Biehjerner inspirerer smartere AI og robotteknologi

Bier, verdens største bestøvere, er en væsentlig del af biodiversiteten, som vi mennesker er direkte afhængige af for vores overlevelse.

Disse vingede insekter er primært kendt for at levere føde af høj kvalitet som honning samt bivoks, propolis, pollen og gelé, blandt andre produkter. Endnu vigtigere er de ansvarlige for bestøvning af utallige blomstrende planter, herunder langt de fleste af verdens afgrøder, hvilket gør det muligt for planter at reproducere sig og producere frugt, grøntsager og frø. 

For at opnå dette bruger bier deres hårede kroppe til at overføre pollen fra en blomst til en anden.

Selvom bier ikke er de eneste, da fugle, aber og endda mennesker bestøver, er bier uden tvivl de mest almindelige bestøvere. Det anslås, at over 87 % af alle blomstrende plantearter er afhængige af dyr, hvor bier udgør den primære gruppe for bestøvning – en væsentlig økosystemtjeneste, der er afgørende for biodiversitet og fødevaresikkerhed.

Bier er faktisk meget intelligente insekter, og folk har studeret deres adfærd, vaner og sociale interaktioner for at forstå økosystemets sundhed, miljøændringer og forbedre bestøvningseffektiviteten i afgrøder.

Desuden bruges bier som en model til at forstå samarbejdsadfærd og kortlægge, hvordan små hjerner koordinerer komplekse sociale opgaver.

Forskere henter også inspiration fra bier til at fremme teknologi. For eksempel anvendes deres navigations- og kommunikationsstrategier i droneteknologi. Bieadfærd har også inspireret robotteknik, algoritmer og AI.

I den forbindelse har forskere nu opdaget, at bier bruger deres flyvemønstre til at forbedre hjerne‑signaler, hvilket gør dem i stand til at lære og genkende komplekse visuelle mønstre med stor nøjagtighed.

Denne bevægelsesbaserede perception, ifølge den nye undersøgelse, kunne revolutionere udviklingen af næste generations AI og robotteknologi ved at fremhæve effektivitet frem for massiv computerkraft.

Bee Intelligence: What Tiny Brains Teach Us About AI

Biernes visuelle indlæringskapacitet er simpelthen bemærkelsesværdig. Dette fremgår af, at de kan lære at forbinde en farve med en belønning samt identificere specifikke træk for at klassificere visuelle mønstre. De har endda vist evnen til at forstå abstrakte begreber og løse numerositetsopgaver ved sekventielt at scanne elementerne i et stimulus. 

Et grundlæggende begreb inden for kognitiv videnskab, numerositets, refererer til antallet af elementer i et sæt og studeres typisk i forbindelse med visuel perception, hvor det betyder evnen til hurtigt at opfatte mængden af objekter i en scene uden at tælle. 

Som sådan analyserer numerositetsopgaver hjernens medfødte evne til at opfatte og estimere mængder.

Så har bier tydeligvis ekstraordinære evner, hvilket gør dem til en værdifuld dyremodel til at udforske principperne for visuel indlæring ved at analysere deres adfærdsmæssige reaktioner.

Men pointen er, at det stadig ikke rigtig er kendt, hvordan bier kan identificere komplekse mønstre og opfatte verdens kompleksitet omkring dem under fødesøgning, på trods af deres formodede lave visuelle følsomhed og begrænsede neurale ressourcer.

Visuelle sensorneuroner antages faktisk at have udviklet sig for at udnytte regelmæssigheder i naturlige scener. For eksempel har studier vist, at insekt‑sensoriske baner og tilhørende adfærd dynamisk tilpasser sig forskellige omgivelsesforhold. Responsen justeres baseret på inputdata såsom rumlig frekvens, kontrast og spatiotemporale korrelationer.

Når det gælder aktive prøvetagningsstrategier, hvor dyr kontinuerligt scanner deres miljø for at udtrække visuel information over tid, er sådan adfærd blevet bredt observeret på tværs af arter. 

Mens primater bruger øjenbevægelser til at forbedre deres fine rumlige opløsning og forbedre kodningen af naturlige stimuli, anvender insekter strategier, der involverer hoved‑ og kropsbevægelser eller specifikke tilgangstrajektorier.

I tilfældet med bier er de sandsynligvis afhængige af aktiv vision og sekventiel prøvetagning for at opbygge en stærk og robust neuralt repræsentation af deres omgivelser. 

Disse strategier spiller en central rolle i tidlig visuel behandling, reducerer redundans og gør kodningen af visuelle stimuli mere effektiv. Men igen er vores forståelse af, hvordan disse mekanismer gør bier i stand til at opdage visuelle regelmæssigheder, overvinde repræsentationsbegrænsninger og løse komplekse opgaver, stadig dårlig.

Ifølge den seneste undersøgelse er forståelsen af disse strategier afgørende for at afdække de grundlæggende principper for insektvision og deres bredere implikationer for visuel behandling på tværs af biologiske og kunstige systemer.

Så, ved at bygge videre på deres tidligere studie, som vurderede bieflyvebaner under en simpel visuel opgave, ser forskerne nu på de vigtigste kredsløbselementer, der bidrager til aktiv vision i genkendelse af achromatiske mønstre.

Det primære mål med studiet er at fastslå, hvordan bieernes scanningadfærd bidrager til organiseringen og forbindelsen af neuroner i deres visuelle lobber.

Forskere fra University of Sheffield hypotetiserede, at scanningadfærd har tilpasset sig til at prøve komplekse visuelle træk på en måde, der koder dem mere effektivt i lobula‑neuronerne. Dette muliggør unikke repræsentationer, der understøtter læring i biernes lille hjerne. For at teste denne hypotese udviklede de en neuromorfisk model af bieens optiske lobber.

Forskerne indarbejdede kodningsprincipper gennem en ny model for ikke‑associativ plasticitet. Dette gjorde det muligt for modellen at selvorganisere sin forbindelse inden for den visuelle lobe, og dermed skabe effektive repræsentationer af miljøet samt føre til fremkomsten af orienteringsselektive celler, som er essentielle for kodning af komplekse visuelle scener.

Den visuelle behandlingsramme blev yderligere forbedret ved at anvende et andet modul til beslutningstagning, som tog inspiration fra insekters associative læringsmekanismer.

Forskerens simulationer viser, at et lille udsnit af lobula‑neuroner, følsomme over for specifikke orienteringer og hastigheder, kan komprimere komplekse visuelle miljøer til repræsentationer udtrykt som fyrerater. Disse sjældne repræsentationer skelner effektivt mellem plus‑ og multiplikationsmønstre, hvilket fremhæver modellens bredere anvendelighed.

De indsigter, der er indsamlet i studiet, kan hjælpe med at fremme vores forståelse af biologisk vision og kognition og inspirere udviklingen af nye beregningsmodeller til visuel genkendelsesopgaver, udtalte studiet.

How Bee-Inspired Vision is Shaping Robotics and AI

Den seneste undersøgelse, et samarbejde med Queen Mary University of London og offentliggjort i tidsskriftet eLife, detaljeret en digital model af en bies miniaturehjerne².

Den udnytter den overraskende måde, hvorpå disse insekter kombinerer deres hjerner og kroppe for at fremme teknologi og gøre fremtidige robotter smartere og mere effektive. Ligesom bier bruger deres flyvemønstre til at skabe klare hjernesignaler og forenkle komplekse visuelle opgaver, kan næste generations teknologi også indsamle relevant information gennem bevægelse i stedet for at stole på enorm computerkraft.

Undersøgelsen har trods alt vist, at selv små insekt‑hjerner er i stand til at løse komplekse visuelle opgaver.

Faktum er, at få hjerneceller kan gøre så meget, betyder at intelligens ikke kun er en hjerneaffære, men resultatet af hjerne, krop og miljø, der arbejder i samklang.

Opbygning af en digital version af en bies hjerne hjalp forskerne med at opdage, at den måde, bier bevæger deres kroppe under flyvning, hjælper med at forme visuel input. Disse bevægelser producerer også unikke elektriske signaler i deres hjerner, som gør dem i stand til let og effektivt at identificere forudsigelige træk omkring dem.

Dette viser bieernes bemærkelsesværdige nøjagtighed i at lære og identificere komplekse visuelle mønstre under flyvning.

“I denne undersøgelse har vi med succes demonstreret, at selv de mindste hjerner kan udnytte bevægelse til at opfatte og forstå verden omkring dem. Dette viser os, at et lille, effektivt system – selvom det er resultatet af millioner af års evolution – kan udføre beregninger, der er langt mere komplekse, end vi tidligere troede var mulige.”

– Studieens seniorforfatter, professor James Marshall, direktør for Centre of Machine Intelligence ved University of Sheffield

Ved at udnytte naturens bedste designs for intelligens bemærkede Marshall, at dette baner vejen for “den næste generation af AI, der driver fremskridt inden for robotteknik, selvkørende køretøjer og læring i den virkelige verden.”

Som nævnt tidligere bygger denne undersøgelse videre på deres tidligere forskning i, hvordan bier bruger aktiv vision, hvor deres bevægelser hjælper med at indsamle og behandle visuel information. Det seneste arbejde ser nærmere på de underliggende hjerne‑mekanismer, der driver deres adfærd med at flyve rundt og inspicere specifikke mønstre.

“I vores tidligere arbejde blev vi fascineret af at opdage, at bier anvender en smart scanninggenvej til at løse visuelle gåder. Men det fortalte kun os, hvad de gør; i denne undersøgelse ønskede vi at forstå hvordan.”

– Første forfatter, Dr. HaDi MaBouDi fra University of Sheffield

De avancerede visuelle mønsterlæringsfærdigheder hos bier har faktisk længe været forstået. Dette inkluderer deres evne til at skelne mellem menneskelige ansigter, men ikke hvordan de navigerer i verden med så stor effektivitet.

“Vores model af en bies hjerne demonstrerer, at dens neurale kredsløb er optimeret til at behandle visuel information ikke isoleret, men gennem aktiv interaktion med dens flyvemønstre i det naturlige miljø.”

– MaBouDi

Og dette, bemærkede han, understøtter teorien om, at intelligens opstår fra samspillet mellem hjerne, krop og miljø, der arbejder sammen.

“Vi har lært, at bier, på trods af at have hjerner ikke større end et sesamfrø, ikke blot ser verden – de former aktivt, hvad de ser gennem deres bevægelser. Det er et smukt eksempel på, hvordan handling og perception er dybt sammenvævede for at løse komplekse problemer med minimale ressourcer.”

– MaBouDi

Modellen, bygget gennem samarbejdsindsatser, viser, at neuronerne i en bi bliver stærkt afstemt på specifikke bevægelser og retninger, efterhånden som deres hjerne langsomt tilpasser sig gennem gentagen eksponering for forskellige stimuli. Det forbedrer deres respons uden at skulle afhænge af associationer eller forstærkning.

Det betyder, at en bies hjerne tilpasser sig sit miljø blot ved observation under flyvning, uden at have brug for umiddelbare belønninger.

Alt dette udføres ved kun at bruge få neuroner, hvilket sparer både energi og behandlingskraft, og gør deres hjerne utrolig effektiv. Nu, for at teste modellen, udsatte holdet den for de samme visuelle udfordringer som faktiske bier står over for. I dette tilfælde skulle den beregningsmæssige model skelne mellem et ‘plus’-tegn og et ‘multiplikations’-tegn.

Når man efterlignede strategien fra rigtige bier, der kun scannede den nederste halvdel af mønstrene, viste modellen en betydeligt forbedret ydeevne. 

Desuden demonstrerede modellen med succes, hvordan bier kan genkende menneskelige ansigter ved kun at bruge et lille netværk af kunstige neuroner, hvilket understreger alsidigheden og styrken i deres visuelle behandling.

“Forskere har været fascineret af spørgsmålet om, hvorvidt hjernestørrelse forudsiger intelligens hos dyr. Men sådanne spekulationer giver ingen mening, medmindre man kender de neurale beregninger, der ligger til grund for en given opgave,” sagde professor Lars Chittka, professor i sensorisk og adfærdsmæssig økologi ved Queen Mary University of London. “Her bestemmer vi det minimale antal neuroner, der kræves for vanskelige visuelle diskriminationsopgaver, og finder, at tallene er overraskende små, selv for komplekse opgaver som genkendelse af menneskelige ansigter. Således er insekt‑mikrohjerner i stand til avancerede beregninger.”

Så på denne måde tilføjer studiet beviserne for, at dyr ikke blot passivt modtager information. Faktisk arbejder de aktivt med den.

Bier, især, har højere ordens visuel behandling, og modellen afslører, hvordan adfærdsmæssigt drevet scanning kan skabe komprimerede, lærbare neurale koder.

“Sammen understøtter disse fund en samlet ramme, hvor perception, handling og hjerne‑dynamik co‑evolverer for at løse komplekse visuelle opgaver med minimale ressourcer – hvilket giver kraftfulde indsigter for både biologi og AI.”

– Professor Mikko Juusola, professor i systemneurovidenskab fra University of Sheffield’s School of Biosciences and Neuroscience Institute

Klik her for at lære, hvordan AI kan hjælpe med at beskytte honningbier mod asiatiske hornetter.

Swipe for at rulle →

Investering i AI-teknologi

I verden af AI og robotteknik er Qualcomm (QCOM ) et kendt navn, der har udforsket neuromorfe og edge‑AI teknologier. 

For over et årti siden udgav Qualcomm Qualcomm Zeroth‑processorerne for at efterligne menneskelignende perception og læring, ligesom biologiske hjerner gør. Ud over biologisk inspireret læring var målet at efterligne den effektivitet, hvormed vores hjerne kommunikerer information, og standardisere den nye behandlingsarkitektur kaldet en Neural Processing Unit (NPU).

Dens AI‑drevne Robotics RB6‑platform driver derimod næste generations robotteknik og intelligente maskiner, herunder leveringsrobotter, autonome mobile robotter (AMR’er), UAM‑fly, produktionsrobotter, autonome forsvarsløsninger og meget mere. Platformen leverer energieffektiv, avanceret edge‑AI computing og videobehandling med 5G‑forbindelse til robotter

Primært er Qualcomm involveret i udviklingen af grundlæggende teknologier til den trådløse industri, herunder 3G, 4G, 5G, trådløs forbindelse samt højtydende og lavenergi computing.

Klik her for at lære alt om investering i kunstig intelligens (AI).

Qualcomm (QCOM )

Når man ser på Qualcomms markedspræstation, handles selskabets aktier med en markedsværdi på 171,67 milliarder dollars i øjeblikket til $159,54, op 3,6 % i år indtil nu.

Selvom præstationen i år har været skuffende, følger den QCOMs stigning forbi $215 i juni sidste år. Dens EPS (TTM) er 10,36, P/E (TTM) 15,36, og ROE (TTM) 44,62 %, mens aktionærer nyder godt af en udbytteafkast på 2,24 %.

På den finansielle front rapporterede den trådløse chipproducent en 10 % stigning i omsætning til $10,4 milliarder for det tredje kvartal, der sluttede den 29. juni 2025.

Drevet af styrke på tværs af Handsets, IoT og Automotive steg QCT‑omsætningen 11 % år‑til‑år til $9 milliarder, og EBT‑omsætningen steg 22 % til $2,7 milliarder. Sammenlagt QCT Automotive og IoT‑omsætning var derimod op 23 % år‑til‑år til $2,7 milliarder.

Selskabets non‑GAAP EPS steg 19 % år‑til‑år til $2,77.

Ifølge CEO Cristiano Amon:

“Endnu et kvartal med stærk vækst i QCT Automotive og IoT‑omsætning bekræfter yderligere vores diversificeringsstrategi og tillid til at nå vores langsigtede omsætningsmål. Vores lederskab inden for AI‑behandling, højtydende og lavenergi computing samt avanceret forbindelse positionerer os til at blive branchens foretrukne platform, efterhånden som AI får skala ved kanten.”

I løbet af kvartalet returnerede Qualcomm $3,8 milliarder til aktionærerne, hvilket inkluderede $967 millioner, eller $0,89 per aktie, i kontantudbytte og $2,8 milliarder i aktietilbagekøb.

For nylig lancerede Qualcomm Dragonwing Q‑6690 til sine erhvervskunder, mindre end seks måneder efter afsløringen af Dragonwing‑serien af produkter. Selskabet hævder, at chipsetet er verdens første mobile processor med indbygget ultra‑højfrekvent RFID‑funktionalitet.

Med sine industrielle og indlejrede IoT‑, netværks‑ og mobilinfrastruktur‑løsninger sigter selskabet mod at bruge dem til at forenkle kompleksitet, optimere driftsmæssig effektivitet og muliggøre smartere beslutningstagning.

Midt i dette har Saudi‑Arabiens AI‑virksomhed, Humain, påbegyndt opbygningen af sine første datacentre i Riyadh og Dammam, for hvilket den har indgået partnerskab med Qualcomm samt AMD, Cisco og Groq. Virksomheden planlægger at bygge 1,9 GW datacenterkapacitet inden udgangen af dette årti.

Seneste Qualcomm (QCOM) aktienyheder og udviklinger

Konklusion

Dyr har i lang tid inspireret teknologi, og nu viser bier os, at intelligens ikke handler om hjernestørrelse, men om effektivitet, tilpasningsevne og den problemfri integration af krop, hjerne og miljø. Disse lektioner kan hjælpe med at transformere AI‑design.

AI er et af dagens mest avancerede og hurtige felter, der tiltrækker betydelig opmærksomhed, kapital og udvikling. Skalering af massive modeller er dog dyrt, energiintensivt og uholdbart. Her tilbyder bieinspireret forskning et alternativ: små, effektive neurale netværk, der kan opnå mere med mindre.

Ved at studere biernes aktive vision og kompakte neurale strategier kan vi bygge futuristisk AI og robotteknik, der er hurtigere og mere kapable.

Klik her for at lære, om robotbestøvere kan spille en rolle i vertikal landbrug.

Referencer:

1. MaBouDi, H., Richter, J., Guiraud, M.-G., Roper, M., Marshall, J.A.R., & Chittka, L. Aktiv vision af bier i en simpel mønsterdiskriminationsopgave. eLife, 14, e106332, publiceret 20. februar 2025. https://doi.org/10.7554/eLife.106332
2. MaBouDi, H., Roper, M., Guiraud, M.-G., Juusola, M., Chittka, L., & Marshall, J.A.R. En neuromorfisk model af aktiv vision viser, hvordan spatiotemporal kodning i lobula‑neuroner kan hjælpe mønstergenkendelse i bier. eLife, 14, e89929, publiceret 1. juli 2025. https://doi.org/10.7554/eLife.89929