظور أوسع، يمثل SpeciesNet مثالاً على كيف يمكن للشركات التقنية الكبرى أن تصنع قيمة مجتمعية حقيقية عبر مشاريع الذكاء الاصطناعي المفتوحة. فليس كل استخدام للذكاء الاصطناعي ينبغي أن يقتصر على تحسين عرض الإعلانات أو توليد المحتوى. وأحياناً تعني شبكة عصبية تميز النمر المدخّن عن قط البنغال في صورة ليلية حبيبية للعالم أكثر من روبوت دردشة آخر. وإن قرار Google عدم تحقيق الربح من هذا النموذج وتقديمه للمجتمع العلمي يستحق الانتباه، أياً كانت الدوافع المؤسسية التي حكمت هذا القرار.