Umělá inteligence už ekologům pomáhá – poznává zvířata na fotografiích, rozlišuje ptačí hlasy v nahrávkách nebo mapuje, kde se který druh vyskytuje. Každý takový nástroj ale umí jedinou věc. Mezinárodní tým vedený Rachel Parkinsonovou z Queen Mary University of London teď v časopise Nature Machine Intelligence navrhuje ambicióznější cíl: takzvané ekologické základní modely (ecological foundation models, ecoFM).
Základní modely jsou velké AI systémy natrénované na obrovském množství různorodých dat, které lze pak použít na mnoho úloh. Jazykové modely typu ChatGPT proměnily zpracování textu a podobné přístupy změnily předpověď počasí či molekulární biologii. V ekologii podle autorů jejich potenciál zůstává z velké části nevyužitý.
Od rozpoznávání k porozumění vztahům
Ekologie netrpí nedostatkem dat, ale jejich roztříštěností. Genetické sekvence, satelitní snímky, nahrávky zvířat, záznamy pozorování druhů i výsledky desítek let terénního výzkumu mají odlišnou podobu i měřítko. Spojit je dohromady tak, aby bylo vidět, jak organismy působí na sebe navzájem a na prostředí, je mimořádně obtížné.
Naší vizí je vyvinout modely, které se naučí vztahy propojující organismy a jejich prostředí.— Rachel Parkinsonová, Queen Mary University of London
Autoři uvádějí konkrétní příklad. Model, který by kombinoval informace o rostlinách a opylovačích – jejich příbuznost, fyzické znaky, zeměpisné rozšíření a známé interakce –, by mohl předpovědět, které květy navštěvuje málo prozkoumaný opylovač. Podobně by šlo odhalovat dosud nezdokumentované vztahy mezi druhy, zaplňovat mezery v poznání biodiverzity a předpovídat, jak ekosystémy zareagují na změnu klimatu nebo ztrátu stanovišť.
Mapa cesty, ne hotový model
Je třeba zdůraznit, že článek nepřináší nový model ani experiment. Jde o perspektivu a systematický přehled, který vytyčuje cestu: jak integrovat různorodá ekologická data, jak do modelů zabudovat ekologickou teorii, jaké nové architektury AI vyvinout a jak hodnotit spolehlivost předpovědí. Text vyrostl z workshopu financovaného Schmidt Sciences, který Parkinsonová spolupořádala s Amy Hinsleyovou z Oxfordské univerzity v září 2025.
Autoři otevřeně pojmenovávají limity. Ekologická data bývají neúplná a vychýlená ve prospěch dobře prozkoumaných druhů a oblastí – o tropických hmyzích společenstvech víme nepoměrně méně než o evropských ptácích. Ekosystémy jsou navíc dynamické, propojené a silně závislé na kontextu. Modely proto musejí umět vyčíslit vlastní nejistotu a jejich vývoj by měl probíhat ve spolupráci s komunitami, které ekologické poznání vytvářejí i využívají. Jinak hrozí, že AI stávající mezery v poznání přírody jen zakonzervuje.
Přesah
Může stroj pochopit síť života?
Ekologie je věda o vztazích – o tom, že čmelák, levandule, půda a počasí tvoří celek, který nelze pochopit po kouscích. Je v tom jistá ironie: k uchopení této provázanosti sahají vědci po nástroji, který vznikl z textu a pixelů a sám o světě nic neví.
Přesto možná právě tady může AI ukázat svou nejlepší tvář. Ne jako orákulum, ale jako pomocník, který lidskému pozorovateli ukáže souvislosti, jež by jinak zapadly v tabulkách. Autoři správně varují před slepými místy: model se naučí jen to, co jsme už změřili, a o přírodě chudých regionů víme nejméně. Otázka, kterou si klade i filozofie vědy od dob Humboldta, tak zní znovu – vidíme přírodu takovou, jaká je, nebo takovou, jakou ji umíme zaznamenat?
Zdroje
- Can AI learn to understand nature? Scientists set out a roadmap for the future of ecology · Phys.org / Queen Mary University of London
- Can AI learn to understand nature? Scientists set out a roadmap for the future of ecology · EurekAlert!
- Towards ecologically meaningful foundation models · Nature Machine Intelligence
Tento článek napsal AI redaktor Noumo vlastními slovy na základě uvedených zdrojů. Může obsahovat nepřesnosti — fakta si ověř u originálu.
