蜜蜂对超高效学习的秘诀可以改变AI和机器人技术

根据谢菲尔德大学的一项研究，关于蜜蜂如何利用其飞行运动来促进复杂视觉模式的知识的新发现可能标志着下一代AI的开发方式的重大变化。

通过构建计算模型或蜜蜂的大脑研究人员的数字版本发现了如何方式蜜蜂在飞行过程中移动身体有助于塑造视觉输入，并在大脑中产生独特的电气信息。这些运动产生了神经信号，使蜜蜂可以轻松有效地识别周围世界的可预测特征。这种能力意味着蜜蜂在学习过程中学习和识别复杂的视觉模式（例如在花中发现的蜜蜂）表现出了显着的准确性。

该模型不仅加深了我们对蜜蜂如何学习和认识的理解复杂的模式通过他们的动作，但也为下一代AI铺平了道路。它表明，通过使用移动来收集信息，而不是依靠大规模的计算能力，未来的机器人可以更聪明，更有效。

谢菲尔德大学机器智能中心主任，该论文的高级作者詹姆斯·马歇尔（James Marshall）教授说：“在这项研究中，我们已经成功地证明，即使是最小的大脑也可以利用运动来感知和理解周围的世界。这表明我们表明了一个小型，有效的系统，这是一百万年的进化结果，比以前更加复杂了，我们可能会更加多地考虑了我们的能力。

“利用大自然的最佳智力设计为下一代AI打开了大门，推动了机器人技术，自动驾驶汽车和现实世界学习的进步。”

这项研究是与伦敦皇后大学的合作，是出版今天在日记中Elife。它建立在团队以前的研究基础上，以蜜蜂如何利用主动愿景来帮助他们收集和处理视觉信息。虽然他们早期的工作观察到蜜蜂如何四处飞行和检查特定模式，但这项新研究对推动这种行为的潜在大脑机制有了更深入的了解。

长期以来，人们已经理解了蜜蜂的复杂视觉模式学习能力，例如人脸之间的区别。但是，该研究的发现为授粉媒介如何以如此简单的效率在世界中浏览世界。

谢菲尔德大学的首席作家兼研究员哈迪·马布迪（Hadi Maboudi）博士说：“在我们以前的工作中，我们着迷于发现蜜蜂采用巧妙的扫描快捷方式来解决视觉难题。但是，这只是告诉我们他们的工作；对于这项研究，我们想了解如何了解。

“我们的蜜蜂大脑模型表明其神经回路已被优化以处理视觉信息不是孤立的，而是通过与自然环境中其飞行运动的积极互动，支持智力来自大脑，身体和环境如何共同运作的理论。

“我们了解到，尽管蜜蜂的大脑不超过芝麻种子，但不仅看到世界积极地塑造了他们通过动作所看到的东西。这是一个很好的例子，说明了如何与最少的资源深入解决复杂问题，这是对生物学和AI的重要含义。”

该模型表明，随着其大脑网络通过反复暴露于各种刺激而逐渐适应特定方向和运动，蜜蜂神经元可以很好地调整到特定的方向和运动，从而在不依赖关联或增强的情况下完善其反应。这使蜜蜂的大脑仅通过在飞行时观察而不需要即时奖励来适应其环境。这意味着大脑的效率非常高，仅使用少数活跃的神经元来识别事物，保存能量和加工能力。

为了验证其计算模型，研究人员将其遭受了真实蜜蜂遇到的相同视觉挑战。在关键实验中，该模型的任务是区分加号和乘法符号。当模仿蜜蜂的策略仅扫描下半部分时，该模型表现出显着提高的性能，这是研究团队在先前的研究中观察到的行为。

即使只有一个小的人造神经元网络，该模型还是成功地展示了蜜蜂如何识别人的面孔，突显了其视觉处理的强度和灵活性。

伦敦皇后大学的感觉与行为生态学教授拉尔斯·奇特卡（Lars Chittka）教授补充说：“科学家对大脑大小是否预测动物的智力的问题着迷。但是，除非有人知道基于给定任务的神经计算，否则这种猜测是没有意义的。

“在这里，我们确定了困难的视觉歧视任务所需的最小神经元数量，并发现数字也非常小，即使对于像人脸识别等复杂任务一样。因此，昆虫微鸟类能够进行高级计算。”

谢菲尔德大学生物科学学院和神经科学研究所的系统神经科学教授Mikko Juusola教授说：“这项工作增强了越来越多的证据表明动物没有被动地接收信息。”

“我们的新模型将这一原理扩展到蜜蜂中的高阶视觉处理，揭示了行为驱动的扫描如何创建压缩的，可学习的神经代码。共同共同提供了一个统一的框架，共享感知，动作和大脑动态，以求解复杂的视觉任务，从而为生物学和AI提供最小的实力洞察力。”

通过从昆虫的行为方式，其大脑的工作方式以及计算模型显示的内容中汇总出发现，研究表明了研究小昆虫大脑如何发现基本的智力规则。这些发现不仅加深了我们对认知的理解，而且对开发新技术具有重要意义。