در خلیج مین در شمال شرقی ایالات متحده، یکی از متنوع‌ترین زیست‌بوم‌های دریایی جهان قرار دارد؛ منطقه‌ای که میزبان گونه‌هایی همچون نهنگ‌ها، کوسه‌ها، عروس‌های دریایی، شاه‌ماهی، پلانکتون و صدها جاندار دیگر است. اما با وجود این تنوع زیستی گسترده، این منطقه دریایی با سرعتی بی‌سابقه در حال گرم شدن است؛ به‌طوری‌که سریع‌تر از ۹۹ درصد از اقیانوس‌های جهان گرم می‌شود—و این تغییرات پیامدهایی دارد که هنوز در حال آشکار شدن‌اند.
در همین راستا، ابتکاری علمی از سوی مؤسسه MIT Sea Grant با عنوان LOBSTgER (مخفف Learning Oceanic Bioecological Systems Through Generative Representations) به‌وجود آمده است. هدف این پروژه ترکیب هوش مصنوعی و عکاسی زیرآبی برای مستندسازی حیات دریایی و نمایش آن برای عموم با شیوه‌های تصویری تازه است. این پروژه توسط کیت النبوگن، عکاس زیرآب و هنرمند مهمان در MIT Sea Grant، به همراه آندریاس منتزل‌وپولوس، دانشجوی دکتری مهندسی مکانیک در MIT، رهبری می‌شود و تمرکز آن بر بهره‌گیری از هوش مصنوعی تولیدی برای گسترش روایت‌های علمی بر پایه داده‌های تصویری میدانی است.
پروژه LOBSTgER، درست مانند تأثیر تحول‌آفرین دوربین در قرن نوزدهم که تصویربرداری دقیق از طبیعت را ممکن ساخت، اکنون با بهره‌گیری از هوش مصنوعی تولیدی، فصل جدیدی در مستندسازی تصویری فراهم می‌کند. این فناوری نه فقط ابزار قدرتمندی برای خلق تصاویر واقع‌نما است، بلکه دیدگاه ما به اصالت، علم و هنر را نیز به چالش می‌کشد.
در این پروژه، مدل‌های هوش مصنوعی بر اساس کتابخانه‌ای گزینش‌شده از عکس‌های زیرآبی اصلی النبوگن آموزش داده شده‌اند—تصاویری که با دقت فنی، نیت هنری، شناسایی دقیق گونه‌ها و زمینه جغرافیایی مشخص تهیه شده‌اند. با این روش، هر تصویر تولیدشده نه تنها از نظر بصری دقیق است، بلکه از نظر اکولوژیکی نیز معتبر باقی می‌ماند. کدهای نرم‌افزاری مورد استفاده برای این پروژه به‌صورت اختصاصی توسط منتزل‌وپولوس نوشته شده‌اند تا از ورود تعصبات داده‌ای جلوگیری شود.
ترکیب هنر، علم و فناوری در قلب پروژه LOBSTgER قرار دارد. این پروژه از زبان تصویری عکاسی، دقت مشاهده‌گر علمی زیست‌دریا و توان پردازشی هوش مصنوعی تولیدی بهره می‌برد تا راه‌های تازه‌ای برای تجسم حیات اقیانوس ارائه دهد و داستان‌های محیط‌زیستی را از نو روایت کند. چنین رویکردی هم یک ابزار پژوهشی است و هم یک آزمون خلاقانه—نمونه‌ای از روح نوآوری بین‌رشته‌ای در MIT.
عکاسی زیردریایی در سواحل نیوانگلند چالش‌های فنی زیادی دارد: دید محدود، ذرات معلق، حباب‌ها و حرکت غیرقابل‌پیش‌بینی جانداران دریایی. با این حال النبوگن در سال‌های گذشته توانسته مجموعه‌ای کامل از گونه‌های این منطقه را در قالب پروژه Space to Sea: Visualizing New England’s Ocean Wilderness ثبت کند. این داده‌های تصویری پایه آموزش مدل‌های LOBSTgER هستند و دامنه وسیعی از نورپردازی‌ها، زوایا و رفتارهای جانوری را در بر می‌گیرند.
مدل‌های تولیدی اختصاصی پروژه قادرند هم تصاویر جدید و مصنوعی ولی علمی را بدون ورودی خاص تولید کنند (تولید بی‌قید) و هم عکس‌های واقعی را بهبود دهند (تولید وابسته به تصویر). این ابزارها می‌توانند به اصلاح نور، بازسازی جزئیات در آب‌های کدر یا حتی شبیه‌سازی صحنه‌هایی بپردازند که ثبت آن‌ها در شرایط واقعی تقریباً غیرممکن است. تیم پروژه امیدوار است این روش ترکیبی به سایر عکاسان زیرآبی نیز کمک کند و فرآیند روایت‌های بصری را تسهیل نماید.
به گفته النبوگن، برای ثبت مجموعه‌ای با کیفیت بالا از عکس‌های جاندارانی مانند عروس دریایی‌های «یال‌شیری»، کوسه‌های آبی، خرچنگ‌های آمریکایی و ماهی‌های آفتابگیر (Mola mola)، غواصی‌های متعدد، فرصت‌های از دست رفته و شرایط متغیر لازم بوده‌است. این دشواری‌ها بخشی از جذابیت عکاسی زیرآبی هستند.
منتزل‌وپولوس برای آموزش مدل‌های LOBSTgER کدنویسی اختصاصی انجام داده و فرآیند آموزش مدل‌ها از ابتدا مستلزم صدها ساعت محاسبه و تنظیم دقیق پارامترها بوده است. پروژه LOBSTgER یک حرکت موازی میان ثبت میدانی و توسعه مدل‌های هوش مصنوعی است؛ النبوگن در دریا تصویر ثبت می‌کند و منتزل‌وپولوس آن‌ها را به دنیای یادگیری ماشینی و تجسم علمی منتقل می‌کند.
به گفته منتزل‌وپولوس، «هدف ما جایگزینی عکاسی نیست؛ بلکه تقویت آن است—تا نادیدنی‌ها دیده شوند و مردم با پیچیدگی محیط زیست به‌گونه‌ای درگیر شوند که هم احساسی باشد و هم علمی.» مدل‌های LOBSTgER تلاش می‌کنند واقعیت زیستی و بار احساسی تصاویر را توأمان منتقل کنند.
این پروژه چشم‌اندازی نو از آینده به‌وجود می‌آورد: آینده‌ای که مشاهدات مستقیم با تعبیر فناورانه همراه می‌شوند. تیم پروژه امیدوار است در آینده بتواند مدلی کامل از تنوع زیستی خلیج مین توسعه داده و سپس آن را به دیگر زیست‌بوم‌های دریایی جهان تعمیم دهد.
عکاسی و هوش مصنوعی در این دیدگاه در تضاد قرار ندارند؛ بلکه در یک پیوستار قرار دارند. عکاسی آنچه را هست به تصویر درمی‌آورد—نور، بافت و رفتار جانوران در مواجهه واقعی—در حالی‌که هوش مصنوعی نمایشی از آنچه “می‌توان دانست، برداشت یا تجسم کرد” ارائه می‌دهد. این ترکیب، چارچوبی قدرتمند برای ارتباط تصاویری با علم فراهم می‌آورد.
در منطقه‌ای که زیست‌بوم‌ها با سرعتی هشداردهنده در حال تغییرند، تصویرسازی صرفاً ابزار ثبت نیست، بلکه وسیله‌ای برای آگاهی، درگیری ذهنی و نهایتاً حفاظت از محیط زیست است. هرچند LOBSTgER هنوز در مراحل ابتدایی خود قرار دارد، اما دست‌اندرکاران آن مشتاقانه منتظرند تا یافته‌ها، تصاویر و بینش‌های بیشتری را در آینده با جهان به اشتراک بگذارند.
