Τεχνητή νοημοσύνη
Τα μυαλά των μελισσών εμπνέουν πιο έξυπνο AI και ρομποτική
Οι μέλισσες, οι μεγαλύτεροι επικονιαστές του κόσμου, αποτελούν ουσιώδες μέρος της βιοποικιλότητας από την οποία εμείς οι άνθρωποι εξαρτόμαστε άμεσα για την επιβίωσή μας.
Αυτά τα πτερωτά έντομα είναι κυρίως γνωστά για την παροχή υψηλής ποιότητας τροφής όπως το μέλι, καθώς και κερί, πρόπολη, γύρη και ζελέ, μεταξύ άλλων προϊόντων. Πιο σημαντικό, είναι υπεύθυνες για την επικονίαση αμέτρητων ανθοφόρων φυτών, συμπεριλαμβανομένου της πλειονότητας των παγκόσμιων καλλιεργειών τροφίμων, που επιτρέπει στα φυτά να αναπαράγονται και να παράγουν φρούτα, λαχανικά και σπόρους.
Για να το πετύχουν αυτό, οι μέλισσες χρησιμοποιούν τα τριχωτά σώματά τους και μεταφέρουν τη γύρη από ένα λουλούδι στο άλλο.
Ενώ οι μέλισσες δεν είναι μόνες σε αυτό, καθώς πουλιά, πίθηκοι και ακόμη και άνθρωποι επικονιάζουν, οι μέλισσες είναι σίγουρα οι πιο συνηθισμένοι επικονιαστές. Εκτιμάται ότι πάνω από το 87% όλων των ανθοφόρων ειδών εξαρτώνται από ζώα, με τις μέλισσες να είναι η κύρια ομάδα για την επικονίαση, μια ουσιώδης οικοσυστημική υπηρεσία ζωτικής σημασίας για τη βιοποικιλότητα και την ασφάλεια τροφίμων.
Οι μέλισσες είναι στην πραγματικότητα πολύ έξυπνα έντομα, και οι άνθρωποι έχουν μελετήσει τη συμπεριφορά, τις συνήθειες και τις κοινωνικές αλληλεπιδράσεις τους για να κατανοήσουν την υγεία του οικοσυστήματος, τις περιβαλλοντικές αλλαγές και να βελτιώσουν την αποδοτικότητα της επικονίασης των καλλιεργειών.
Επιπλέον, οι μέλισσες χρησιμοποιούνται ως μοντέλο για την κατανόηση της συνεργατικής συμπεριφοράς και της χαρτογράφησης του πώς τα μικρά μυαλά συντονίζουν σύνθετες κοινωνικές εργασίες.
Οι επιστήμονες επίσης αντλούν έμπνευση από τις μέλισσες για την πρόοδο της τεχνολογίας. Για παράδειγμα, οι στρατηγικές πλοήγησης και επικοινωνίας τους εφαρμόζονται στην τεχνολογία των drone. Η συμπεριφορά των μελισσών έχει επίσης εμπνεύσει ρομποτική, αλγόριθμους και AI.
Σε σχέση με αυτό, οι ερευνητές έχουν τώρα ανακαλύψει ότι οι μέλισσες χρησιμοποιούν τις κινήσεις πτήσης τους για να βελτιώσουν τα σήματα του εγκεφάλου, κάτι που τους επιτρέπει να μαθαίνουν και να αναγνωρίζουν σύνθετα οπτικά μοτίβα με μεγάλη ακρίβεια.
Αυτή η αντίληψη βασισμένη στην κίνηση, σύμφωνα με τη νέα μελέτη, θα μπορούσε να φέρει επανάσταση στην ανάπτυξη της επόμενης γενιάς AI και ρομποτικής, τονίζοντας την αποδοτικότητα έναντι της τεράστιας υπολογιστικής ισχύος.
Νοημοσύνη των Μελισσών: Τι μας Διδάσκουν τα Μικρά Μυαλά για το AI
Οι οπτικές μαθησιακές ικανότητες των μελισσών είναι απλώς αξιοσημείωτες. Αυτό φαίνεται από το γεγονός ότι μπορούν να μάθουν να συνδέουν ένα χρώμα με μια ανταμοιβή καθώς και να αναγνωρίζουν συγκεκριμένα χαρακτηριστικά για την ταξινόμηση οπτικών προτύπων. Έχουν ακόμη δείξει την ικανότητα να κατανοούν αφηρημένες έννοιες και να λύνουν εργασίες αριθμητικότητας σκανάροντας διαδοχικά τα στοιχεία μέσα σε ένα ερέθισμα.
Μια θεμελιώδης έννοια στην γνωστική επιστήμη, η αριθμητικότητα, αναφέρεται στον αριθμό των αντικειμένων σε ένα σύνολο και συνήθως μελετάται στο πλαίσιο της οπτικής αντίληψης, όπου αναφέρεται στην ικανότητα να κατανοεί κανείς γρήγορα την ποσότητα των αντικειμένων σε μια σκηνή χωρίς να μετράει.
Ως εκ τούτου, οι εργασίες αριθμητικότητας αναλύουν τη φυσική ικανότητα του εγκεφάλου να αντιλαμβάνεται και να εκτιμά ποσότητες.
Έτσι, οι μέλισσες διαθέτουν σαφώς εξαιρετικές δυνατότητες, κάτι που τις καθιστά πολύτιμο ζωικό μοντέλο για την εξερεύνηση των αρχών της οπτικής μάθησης αναλύοντας τις συμπεριφορικές τους αντιδράσεις.
Αλλά το θέμα είναι, δεν είναι ακόμη πραγματικά γνωστό ακριβώς πώς οι μέλισσες μπορούν να αναγνωρίζουν σύνθετα μοτίβα και να αντιλαμβάνονται τις πολυπλοκότητες του κόσμου γύρω τους ενώ συλλέγουν νέκταρ, δεδομένης της φαινομενικά χαμηλής οπτικής ευαισθησίας και περιορισμένων νευρωνικών πόρων.
Τα οπτικά αισθητικά νευρώνια είναι στην πραγματικότητα υποτιθέμενα εξελισσόμενα για να εκμεταλλεύονται τις τακτικότητες σε φυσικές σκηνές. Για παράδειγμα, μελέτες έχουν δείξει ότι οι αισθητικές διαδρομές των εντόμων και οι συμπεριφορές που σχετίζονται με αυτές προσαρμόζονται δυναμικά σε διαφορετικές περιβαλλοντικές συνθήκες. Οι αποκρίσεις προσαρμόζονται βάσει δεδομένων εισόδου όπως η χωρική συχνότητα, η αντίθεση και οι χωροχρονικές συσχετίσεις.
Όσον αφορά τις ενεργές στρατηγικές δειγματοληψίας, όπου τα ζώα σκανάρουν συνεχώς το περιβάλλον τους για να εξάγουν οπτικές πληροφορίες με την πάροδο του χρόνου, τέτοια συμπεριφορά έχει παρατηρηθεί ευρέως σε πολλά είδη.
Ενώ τα πρωτεύοντα ζώα χρησιμοποιούν κινήσεις των ματιών για να βελτιώσουν την λεπτή χωρική τους ανάλυση και να ενισχύσουν την κωδικοποίηση των φυσικών ερεθισμάτων, τα έντομα εφαρμόζουν στρατηγικές που περιλαμβάνουν κινήσεις του κεφαλιού και του σώματος ή συγκεκριμένες προσεγγιστικές τροχιές.
Στην περίπτωση των μελισσών, είναι πιθανό να εξαρτώνται από ενεργό όραση και διαδοχική δειγματοληψία για να δημιουργήσουν μια ισχυρή και ανθεκτική νευρωνική αναπαράσταση του περιβάλλοντός τους.
Αυτές οι στρατηγικές παίζουν κεντρικό ρόλο στην πρώιμη οπτική επεξεργασία, μειώνοντας την πλεονασμό και καθιστώντας την κωδικοποίηση των οπτικών ερεθισμάτων πιο αποδοτική. Αλλά πάλι, η κατανόησή μας για το πώς αυτοί οι μηχανισμοί επιτρέπουν στις μέλισσες να εντοπίζουν οπτικές τακτικότητες, να ξεπερνούν περιορισμούς αναπαράστασης και να λύνουν σύνθετες εργασίες παραμένει φτωχή.
Σύμφωνα με τη νέα μελέτη, η κατανόηση αυτών των στρατηγικών είναι κρίσιμη για την αποκάλυψη των θεμελιωδών αρχών της όρασης των εντόμων και των ευρύτερων επιπτώσεών τους στην οπτική επεξεργασία τόσο σε βιολογικά όσο και σε τεχνητά συστήματα.
Έτσι, βασιζόμενοι στην προηγούμενη μελέτη τους, η οποία αξιολόγησαν τις διαδρομές πτήσης των μελισσών κατά τη διάρκεια ενός απλού οπτικού καθήκοντος1, οι ερευνητές τώρα εξετάζουν τα κύρια στοιχεία του κυκλώματος που συμβάλλουν στην ενεργή όραση στην αναγνώριση αχρωματικών προτύπων.
Ο κύριος στόχος της μελέτης είναι να προσδιορίσει πώς η συμπεριφορά σάρωσης των μελισσών συμβάλλει στην οργάνωση και τη συνδεσιμότητα των νευρώνων στις οπτικές λοβούς τους.
Ερευνητές του Πανεπιστημίου του Σέφιλντ υποστήριξαν ότι οι συμπεριφορές σάρωσης έχουν προσαρμοστεί ώστε να δειγματοληπτούν σύνθετα οπτικά χαρακτηριστικά με τρόπο που τα κωδικοποιεί πιο αποδοτικά στους νευρώνες της λοβού. Αυτό, με τη σειρά του, διευκολύνει μοναδικές αναπαραστάσεις που υποστηρίζουν τη μάθηση στο μικρό μυαλό των μελισσών. Για να δοκιμάσουν αυτή τη υπόθεση, ανέπτυξαν ένα νευρομορφικό μοντέλο των οπτικών λοβών της μέλισσας.
Οι ερευνητές ενσωμάτωσαν αρχές κωδικοποίησης μέσω ενός καινοτόμου μοντέλου μη-συσχετιστικής πλαστικότητας. Αυτό επέτρεψε στο μοντέλο να αυτοοργανώσει τη συνδεσιμότητά του μέσα στον οπτικό λοβό, δημιουργώντας έτσι αποδοτικές αναπαραστάσεις του περιβάλλοντος και οδηγώντας στην εμφάνιση κυττάρων επιλεκτικών προσανατολισμών, που είναι ουσιώδη για την κωδικοποίηση σύνθετων οπτικών σκηνών.
Το πλαίσιο οπτικής επεξεργασίας ενισχύθηκε περαιτέρω με την εφαρμογή ενός άλλου μοντέλου λήψης αποφάσεων, το οποίο αντλήθηκε από τους μηχανισμούς συσχετιστικής μάθησης των εντόμων.
Οι προσομοιώσεις των ερευνητών αποκαλύπτουν ότι ένα μικρό υποσύνολο νευρώνων της λοβού, ευαίσθητο σε συγκεκριμένες προσανατολισμούς και ταχύτητες, μπορεί να συμπιέσει σύνθετα οπτικά περιβάλλοντα σε αναπαραστάσεις που εκφράζονται ως ρυθμοί πυροδότησης. Αυτές οι σπάνιες αναπαραστάσεις διακρίνουν αποτελεσματικά μεταξύ των προτύπων «συν» και «πολλαπλασιασμού», υπογραμμίζοντας τη μεγαλύτερη εφαρμοσιμότητα του μοντέλου.
Οι γνώσεις που συγκεντρώθηκαν στη μελέτη μπορούν να βοηθήσουν στην προώθηση της κατανόησής μας για τη βιολογική όραση και τη γνωστική λειτουργία και να εμπνεύσουν την ανάπτυξη νέων υπολογιστικών μοντέλων για εργασίες οπτικής αναγνώρισης, σύμφωνα με τη μελέτη.
Πώς η Όραση Εμπνευσμένη από τις Μέλισσες Διαμορφώνει τη Ρομποτική και το AI
Η πιο πρόσφατη μελέτη, μια συνεργατική προσπάθεια με το Queen Mary University of London και δημοσιευμένη στο περιοδικό eLife, παρουσίασε ένα ψηφιακό μοντέλο του μικροσκοπικού εγκεφάλου μιας μέλισσας2.
Αξιοποιεί τον εκπληκτικό τρόπο με τον οποίο αυτά τα έντομα συνδυάζουν τον εγκέφαλο και το σώμα τους για να προωθήσουν την τεχνολογία και να κάνουν τα μελλοντικά ρομπότ πιο έξυπνα και πιο αποδοτικά. Όπως οι μέλισσες χρησιμοποιούν τις κινήσεις πτήσης τους για να δημιουργούν σαφή σήματα εγκεφάλου και να απλοποιούν σύνθετες οπτικές εργασίες, η τεχνολογία της επόμενης γενιάς μπορεί επίσης να συλλέγει σχετικές πληροφορίες μέσω κίνησης αντί να βασίζεται σε τεράστια υπολογιστική ισχύ.
Η μελέτη, τελικά, έχει δείξει ότι ακόμη και τα μικροσκοπικά εγκεφάλια εντόμων είναι ικανά να λύσουν σύνθετες οπτικές εργασίες.
Το γεγονός ότι λίγα κύτταρα εγκεφάλου μπορούν να κάνουν τόσο πολλά σημαίνει ότι η νοημοσύνη δεν είναι μόνο θέμα εγκεφάλου, αλλά το αποτέλεσμα του εγκεφάλου, του σώματος και του περιβάλλοντος που λειτουργούν σε συνέργεια.
Η δημιουργία ενός ψηφιακού αντιγράφου του εγκεφάλου μιας μέλισσας βοήθησε τους ερευνητές να ανακαλύψουν ότι ο τρόπος με τον οποίο οι μέλισσες μετακινούν το σώμα τους κατά τη διάρκεια της πτήσης βοηθά στη διαμόρφωση της οπτικής εισόδου. Αυτές οι κινήσεις παράγουν επίσης μοναδικά ηλεκτρικά σήματα στον εγκέφαλό τους, που τους επιτρέπουν να αναγνωρίζουν προβλέψιμα χαρακτηριστικά γύρω τους εύκολα και αποδοτικά.
Αυτό επιδεικνύει την αξιοσημείωτη ακρίβεια των μελισσών στην εκμάθηση και την αναγνώριση σύνθετων οπτικών προτύπων κατά τη διάρκεια της πτήσης.
«Σε αυτή τη μελέτη, καταφέραμε να αποδείξουμε ότι ακόμη και οι πιο μικροί εγκέφαλοι μπορούν να αξιοποιήσουν την κίνηση για να αντιληφθούν και να κατανοήσουν τον κόσμο γύρω τους. Αυτό μας δείχνει ότι ένα μικρό, αποδοτικό σύστημα — αν και αποτέλεσμα εκατομμυρίων ετών εξέλιξης — μπορεί να εκτελεί υπολογισμούς πολύ πιο σύνθετους από ό,τι θεωρούσαμε προηγουμένως δυνατόν.»
– Ο ανώτερος συγγραφέας της μελέτης, Καθηγητής James Marshall, Διευθυντής του Κέντρου Μηχανικής Νοημοσύνης στο Πανεπιστήμιο του Σέφιλντ
Αξιοποιώντας τα καλύτερα σχέδια της φύσης για τη νοημοσύνη, σημείωσε ο Marshall, αυτό ανοίγει το δρόμο για «την επόμενη γενιά AI, οδηγώντας σε προόδους στη ρομποτική, στα αυτόνομα οχήματα και στη μάθηση στον πραγματικό κόσμο».
Όπως σημειώθηκε νωρίτερα, αυτή η μελέτη βασίζεται στην προηγούμενη έρευνά τους για το πώς οι μέλισσες χρησιμοποιούν ενεργή όραση, όπου οι κινήσεις τους βοηθούν στη συλλογή και επεξεργασία οπτικών πληροφοριών. Η πιο πρόσφατη εργασία εμβαθύνει στους υποκείμενους εγκεφαλικούς μηχανισμούς που οδηγούν τη συμπεριφορά τους κατά την πτήση και την επιθεώρηση συγκεκριμένων προτύπων.
«Στην προηγούμενη δουλειά μας, ενθουσιαστήκαμε να ανακαλύψουμε ότι οι μέλισσες χρησιμοποιούν μια έξυπνη συντόμευση σάρωσης για να λύσουν οπτικά παζλ. Αλλά αυτό μας έδειξε μόνο τι κάνουν· για αυτή τη μελέτη, θέλαμε να καταλάβουμε πώς.»
– Κύριος συγγραφέας, Δρ. HaDi MaBouDi από το Πανεπιστήμιο του Σέφιλντ
Οι προηγμένες ικανότητες μάθησης οπτικών προτύπων των μελισσών έχουν στην πραγματικότητα κατανοηθεί εδώ και πολύ καιρό. Αυτό περιλαμβάνει την ικανότητά τους να διακρίνουν ανθρώπινα πρόσωπα, αλλά όχι όπως να πλοηγούνται στον κόσμο με τέτοια αποδοτικότητα.
«Το μοντέλο του εγκεφάλου μιας μέλισσας δείχνει ότι τα νευρωνικά της κυκλώματα είναι βελτιστοποιημένα για την επεξεργασία οπτικών πληροφοριών όχι απομονωμένα, αλλά μέσω ενεργής αλληλεπίδρασης με τις κινήσεις πτήσης στο φυσικό περιβάλλον.»
– MaBouDi
Και αυτό, όπως σημείωσε, υποστηρίζει τη θεωρία ότι η νοημοσύνη προέρχεται από την αλληλεπίδραση του εγκεφάλου, του σώματος και του περιβάλλοντος που λειτουργούν μαζί.
«Μάθαμε ότι οι μέλισσες, παρά το ότι έχουν εγκεφάλους όχι μεγαλύτερους από έναν σουσάμι, δεν βλέπουν απλώς τον κόσμο – διαμορφώνουν ενεργά αυτό που βλέπουν μέσω των κινήσεών τους. Είναι ένα όμορφο παράδειγμα του πώς η δράση και η αντίληψη είναι βαθιά συνυφασμένες για την επίλυση σύνθετων προβλημάτων με ελάχιστους πόρους. Αυτό έχει σημαντικές επιπτώσεις τόσο για τη βιολογία όσο και για το AI.»
– MaBouDi
Το μοντέλο, που δημιουργήθηκε μέσω συνεργατικών προσπαθειών, δείχνει ότι οι νευρώνες μιας μέλισσας γίνονται ιδιαίτερα ευαίσθητοι σε συγκεκριμένες κινήσεις και κατευθύνσεις καθώς ο εγκέφαλός τους προσαρμόζεται αργά μέσω επαναλαμβανόμενης έκθεσης σε διαφορετικά ερεθίσματα. Αυτό βελτιώνει τις αποκρίσεις τους χωρίς να χρειάζεται να εξαρτώνται από συσχετισμούς ή ενίσχυση.
Αυτό σημαίνει ότι ο εγκέφαλος μιας μέλισσας προσαρμόζεται στο περιβάλλον της απλώς παρατηρώντας κατά τη διάρκεια της πτήσης, χωρίς να χρειάζεται άμεσες ανταμοιβές.
Όλα αυτά γίνονται χρησιμοποιώντας μόνο λίγους νευρώνες, κάτι που εξοικονομεί τόσο ενέργεια όσο και επεξεργαστική ισχύ, καθιστώντας τον εγκέφαλό τους εξαιρετικά αποδοτικό. Τώρα, για να δοκιμάσουν το μοντέλο, η ομάδα το υπέβαλε στις ίδιες οπτικές προκλήσεις που αντιμετωπίζουν οι πραγματικές μέλισσες. Σε αυτή την περίπτωση, το υπολογιστικό μοντέλο έπρεπε να διακρίνει μεταξύ ενός συμβόλου «συν» και ενός «πολλαπλασιασμού».
Καθώς μιμούνταν η στρατηγική των πραγματικών μελισσών, σαρώντας μόνο το κάτω μισό των προτύπων, το μοντέλο παρουσίασε σημαντικά βελτιωμένη απόδοση.
Επιπλέον, το μοντέλο απέδειξε με επιτυχία πώς οι μέλισσες μπορούν να αναγνωρίζουν ανθρώπινα πρόσωπα, χρησιμοποιώντας μόνο ένα μικρό δίκτυο τεχνητών νευρώνων, τονίζοντας την ευελιξία και τη δύναμη της οπτικής τους επεξεργασίας.
«Οι επιστήμονες έχουν ενθουσιαστεί με το ερώτημα κατά πόσο το μέγεθος του εγκεφάλου προβλέπει τη νοημοσύνη στα ζώα. Αλλά τέτοιες εικασίες δεν έχουν νόημα εκτός αν γνωρίζουμε τις νευρωνικές υπολογιστικές διεργασίες που στηρίζουν μια δεδομένη εργασία», δήλωσε ο καθηγητής Lars Chittka, καθηγητής Αισθητηριακής και Συμπεριφορικής Οικολογίας στο Queen Mary University of London. «Εδώ καθορίζουμε τον ελάχιστο αριθμό νευρώνων που απαιτείται για δύσκολες εργασίες οπτικής διάκρισης και διαπιστώνουμε ότι οι αριθμοί είναι εξαιρετικά μικροί, ακόμη και για σύνθετες εργασίες όπως η αναγνώριση ανθρώπινων προσώπων. Έτσι, τα μικροεγκέφαλα των εντόμων είναι ικανά για προχωρημένους υπολογισμούς.»
Έτσι, με αυτόν τον τρόπο, η μελέτη προσθέτει στην απόδειξη ότι τα ζώα δεν λαμβάνουν απλώς πληροφορίες παθητικά. Στην πραγματικότητα, εργάζονται ενεργά με αυτές.
Οι μέλισσες, ιδιαίτερα, διαθέτουν υψηλότερης τάξης οπτική επεξεργασία, και το μοντέλο αποκαλύπτει πώς η σάρωση που καθοδηγείται από τη συμπεριφορά μπορεί να δημιουργήσει συμπιεστικούς, μαθαίσιμους νευρωνικούς κώδικες.
«Μαζί, αυτά τα ευρήματα υποστηρίζουν ένα ενιαίο πλαίσιο όπου η αντίληψη, η δράση και η δυναμική του εγκεφάλου εξελίσσονται συν-συνεπώς για να λύσουν σύνθετες οπτικές εργασίες με ελάχιστους πόρους – προσφέροντας ισχυρές γνώσεις τόσο για τη βιολογία όσο και για το AI.»
– Καθηγητής Mikko Juusola, Καθηγητής Συστημικής Νευροεπιστήμης από τη Σχολή Βιοεπιστημών και το Ινστιτούτο Νευροεπιστήμης του Πανεπιστημίου του Σέφιλντ
Σύρετε για κύλιση →
| Προσέγγιση | Κύρια Αρχή | Δυνατά Σημεία | Περιορισμοί |
|---|---|---|---|
| Παραδοσιακό AI | Τεράστιες βάσεις δεδομένων & υψηλή υπολογιστική ισχύ | Υψηλή ακρίβεια σε σύνθετες εργασίες | Καταναλωτικό σε ενέργεια, δαπανηρό στην κλιμάκωση |
| AI Εμπνευσμένο από τις Μέλισσες | Ενεργή όραση & αποδοτικός νευρωνικός κώδικας | Ελαφρύ, ενεργειακά αποδοτικό, γρήγορη μάθηση | Ακόμα σε πρώιμο στάδιο έρευνας |
Επένδυση στην Τεχνολογία AI
Στον κόσμο του AI και της ρομποτικής, Qualcomm (QCOM ) είναι ένα γνωστό όνομα που έχει εξερευνήσει νευρομορφικές και τεχνολογίες edge-AI.
Περισσότερο από μια δεκαετία πριν, η Qualcomm κυκλοφόρησε τους επεξεργαστές Qualcomm Zeroth για να μιμηθούν την ανθρώπινη αντίληψη και μάθηση, όπως κάνουν οι βιολογικοί εγκέφαλοι. Εκτός από τη βιολογικά εμπνευσμένη μάθηση, ο στόχος ήταν να αναπαραχθεί η αποδοτικότητα με την οποία ο εγκέφαλός μας μεταδίδει πληροφορίες και να τυποποιηθεί η νέα αρχιτεκτονική επεξεργασίας που ονομάζεται Μονάδα Νευρωνικής Επεξεργασίας (NPU).
Η πλατφόρμα AI-driven Robotics RB6, εν τω μεταξύ, τροφοδοτεί τη ρομποτική επόμενης γενιάς και τα έξυπνα μηχανήματα, συμπεριλαμβανομένων των ρομπότ παράδοσης, των αυτόνομων κινητών ρομπότ (AMRs), των αεροσκαφών UAM, των βιομηχανικών ρομπότ, των αυτόνομων αμυντικών λύσεων και πολλών άλλων. Η πλατφόρμα παρέχει αποδοτική ενέργεια, προηγμένη υπολογιστική edge-AI και επεξεργασία βίντεο με συνδεσιμότητα 5G για ρομπότ
Κατ’ αρχήν, η Qualcomm ασχολείται με την ανάπτυξη θεμελιωδών τεχνολογιών για τη βιομηχανία ασύρματης επικοινωνίας, συμπεριλαμβανομένων των 3G, 4G, 5G, της ασύρματης συνδεσιμότητας, και της υψηλής απόδοσης και χαμηλής κατανάλωσης ενέργειας υπολογιστικής ισχύος.
Κάντε κλικ εδώ για να μάθετε τα πάντα για την επένδυση στην τεχνητή νοημοσύνη (AI).
Qualcomm (QCOM )
Κοιτάζοντας την απόδοση της Qualcomm στην αγορά, η εταιρεία με κεφαλαιοποίηση $171,67 δισεκατομμυρίων έχει τις μετοχές της αυτή τη στιγμή στην τιμή $159,54, με άνοδο 3,6% φέτος μέχρι στιγμής.
Ενώ η απόδοση φέτος ήταν απογοητευτική, ακολουθεί την άνοδο του QCOM πάνω από $215 τον Ιούνιο του περασμένου έτους. Το EPS (TTM) είναι 10,36, το P/E (TTM) 15,36 και το ROE (TTM) 44,62%, ενώ οι μέτοχοι επωφελούνται από απόδοση μερισμάτων 2,24%.
(QCOM )
Στον οικονομικό τομέα, ο κατασκευαστής ασύρματων τσιπ ανακοίνωσε αύξηση εσόδων κατά 10% σε $10,4 δισεκατομμύρια για το τρίτο οικονομικό τρίμηνο που έληξε στις 29 Ιουνίου 2025.
Με την ενδυνάμωση των εσόδων από κινητά τηλέφωνα, IoT και Αυτοκινητοβιομηχανία, τα έσοδα QCT αυξήθηκαν 11% ετησίως σε $9 δισεκατομμύρια, και τα έσοδα EBT αυξήθηκαν 22% σε $2,7 δισεκατομμύρια. Τα συνδυασμένα έσοδα QCT Αυτοκινητοβιομηχανίας και IoT, εν τω μεταξύ, αυξήθηκαν 23% ετησίως σε $2,7 δισεκατομμύρια.
Το μη-GAAP EPS της εταιρείας αυξήθηκε 19% ετησίως σε $2,77.
According to CEO Cristiano Amon:
«Μια ακόμη τρίμηνο ισχυρής ανάπτυξης στα έσοδα QCT Αυτοκινητοβιομηχανίας και IoT επιβεβαιώνει τη στρατηγική διαφοροποίησής μας και την εμπιστοσύνη μας στην επίτευξη των μακροπρόθεσμων στόχων εσόδων. Η ηγεσία μας στην επεξεργασία AI, στην υψηλή απόδοση και τη χαμηλή κατανάλωση ενέργειας, καθώς και στην προηγμένη συνδεσιμότητα, μας τοποθετεί ως την πλατφόρμα επιλογής της βιομηχανίας καθώς το AI κλιμακώνεται στην άκρη.»
Κατά τη διάρκεια του τριμήνου, η Qualcomm επέστρεψε $3,8 δισεκατομμύρια στους μετόχους, που περιλάμβαναν $967 εκατομμύρια, ή $0,89 ανά μετοχή, μετρητά μερίσματα και $2,8 δισεκατομμύρια επαναγορά μετοχών.
Πρόσφατα, η Qualcomm παρουσίασε το Dragonwing Q-6690 για τους επιχειρηματικούς της πελάτες, λιγότερο από έξι μήνες μετά την παρουσίαση της σειράς προϊόντων Dragonwing. Η εταιρεία ισχυρίζεται ότι το chipset είναι ο πρώτος παγκοσμίως κινητός επεξεργαστής με ενσωματωμένες δυνατότητες RFID ultra‑high frequency.
Με τις βιομηχανικές και ενσωματωμένες λύσεις IoT, δικτύωσης και υποδομών κυψελοειδούς δικτύου, η εταιρεία στοχεύει να τις χρησιμοποιήσει για την απλοποίηση της πολυπλοκότητας, τη βελτιστοποίηση της λειτουργικής αποδοτικότητας και την ενδυνάμωση της ευφυέστερης λήψης αποφάσεων.
Στο μεταξύ, η σαουδική εταιρεία AI, Humain, έχει ξεκινήσει την κατασκευή των πρώτων κέντρων δεδομένων της στη Ριάντ και το Νταμμάμ, για τα οποία έχει συνεργαστεί με την Qualcomm και AMD, Cisco, και Groq. Η εταιρεία σχεδιάζει να χτίσει 1,9 GW χωρητικότητας κέντρων δεδομένων μέχρι το τέλος της δεκαετίας.
Τελευταία Νέα και Ανάπτυξη Μετοχής Qualcomm (QCOM)
Συμπέρασμα
Τα ζώα έχουν εδώ και πολύ καιρό εμπνεύσει την τεχνολογία, και τώρα οι μέλισσες μας δείχνουν ότι η νοημοσύνη δεν εξαρτάται από το μέγεθος του εγκεφάλου, αλλά από την αποδοτικότητα, την προσαρμοστικότητα και την αδιάσπαστη ενσωμάτωση σώματος, εγκεφάλου και περιβάλλοντος. Αυτά τα μαθήματα θα μπορούσαν να βοηθήσουν στη μεταμόρφωση του σχεδιασμού AI.
Το AI είναι ένα από τα πιο προχωρημένα και γρήγορα εξελισσόμενα πεδία σήμερα, προσελκύοντας σημαντική προσοχή, κεφάλαια και ανάπτυξη. Η κλιμάκωση τεράστιων μοντέλων, ωστόσο, είναι δαπανηρή, ενεργοβόρα και μη βιώσιμη. Εδώ, η έρευνα εμπνευσμένη από τις μέλισσες προσφέρει μια εναλλακτική: μικρά, αποδοτικά νευρωνικά δίκτυα που μπορούν να πετύχουν περισσότερα με λιγότερο.
Μελετώντας την ενεργή όραση και τις συμπαγείς νευρωνικές στρατηγικές των μελισσών, μπορούμε να δημιουργήσουμε μελλοντικό AI και ρομποτική που είναι ταχύτερα και πιο ικανά.
Αναφορές:
1. MaBouDi, H., Richter, J., Guiraud, M.-G., Roper, M., Marshall, J.A.R., & Chittka, L. Ενεργή όραση των μελισσών σε ένα απλό καθήκον διάκρισης προτύπων. eLife, 14, e106332, δημοσιεύτηκε 20 Φεβρουαρίου 2025. https://doi.org/10.7554/eLife.106332
2. MaBouDi, H., Roper, M., Guiraud, M.-G., Juusola, M., Chittka, L., & Marshall, J.A.R. Ένα νευρομορφικό μοντέλο ενεργής όρασης που δείχνει πώς η χωροχρονική κωδικοποίηση σε νευρώνες λοβού μπορεί να βοηθήσει στην αναγνώριση προτύπων στις μέλισσες. eLife, 14, e89929, δημοσιεύτηκε 1 Ιουλίου 2025. https://doi.org/10.7554/eLife.89929
