Mehiläisten aivot inspiroivat älykkäämpää tekoälyä ja robotiikkaa

Mehiläiset, maailman parhaat pölyttäjät, ovat olennainen osa biologista monimuotoisuutta, josta me ihmiset olemme suoraan riippuvaisia selviytymisemme kannalta.

Nämä siivekkäät hyönteiset tunnetaan ensisijaisesti korkealaatuisen ruoan, kuten hunajan, lisäksi mehiläisvahaa, propolisia, siitepölyä ja hyytelöä, sekä muiden tuotteiden tarjoamisesta. Vielä tärkeämpää on, että ne vastaavat lukemattomien kukkivien kasvien pölyttämisestä, mukaan lukien suurin osa maailman ruokaviljelmistä, mikä mahdollistaa kasvien lisääntymisen ja hedelmien, vihannesten ja siementen tuotannon.

Tämän saavuttamiseksi mehiläiset käyttävät karvaisia kehojaan siirtäen siitepölyä kukasta toiseen.

Vaikka mehiläiset eivät ole tässä yksin, sillä linnut, apinat ja jopa ihmisetkin pölyttävät, mehiläiset ovat ehdottomasti yleisimmät pölyttäjät. Arvioiden mukaan yli 87 % kaikista kukkivista kasvilajeista riippuu eläimistä, ja mehiläiset ovat tärkein ryhmä pölytyksessä, mikä on olennainen ekosysteemipalvelu, elintärkeä biologiselle monimuotoisuudelle ja ruokaturvallisuudelle.

Mehiläiset ovat itse asiassa erittäin älykkäitä hyönteisiä, ja ihmiset ovat tutkineet niiden käyttäytymistä, tapoja ja sosiaalisia vuorovaikutuksia ymmärtääkseen ekosysteemin terveyttä, ympäristön muutoksia ja parantaakseen viljelykasvien pölytyksen tehokkuutta.

Lisäksi mehiläisiä käytetään mallina yhteistyökäyttäytymisen ymmärtämiseen ja sen kartoittamiseen, kuinka pienet aivot koordinoivat monimutkaisia sosiaalisia tehtäviä.

Tiedemiehet ammentavat myös mehiläisistä inspiraatiota teknologian kehittämiseen. Esimerkiksi niiden navigointi- ja viestintästrategioita sovelletaan drone-teknologiaan. Mehiläisten käyttäytyminen on myös inspiroinut robotiikkaa, algoritmeja ja tekoälyä.

Tähän liittyen tutkijat ovat nyt havainneet, että mehiläiset käyttävät lentoliikkeitään parantaakseen aivojen signaaleja, mikä mahdollistaa niiden oppimisen ja monimutkaisten visuaalisten mallien tunnistamisen suurella tarkkuudella.

Tämän liikkeeseen perustuva havaitseminen, uuden tutkimuksen mukaan, voisi mullistaa seuraavan sukupolven tekoälyn ja robotiikan kehittämisen korostamalla tehokkuutta massiivisen laskentatehon sijaan.

Mehiläisten älykkyys: Mitä pienet aivot opettavat meille tekoälystä

Mehiläisten visuaalisen oppimisen kyvyt ovat yksinkertaisesti poikkeuksellisia. Tämä käy ilmi siitä, että ne voivat oppia yhdistämään värin palkkioon sekä tunnistamaan erityisiä piirteitä luokitellakseen visuaalisia malleja. Ne ovat jopa osoittaneet kyvyn ymmärtää abstrakteja käsitteitä ja ratkaista numerositeettavuustehtäviä skannaamalla peräkkäin ärsykkeen elementtejä.

Kognitiivisen tieteen peruskäsite, numerositeettavuus, viittaa joukon kohteiden määrään, ja sitä tutkitaan yleensä visuaalisen havaitsemisen yhteydessä, jossa se tarkoittaa kykyä nopeasti hahmottaa esineiden määrä kohtauksessa laskematta.

Näin numerositeettavuustehtävät analysoivat aivojen synnynnäistä kykyä havaita ja arvioida määriä.

Joten mehiläisillä on selvästi poikkeukselliset kyvyt, mikä tekee niistä arvokkaan eläinmallin visuaalisen oppimisen periaatteiden tutkimiseen analysoimalla niiden käyttäytymisreaktioita.

Mutta asia on, että ei vieläkään tiedetä tarkalleen, miten mehiläiset pystyvät tunnistamaan monimutkaisia kuvioita ja havaitsemaan ympäröivän maailman monimutkaisuuksia ruoanetsinnän aikana, ottaen huomioon niiden oletetun alhaisen visuaalisen herkkyyden ja rajalliset hermostolliset resurssit.

Visuaaliset aistineuronit oletetaan kehittyvän hyödyntääkseen luonnollisten kohtauksien säännönmukaisuuksia. Esimerkiksi tutkimukset ovat osoittaneet, että hyönteisten aistireitit ja niihin liittyvät käyttäytymiset mukautuvat dynaamisesti erilaisiin ympäristöolosuhteisiin. Vastauksia säädetään syötteiden, kuten spatiaalisen taajuuden, kontrastin ja spatioaikakorrelaatioiden, perusteella.

Kun puhutaan aktiivisista näytteenottostrategioista, joissa eläimet skannaavat jatkuvasti ympäristöään kerätäkseen visuaalista tietoa ajan myötä, tällaista käyttäytymistä on havaittu laajasti eri lajien keskuudessa.

Kunkin kädelliset käyttävät silmänliikkeitä parantaakseen tarkkaa spatiaalista resoluutiota ja luonnollisten ärsykkeiden koodausta, hyönteiset käyttävät strategioita, jotka sisältävät pään ja kehon liikkeitä tai erityisiä lähestymisreittejä.

Mehiläisten tapauksessa ne todennäköisesti luottavat aktiiviseen näköön ja peräkkäiseen näytteenottoon rakentaakseen vahvan ja kestävän hermorakenteen ympäristöstään.

Nämä strategiat näyttelevät keskeistä roolia varhaisessa visuaalisessa prosessoinnissa, vähentäen redundanssia ja tehden visuaalisten ärsykkeiden koodaamisesta tehokkaampaa. Mutta jälleen, ymmärryksemme siitä, miten nämä mekanismit mahdollistavat mehiläisten havaita visuaalisia säännönmukaisuuksia, ylittää esitysrajoituksia ja ratkaista monimutkaisia tehtäviä, on heikko.

Viimeisimmän tutkimuksen mukaan näiden strategioiden ymmärtäminen on ratkaisevan tärkeää hyönteisten näön perusperiaatteiden selvittämiseksi ja niiden laajempien vaikutusten ymmärtämiseksi visuaalisen prosessoinnin osalta biologisissa ja keinotekoisissa järjestelmissä.

Joten, rakentaen aikaisempaan tutkimukseensa, jossa yhteistyöhanke Queen Maryn yliopiston Londonin kampuksella ja julkaistu eLife-lehdessä, esitteli digitaalinen malli mehiläisen pienoisista aivoista¹, tutkijat tarkastelevat nyt pääpiiriyksiköitä, jotka vaikuttavat aktiiviseen näköön väriä sisältämättömien kuvioiden tunnistamisessa.

Tutkimuksen ensisijainen tavoite on selvittää, miten mehiläisten skannauskäyttäytyminen vaikuttaa hermosolujen järjestäytymiseen ja yhteyksiin niiden visuaalisissa lobuksissa.

Sheffieldin yliopiston tutkijat hypothesoivat, että skannauskäyttäytyminen on sopeutunut näyttelemään monimutkaisia visuaalisia piirteitä tavalla, joka koodaa ne tehokkaammin lobulan hermosoluihin. Tämä puolestaan mahdollistaa ainutlaatuiset esitykset, jotka tukevat oppimista mehiläisten pienissä aivoissa. Testatakseen tätä hypoteesia he kehittivät neuromorfisen mallin mehiläisen optisista lobuksista.

Tutkijat sisällyttivät koodausperiaatteet uudenlaisen ei-assosiatiivisen plastisuuden mallin kautta. Tämä mahdollisti mallin itseorganisoida yhteyksiään visuaalisen lobuksen sisällä, luoden näin tehokkaita ympäristön esityksiä ja johtamalla suuntavalikoitujen solujen syntymiseen, jotka ovat olennaisia monimutkaisten visuaalisten kohtauksien koodauksessa.

Visuaalisen prosessoinnin kehystä parannettiin edelleen käyttämällä toista päätöksentekomoduulia, joka sai inspiraationsa hyönteisten assosiatiivisista oppimismekanismeista.

Tutkijoiden simulaatiot paljastavat, että pieni joukko lobulan hermosoluja, jotka ovat herkkiä tietyille suuntauksille ja nopeuksille, voivat tiivistää monimutkaiset visuaaliset ympäristöt esityksiksi, jotka ilmenevät tulosignaalien taajuutena. Nämä harvinaiset esitykset erottavat tehokkaasti plus- ja kertomiskuvioiden välillä, mikä korostaa mallin laajempaa sovellettavuutta.

Tutkimuksessa kerätyt oivallukset voivat edistää ymmärrystämme biologisesta näöstä ja kognitiosta sekä inspiroida uusien laskennallisten mallien kehittämistä visuaalisten tunnistustehtävien osalta, totesi tutkimus.

Miten mehiläisistä inspiroitu näkö muokkaa robotiikkaa ja tekoälyä

Viimeisin tutkimus, yhteistyöhanke Queen Maryn yliopiston Londonin kampuksella ja julkaistu eLife-lehdessä, esitteli digitaalinen malli mehiläisen pienoisista aivoista².

Se hyödyntää yllättävää tapaa, jolla nämä hyönteiset yhdistävät aivonsa ja kehonsa edistääkseen teknologiaa ja tehdä tulevista roboteista älykkäämpiä ja tehokkaampia. Samankaltaisesti kuin mehiläiset käyttävät lentoliikkeitään luodakseen selkeitä aivosignaaleja ja yksinkertaistaakseen monimutkaisia visuaalisia tehtäviä, seuraavan sukupolven teknologia voi myös kerätä olennaista tietoa liikkeen kautta sen sijaan, että se luottaisi valtavaan laskentatehoon.

Tutkimus on lopulta osoittanut, että jopa pienet hyönteisten aivot kykenevät ratkaisemaan monimutkaisia visuaalisia tehtäviä.

Se, että muutama aivosolu pystyy tekemään niin paljon, tarkoittaa, että älykkyys ei ole pelkästään aivojen asia, vaan aivojen, kehon ja ympäristön yhteistoiminnan tulos.

Digitaalisen version rakentaminen mehiläisen aivoista auttoi tutkijoita löytämään, että mehiläisten kehon liikkeet lennon aikana auttavat muotoilemaan visuaalisen syötteen. Nämä liikkeet myös tuottavat ainutlaatuisia sähköisiä signaaleja niiden aivoissa, jotka mahdollistavat ennustettavien piirteiden tunnistamisen ympäristössä helposti ja tehokkaasti.

Tämä osoittaa mehiläisten poikkeuksellisen tarkkuuden oppia ja tunnistaa monimutkaisia visuaalisia kuvioita lennon aikana.

“Tässä tutkimuksessa olemme onnistuneesti osoittaneet, että jopa pienimmätkin aivot voivat hyödyntää liikettä havaitakseen ja ymmärtääkseen ympäröivän maailman. Tämä osoittaa meille, että pieni, tehokas järjestelmä – vaikka se onkin miljoonien vuosien evoluution tulos – voi suorittaa laskelmia, jotka ovat valtavan monimutkaisempia kuin aiemmin ajattelimme mahdolliseksi.”

– Tutkimuksen vanhempi tekijä, professori James Marshall, Koneälyn keskuksen johtaja Sheffieldin yliopistossa

Hyödyntämällä luonnon parhaita älykkyyden suunnitteluita, Marshall totesi, että tämä raivaa tietä “seuraavan sukupolven tekoälylle, edistäen robotiikkaa, itseohjautuvia ajoneuvoja ja todellista oppimista.”

Kuten aiemmin mainittiin, tämä tutkimus perustuu heidän aikaisempaan tutkimukseensa siitä, miten mehiläiset käyttävät aktiivista näköä, jossa niiden liikkeet auttavat keräämään ja käsittelemään visuaalista tietoa. Viimeisin työ tarkastelee syvemmin aivojen taustalla olevia mekanismeja, jotka ohjaavat niiden lentämiskäyttäytymistä ja tiettyjen kuvioiden tarkastelua.

“Aikaisemmassa työmme meitä kiehtoi löytää, että mehiläiset käyttävät älykästä skannauslyhennettä visuaalisten pulmien ratkaisemiseksi. Mutta se kertoi meille vain, mitä ne tekevät; tässä tutkimuksessa halusimme ymmärtää miten.”

– Pääkirjoittaja, tohtori HaDi MaBouDi Sheffieldin yliopistosta

Mehiläisten kehittyneet visuaalisen kuvion oppimiskyvyt on itse asiassa pitkään ymmärretty. Tämä sisältää niiden kyvyn erottaa ihmisen kasvot, mutta ei sitä, miten ne navigoivat maailmassa näin tehokkaasti.

“Mehiläisen aivojen mallimme osoittaa, että sen hermoyhteydet on optimoitu prosessoimaan visuaalista tietoa ei eristyksissä, vaan aktiivisen vuorovaikutuksen kautta lentoliikkeidensä kanssa luonnollisessa ympäristössä.”

– MaBouDi

Ja tämä, hän totesi, tukee teoriaa siitä, että älykkyys syntyy aivojen, kehon ja ympäristön vuorovaikutuksesta.

“Olemme oppineet, että mehiläiset, vaikka niiden aivot eivät ole suurempia kuin seesaminsiemen, eivät vain näe maailmaa – ne muokkaavat aktiivisesti näkemäänsä liikkeidensä avulla. Se on kaunis esimerkki siitä, miten toiminta ja havaitseminen ovat syvästi kietoutuneet yhteen ratkaisemaan monimutkaisia ongelmia minimaalisilla resursseilla. Tämä on jotain, jolla on merkittäviä vaikutuksia sekä biologiaan että tekoälyyn.”

– MaBouDi

Mallin, joka on rakennettu yhteistyöponnistuksilla, osoittaa, että mehiläisen neuronit virittyvät voimakkaasti tiettyihin liikkeisiin ja suuntiin, kun niiden aivot sopeutuvat hitaasti toistuvaan altistumiseen erilaisille ärsykkeille. Tämä parantaa niiden reaktioita ilman, että niiden tarvitsee turvautua assosiaatioihin tai vahvistamiseen.

Tämä tarkoittaa, että mehiläisen aivot sopeutuvat ympäristöönsä pelkästään tarkkailemalla lennon aikana, ilman välitöntä palkkiota.

Kaikki tämä tapahtuu vain muutaman neuronin avulla, mikä säästää sekä energiaa että laskentatehoa, tehden niiden aivoista uskomattoman tehokkaat. Nyt mallin testaamiseksi tiimi altisti sen samoille visuaalisille haasteille kuin todelliset mehiläiset. Tässä tapauksessa laskennallisen mallin piti erottaa ‘+’-merkki ja ‘×’-merkki.

Kun jäljitellään todellisten mehiläisten strategiaa, skannaamalla vain kuvioiden alapuolista osaa, malli osoitti merkittävästi parempaa suorituskykyä.

Lisäksi malli osoitti onnistuneesti, miten mehiläiset voivat tunnistaa ihmisen kasvot käyttäen vain pientä verkkoa keinotekoisia neuroneja, korostaen niiden visuaalisen prosessoinnin monipuolisuutta ja vahvuutta.

“Tiedemiehet ovat olleet kiehtoutuneita kysymyksestä, ennustaisiko aivojen koko älykkyyttä eläimissä. Mutta tällaiset spekulaatiot eivät ole järkeviä, ellei tiedä hermolaskelmia, jotka ovat perustana tietylle tehtävälle,” sanoi professori Lars Chittka, aistien ja käyttäytymisekologian professori Queen Maryn yliopistossa Lontoossa. “Tässä määrittelemme vähimmäismäärän neuroneja, jotka tarvitaan vaikeisiin visuaalisiin erottelutehtäviin, ja huomaamme, että lukumäärät ovat hämmästyttävän pienet, jopa monimutkaisissa tehtävissä kuten ihmisen kasvojen tunnistuksessa. Näin ollen hyönteisten mikrot aivot kykenevät kehittyneisiin laskelmiin.”

Joten tällä tavalla tutkimus lisää näyttöä siitä, että eläimet eivät ole vain passiivisesti vastaanottamassa tietoa. Itse asiassa ne työskentelevät aktiivisesti sen kanssa.

Mehiläisillä, erityisesti, on korkeamman tason visuaalinen prosessointi, ja malli paljastaa, miten käyttäytymiseen perustuva skannaus voi luoda tiivistettyjä, opittavia hermokoodauksia.

“Yhdessä nämä havainnot tukevat yhtenäistä kehystä, jossa havaitseminen, toiminta ja aivojen dynamiikka kehittyvät yhdessä ratkaistakseen monimutkaisia visuaalisia tehtäviä minimaalisilla resursseilla – tarjoten voimakkaita oivalluksia sekä biologiaan että tekoälyyn.”

– professori Mikko Juusola, järjestelmäneurotieteen professori Sheffieldin yliopiston biosciences- ja neurotieteen instituutista

Klikkaa tästä oppiaksesi, miten tekoäly voi auttaa suojaamaan hunajamehiläisiä aasialaisilta leijonahorneteilta.

Pyöritä vierittääksesi →

Sijoittaminen tekoälyteknologiaan

Tekoälyn ja robotiikan maailmassa Qualcomm on tunnettu nimi, joka on tutkinut neuromorfisia ja reunan tasoisen tekoälyn teknologioita.

Yli kymmenen vuotta sitten Qualcomm julkaisi Qualcomm Zeroth -prosessorit jäljitelläkseen ihmisen kaltaista havaintoa ja oppimista, kuten biologiset aivot tekevät. Biologisesti inspiroituneen oppimisen lisäksi tavoitteena oli jäljitellä aivojemme tiedonvälityksen tehokkuutta ja vakiinnuttaa uusi prosessointiarkkitehtuuri, jota kutsutaan Neuroprosessointiyksiköksi (NPU).

Sen AI-ohjattu Robotics RB6 -alusta puolestaan tehostaa seuraavan sukupolven robotiikkaa ja älykkäitä koneita, mukaan lukien toimitusrobotit, autonomiset mobiilit robotit (AMR:t), UAM-lentokoneet, valmistusrobotit, autonomiset puolustusratkaisut ja paljon muuta. Alusta tarjoaa energiatehokasta, edistynyttä reunatason tekoälylaskentaa ja videonkäsittelyä 5G-yhteydellä roboteille

Ensisijaisesti Qualcomm osallistuu perusympäristöteknologioiden kehittämiseen langattomalle teollisuudelle, mukaan lukien 3G, 4G, 5G, langaton yhteys sekä korkean suorituskyvyn ja alhaisen virrankulutuksen laskenta.

Klikkaa tästä oppiaksesi kaiken tekoälyyn (AI) sijoittamisesta.

Qualcomm (QCOM )

Kun tarkastellaan Qualcommin markkinasuorituskykyä, $171,67 miljardin markkina-arvon yrityksen osakkeet kaupankäyvät tällä hetkellä $159,54, mikä on 3,6 % nousu tänä vuonna.

Vaikka tämän vuoden suorituskyky on ollut heikko, se seuraa QCOM:n nousua yli $215:iin viime vuoden kesäkuussa. Sen EPS (TTM) on 10,36, P/E (TTM) 15,36 ja ROE (TTM) 44,62 %, samalla kun osakkeenomistajat hyötyvät 2,24 % osinkotuotosta.

Taloudellisessa näkökulmassa langaton sirunvalmistaja raportoi 10 % liikevaihdon kasvun $10,4 miljardiin tilikauden kolmannelle neljännekselle, joka päättyi 29. kesäkuuta 2025.

Käsineiden, IoT:n ja automaation vahvuuden johdosta QCT:n liikevaihto nousi 11 % vuosi vuodelta $9 miljardiin, ja EBT:n liikevaihto kasvoi 22 % $2,7 miljardiin. Yhdistetty QCT:n automaation ja IoT:n liikevaihto oli samalla 23 % nousussa $2,7 miljardiin.

Yrityksen non-GAAP EPS nousi 19 % vuosi vuodelta $2,77.

“Toinen vahvan kasvun neljännes QCT:n automaation ja IoT:n liikevaihdossa vahvistaa edelleen diversifikaatiostrategiaamme ja luottamustamme saavuttaa pitkän aikavälin liikevaihtotavoitteemme. Johtajuutemme AI-prosessoinnissa, korkean suorituskyvyn ja alhaisen virrankulutuksen laskennassa sekä edistyksellisessä yhteydessä asettaa meidät alustan valituksi valinnaksi, kun AI kasvaa reunalla.”

Neljänneksen aikana Qualcomm palautti $3,8 miljardia osakkeenomistajille, mikä sisälsi $967 miljoonaa, eli $0,89 osakkeelta, käteisosinkoja ja $2,8 miljardia osakkeiden takaisinostoja.

Viimeisimpänä Qualcomm lanseerasi Dragonwing Q-6690 -laitteiston yritysasiakkailleen, alle kuusi kuukautta Dragonwing-tuotesarjan esittelyn jälkeen. Yritys väittää, että siru on maailman ensimmäinen mobiiliprosessori, jossa on sisäänrakennetut ultra-korkean taajuuden RFID-ominaisuudet.

Teollisten ja upotettujen IoT-, verkko- ja matkapuhelininfrastruktuuriratkaisujen avulla yritys pyrkii hyödyntämään niitä monimutkaisuuden yksinkertaistamiseen, operatiivisen tehokkuuden optimoimiseen ja älykkäämmän päätöksenteon mahdollistamiseen.

Tämän keskellä Saudi-Arabian AI-yritys Humain on aloittanut ensimmäisten datakeskustensa rakentamisen Riyadhissa ja Dammamissa, joihin se on tehnyt kumppanuuksia Qualcommin, AMD:n, Cisco:n ja Groq:n kanssa. Yritys suunnittelee rakentavansa 1,9 GW:n datakeskuskapasiteetin tämän vuosikymmenen loppuun mennessä.

Viimeisimmät Qualcomm (QCOM) -osaketuotteiden uutiset ja kehitykset

Yhteenveto

Eläimet ovat pitkään inspiroineet teknologiaa, ja nyt mehiläiset osoittavat, että älykkyys ei liity aivojen kokoon, vaan tehokkuuteen, sopeutumiskykyyn ja kehon, aivojen ja ympäristön saumattomaan integraatioon. Nämä opit voivat auttaa muokkaamaan tekoälyn suunnittelua.

AI on yksi nykyajan kehittyneimmistä ja nopeimmin etenevistä aloista, houkutellen merkittävää huomiota, pääomaa ja kehitystä. Massiivisten mallien skaalaaminen on kuitenkin kallista, energiaintensiivistä ja kestämätöntä. Tässä mehiläisistä inspiroitu tutkimus tarjoaa vaihtoehdon: pienet, tehokkaat hermoverkot, jotka voivat saavuttaa enemmän vähemmällä.

Tutkimalla mehiläisten aktiivista näköä ja kompakteja hermostategioita voimme rakentaa futuristista tekoälyä ja robotiikkaa, jotka ovat nopeampia ja kykenevämpiä.

Klikkaa tästä oppiaksesi, voivatko robottipölyttäjät vaikuttaa pystysuoraan viljelyyn.

Lähteet:

1. MaBouDi, H., Richter, J., Guiraud, M.-G., Roper, M., Marshall, J.A.R., & Chittka, L. Mehiläisten aktiivinen näkö yksinkertaisessa kuvioiden erottelutehtävässä. eLife, 14, e106332, julkaistu 20. helmikuuta 2025. https://doi.org/10.7554/eLife.106332
2. MaBouDi, H., Roper, M., Guiraud, M.-G., Juusola, M., Chittka, L., & Marshall, J.A.R. Neuromorfinen malli aktiivisesta näöstä osoittaa, miten spatioaikainen koodaus lobulan neuroneissa voi auttaa kuvioiden tunnistamisessa mehiläisillä. eLife, 14, e89929, julkaistu 1. heinäkuuta 2025. https://doi.org/10.7554/eLife.89929