虽然有句俗语说“马嘴里说得好”，但你不可能让马告诉你它是痛苦还是快乐。然而，它的身体会通过动作来表达答案。在训练有素的眼睛看来，痛苦会表现为步态的变化，而快乐时，动物的面部表情会发生变化。但如果我们能用人工智能自动完成这一过程呢?那么，牛、狗、猫甚至老鼠的人工智能模型呢?

自动化动物行为不仅可以消除观察者的偏见，还可以帮助人类更有效地找到正确答案。

一项新研究标志着姿势分析在行为表型分析领域的新篇章的开始。EPFL 的 Mackenzie Mathis 实验室发表了一篇《自然通讯》文章，介绍了一种特别有效的新型开源工具，该工具无需人工注释即可让模型跟踪动物。

它被称为“超级动物”，可以在没有人工监督的情况下自动识别各种动物(超过 45种动物)甚至神话动物的“关键点”(通常是关节)的位置。

马蒂斯解释道：“当前的流程允许用户定制深度学习模型，但这需要依靠人类的努力来识别每只动物的关键点以创建训练集。”

“这会导致研究人员重复标注工作，并可能导致相同关键点的语义标签不同，从而使得合并数据来训练大型基础模型变得非常具有挑战性。我们的新方法提供了一种标准化此过程并训练大规模数据集的新方法。它还使标注效率比现有工具高出 10 到 100 倍。”

“SuperAnimal 方法”是 Mathis 实验室已以“DeepLabCut️”名义分发的一种姿势估计技术的演变。

“在这里，我们开发了一种算法，能够跨数据库编译大量注释并训练模型来学习协调的语言——我们称这种预训练为基础模型，”博士生研究员、这项研究的第一作者叶少凯解释说。“然后，用户可以简单地部署我们的基础模型或根据自己的数据对其进行微调，并在需要时进行进一步的定制。”

这些进步将使运动分析更加容易实现。“兽医和生物医学研究人员可能会特别感兴趣——尤其是在观察实验室小鼠的行为时。但它可以走得更远，”马蒂斯说，他提到了神经科学和……运动员(犬类或其他)。其他物种——鸟类、鱼类和昆虫——也属于该模型下一次进化的范围。

“我们还将在自然语言界面中利用这些模型来构建更易于访问的下一代工具。例如，Shaokai 和我以及 EPFL 的合著者最近开发了 AmadeusGPT，最近在NeurIPS上发表，它允许使用书面或口头文本查询视频数据。”

“将其扩展到复杂的行为分析将非常令人兴奋。”