Mehiläisten aivot inspiroivat älykkäämpää tekoälyä ja robotiikkaa

Mehiläiset, maailman suurimmat pölyttäjät, ovat olennainen osa luonnon monimuotoisuutta, josta me ihmiset olemme suoraan riippuvaisia ​​selviytymisemme kannalta.

Nämä siivekkäät hyönteiset tunnetaan ensisijaisesti korkealaatuisen ruoan tarjoamisesta. pitää hunajaa sekä mehiläisvahaa, propolista, siitepölyä ja hyytelöä muiden tuotteiden ohella. Vielä tärkeämpää on, että ne pölyttävät lukemattomia kukkivia kasveja, mukaan lukien valtaosa maailman ruokakasveista, mikä mahdollistaa kasvien lisääntymisen ja hedelmien, vihannesten ja siementen tuotannon. 

Tämän saavuttamiseksi mehiläiset käyttävät karvaisia ​​ruumiitaan ja siirtävät siitepölyä kukasta toiseen.

Vaikka mehiläiset eivät ole yksin tässä, kuten linnut, apinat ja jopa ihmiset pölyttävät, mehiläisiä ovat ehdottomasti yleisimpiä pölyttäjiä. It arvioidaan että yli 87 % kaikista kukkivista kasvilajeista on riippuvaisia ​​eläimistä, ja mehiläiset ovat ensisijainen pölyttäjäryhmä, joka on biologisen monimuotoisuuden ja ruokaturvan kannalta elintärkeä ekosysteemipalvelu.

Mehiläiset ovat itse asiassa hyvin älykkäitä hyönteisiä, ja ihmiset ovat tutkineet niiden käyttäytymistä, tapoja ja sosiaalista vuorovaikutusta ymmärtääkseen ekosysteemin terveyttä, ympäristömuutoksia ja parantaakseen viljelykasvien pölytystehokkuutta.

Lisäksi mehiläiset käytetään mallina yhteistyökäyttäytymisen ymmärtämiseen ja kartoittamaan, miten pienet aivot koordinoivat monimutkaisia ​​sosiaalisia tehtäviä. 

Tiedemiehet saavat inspiraatiota myös mehiläisistä teknologian kehittämiseen. Esimerkiksi heidän navigointi- ja viestintästrategiansa käytetään drone-teknologiaan. Mehiläisten käyttäytyminen on inspiroinut myös robotiikkaa, algoritmeja ja tekoälyä.

Tähän liittyen tutkijat ovat nyt havainneet, että mehiläiset käyttävät lentoliikkeitään parantaakseen aivosignaaleja, minkä ansiosta ne voivat oppia ja tunnistaa monimutkaisia ​​visuaalisia kuvioita suurella tarkkuudella. 

Uuden tutkimuksen mukaan tämä liikkeeseen perustuva havainto voisi mullistaa seuraavan sukupolven tekoälyn ja robotiikan kehityksen korostamalla tehokkuutta massiivisen laskentatehon sijaan.

Mehiläisten älykkyys: Mitä pienet aivot opettavat meille tekoälystä

Mehiläisten visuaalinen oppimiskyky on yksinkertaisesti hämmästyttävä. Tämä käy ilmi siitä, että ne voivat oppia yhdistämään värin palkkioon sekä tunnistamaan tiettyjä piirteitä visuaalisten kuvioiden luokittelemiseksi. Ne ovat jopa osoittaneet kykynsä ymmärtää abstrakteja käsitteitä ja ratkaista numerositeettitehtäviä skannaamalla ärsykkeen elementtejä peräkkäin. 

Kognitiotieteen peruskäsite, numeerisuus, viittaa joukkoon kuuluvien alkioiden lukumäärään ja is yleensä tutkittu visuaalisen havainnon yhteydessä, jossa se viittaa kykyyn nopeasti havaita kohtauksessa olevien esineiden määrä laskematta. 

Sellaisenaan numerositeettitehtävät analysoivat aivojen synnynnäistä kykyä havaita ja arvioida määriä.

Mehiläisillä on siis selvästi poikkeuksellisia kykyjä, mikä tekee niistä arvokkaan eläinmallin visuaalisen oppimisen periaatteiden tutkimiseen analysoimalla niiden käyttäytymisvasteita.

Mutta asia on, se ei vieläkään ole ihan oikeesti tunnettu vain miten mehiläiset pystyvät tunnistamaan monimutkaisia ​​kuvioita ja havaitsemaan ympäröivän maailman monimutkaisuuden ravintoa etsiessään, ottaen huomioon niiden oletettavasti alhaisen näköherkkyyden ja rajalliset hermostolliset resurssit.

Näköaistihermosolut ovat todella oletetaan kehittää jotta luonnonmaisemissa havaittavia säännönmukaisuuksia voitaisiin hyödyntää. Esimerkiksi tutkimukset ovat osoittaneet, että hyönteisten aistireittejä ja niihin liittyvää käyttäytymistä mukautuvat dynaamisesti erilaisiin ympäristöolosuhteisiin. Vastauksia mukautetaan syöttötietojen perusteella pitää spatiaalinen taajuus, kontrasti ja spatiaaliset ja ajalliset korrelaatiot. 

Aktiivisissa näytteenottostrategioissa, joissa eläimet jatkuvasti skannaavat ympäristöään visuaalisen tiedon saamiseksi ajan kuluessa, tällainen käyttäytyminen on on laajalti havaittu lajien välillä. 

Kädelliset käyttävät silmänliikkeitä parantaakseen hienojakoista tilan erottelukykyään ja parantaakseen luonnollisten ärsykkeiden koodaamista, kun taas hyönteiset käyttävät strategioita, joihin liittyy pään ja kehon liikkeitä tai tiettyjä lähestymisreitit.

Mehiläisten tapauksessa ne todennäköisesti ovat riippuvaisia ​​aktiivisesta näöstä ja peräkkäisestä näytteenotosta rakentaakseen vahvan ja joustavan hermostollisen representaation ympäristöstään. 

Näillä strategioilla on merkitystä keskeinen osa varhaisessa visuaalisessa prosessoinnissa, redundanssin vähentäminen ja mikä Ishayoiden opettaman koodaus visuaalisista ärsykkeistä tehokkaampi. Mutta taas, ymmärryksemme siitä, miten nämä mekanismit sallia mehiläiset havaitsevat visuaalisia säännönmukaisuuksia, voittavat esitysrajoitukset ja ratkaisevat monimutkaisia ​​tehtäviä kehno.

Uusimman tutkimuksen mukaan näiden strategioiden ymmärtäminen on ratkaisevan tärkeää hyönteisten näön perusperiaatteiden ja niiden laajempien vaikutusten selvittämiseksi visuaaliselle prosessoinnille biologisissa ja keinotekoisissa järjestelmissä.

Joten, rakentaminen heidän aiemman tutkimuksensa perusteella, joka arvioi mehiläisten lentoreittejä yksinkertaisen visuaalisen tehtävän aikana¹, tutkijat ovat nyt tarkastella tärkeimmät piirielementit, jotka edistävät aktiivista näköä akromaattisten kuvioiden tunnistamisessa.

Tutkimuksen ensisijaisena tavoitteena on selvittää, miten mehiläisten skannauskäyttäytyminen vaikuttaa hermosolujen organisoitumiseen ja kytkeytymiseen niiden näkölohkoissa.

Sheffieldin yliopiston tutkijat olettivat, että skannauskäyttäytymiset ovat sopeutuneet mallintamaan monimutkaisia ​​visuaalisia piirteitä tavalla, joka koodaa ne tehokkaammin lobula-neuroneissa. Tämä puolestaan ​​helpottaa ainutlaatuisia representaatioita, jotka tukevat oppimista mehiläisten pienissä aivoissa. Tämän hypoteesin testaamiseksi he kehittivät neuromorfisen mallin mehiläisen näkölohkoista.

Tutkijat sisällyttivät koodausperiaatteet uuden ei-assosiatiivisen plastisuuden mallin kautta. Tämä mahdollisti mallin itseorganisoida yhteytensä visuaalisessa lohkossa, mikä loi tehokkaita esityksiä ympäristöstä ja johti orientaatioselektiivisten solujen syntymiseen, jotka ovat välttämättömiä monimutkaisten visuaalisten kohtausten koodaamiseksi.

Visuaalista prosessointikehystä parannettiin edelleen by käyttämällä toinen päätöksentekomoduuli, joka otti inspiraatiota hyönteisten assosiatiivisista oppimismekanismeista.

Tutkijoiden simulaatiot paljastavat, että pieni osa lobula-neuroneista, jotka ovat herkkiä tietyille suunnille ja nopeuksille, pystyy tiivistämään monimutkaisia ​​visuaalisia ympäristöjä esityksiksi, jotka ilmaistaan ​​laukaisunopeuksina. Nämä harvinaiset esitykset erottavat tehokkaasti plus- ja kertolaskumallit, mikä korostaa mallin laajempaa sovellettavuutta.

Tutkimuksessa kerätyt tiedot voivat auttaa meitä ymmärtämään biologista näköä ja kognitiota paremmin. ja inspiroida uusien laskennallisten mallien kehittämistä visuaalisia tunnistustehtäviä varten, totesi Ishayoiden opettaman tutkimus.

Miten mehiläisten inspiroima visio muokkaa robotiikkaa ja tekoälyä

Uusin tutkimus, yhteistyössä Lontoon Queen Mary Universityn kanssa tehty ja eLife-lehdessä julkaistu tutkimus. yksityiskohtainen a mehiläisen pienoisaivojen digitaalinen malli².

Se hyödyntää näiden hyönteisten yllättävää tapaa yhdistää aivonsa ja kehonsa edistääkseen teknologiaa ja tehdäkseen tulevaisuuden roboteista älykkäämpiä ja tehokkaampia. Aivan kuten mehiläiset käyttävät lentoliikkeitään selkeiden aivosignaalien luomiseen ja monimutkaisten visuaalisten tehtävien yksinkertaistamiseen, seuraavan sukupolven teknologia voi myös kerätä olennaista tietoa liikkeen avulla sen sijaan, että se turvautuisi valtavaan laskentatehoon.

Tutkimus on loppujen lopuksi osoittanut, että jopa pienimmät hyönteisten aivot pystyvät ratkaisemaan monimutkaisia ​​​​visuaalisia tehtäviä. 

Se, että harvat aivosolut pystyvät tekemään niin paljon, tarkoittaa, että älykkyys ei ole vain aivojen ominaisuus, vaan aivojen, kehon ja ympäristön yhteistyön tulos. 

Digitaalisen maailman rakentaminen versio Mehiläisen aivojen tutkimus auttoi tutkijoita havaitmaan, että mehiläisten tapa liikuttaa kehoaan lennon aikana auttaa niiden muodon visuaalisessa havainnoinnissa. Nämä liikkeet tuottavat myös ainutlaatuisia sähköisiä signaaleja heidän aivoissaan, jotka sallivat heitä tunnistamaan ennustettavia piirteitä ympärillään helposti ja tehokkaasti.

Tämä vitriinit mehiläisten huomattava tarkkuus oppimisessa ja monimutkaisten visuaalisten kuvioiden tunnistamisessa lennon aikana.

”Tässä tutkimuksessa olemme onnistuneesti osoittaneet, että pienimmätkin aivot voivat hyödyntää liikettä ympäröivän maailman havaitsemiseen ja ymmärtämiseen. Tämä osoittaa meille, että pieni ja tehokas järjestelmä – vaikkakin miljoonien vuosien evoluution tulos – voi suorittaa laskelmia, jotka ovat huomattavasti monimutkaisempia kuin aiemmin ajattelimme mahdolliseksi.”

– Tutkimuksen vanhempi kirjoittaja, professori James Marshall, Sheffieldin yliopiston koneälyn keskuksen johtaja

By vipuvaikutuksen Marshallin mukaan luonnon parhaat älykkyysratkaisut tasoittavat tietä "seuraavan sukupolven tekoälylle, joka edistää robotiikan, itseohjautuvien ajoneuvojen ja tosielämän oppimisen kehitystä".

Kuten aiemmin todettiin, tämä tutkimus pohjautuu aiempaan tutkimukseen mehiläisten aktiivisen näön käytöstä, jossa niiden liikkeet auttavat visuaalisen tiedon keräämisessä ja käsittelyssä. Uusin työ tarkastelee syvällisemmin taustalla olevia aivomekanismeja, jotka ohjaavat niiden käyttäytymistä lentämisessä ja tiettyjen mallien tarkastelussa.

”Aiemmassa työssämme meitä kiehtoi havainto, että mehiläiset käyttävät nerokasta skannausoikotietä visuaalisten pulmien ratkaisemiseen. Mutta se vain kertoi meille, mitä ne tekevät; tässä tutkimuksessa halusimme ymmärtää, miten.”

– Pääkirjoittaja, tohtori HaDi MaBouDi Sheffieldin yliopistosta

Edistynyt visuaalinen kuvion oppiminen mehiläisten kyvyt ovat todella ollut pitkä ymmärsi. Tämä sisältää niiden kyvyn erottaa ihmiskasvot toisistaan, mutta ei mitä miten he suunnistavat maailmassa niin tehokkaasti.

”Mehiläisen aivomallimme osoittaa, että sen hermopiirit on optimoitu käsittelemään visuaalista tietoa ei eristyksissä, vaan aktiivisen vuorovaikutuksen kautta sen lentoliikkeiden kanssa luonnollisessa ympäristössä.”

– MaBouDi

Ja tämä, hän huomautti, tukee teoriaa, jonka mukaan älykkyys syntyy aivojen, kehon ja ympäristön yhteisvaikutuksesta.

”Olemme oppineet, että mehiläiset, vaikka niiden aivot ovat seesaminsiemenen kokoisia, eivät ainoastaan ​​näe maailmaa – ne muokkaavat aktiivisesti näkemäänsä liikkeillään. Se on kaunis esimerkki siitä, miten toiminta ja havaintokyky ovat syvästi kietoutuneet toisiinsa monimutkaisten ongelmien ratkaisemiseksi minimaalisilla resursseilla.” Tämä on asia, jolla on merkittäviä vaikutuksia sekä biologiaan että tekoälyyn."

– MaBouDi

Yhteistyössä rakennettu malli osoittaa, että mehiläisen hermosolut virittyvät tarkasti tiettyihin liikkeisiin ja suuntiin, kun aivot sopeutuvat hitaasti toistuvan altistumisen kautta erilaisille ärsykkeille. Tämä parantaa niiden reaktioita ilman, että niiden tarvitsee olla riippuvaisia ​​​​mielipiteistä tai vahvistuksista.

Tämä tarkoittaa, että mehiläisen aivot sopeutuvat ympäristöönsä yksinkertaisesti havainnoimalla lennon aikana, ilman välittömiä palkintoja.

Kaikki tämä tehdään käyttämällä vain muutamaa neuronia, mikä säästää sekä energiaa että prosessointitehoa ja tekee aivoista uskomattoman tehokkaita. Mallin testaamiseksi tiimi asetti sen nyt samojen visuaalisten haasteiden läpi, joita oikeat mehiläiset kohtaavat. Tässä tapauksessa laskennallisen mallin piti erottaa plusmerkki ja kertomerkki.

Kun malli jäljitteli oikeiden mehiläisten strategiaa ja skannasi vain kuvioiden alaosan, sen suorituskyky parani huomattavasti. 

Lisäksi malli osoitti onnistuneesti vain miten mehiläiset voivat tunnistaa ihmiskasvot käyttämällä vain pientä keinotekoisten hermosolujen verkostoa, korostaen monipuolisuus ja Ishayoiden opettaman visuaalisen prosessoinnin vahvuus.

”Tiedemiehiä on kiehtonut kysymys siitä, ennustaako aivojen koko eläinten älykkyyttä. Mutta tällaiset spekulaatiot ovat järjettömiä, ellei tiedetä tietyn tehtävän taustalla olevia hermostollisia laskelmia”, sanoo professori Lars Chittka, aisti- ja käyttäytymisekologian professori Queen Mary University of Londonista. ”Tässä määritämme vaikeisiin visuaalisen erottelun tehtäviin vaadittavan hermosolujen vähimmäismäärän ja havaitsimme, että luvut ovat hämmästyttävän pieniä jopa monimutkaisissa tehtävissä, kuten ihmisen kasvojen tunnistamisessa. Näin ollen hyönteisten mikroaivot pystyvät edistyneisiin laskelmiin.”

SoTämä tapa opiskella lisää todisteisiin siitä, että eläimet eivät vain passiivisesti vastaanota tietoa. Itse asiassa he työskentelevät sen parissa aktiivisesti.

Erityisesti mehiläisillä on korkeamman asteen visuaalinen prosessointi, ja malli paljastaa, kuinka käyttäytymiseen perustuva skannaus voi luoda pakattuja, opittavia hermokoodeja.

”Yhdessä nämä löydökset tukevat yhtenäistä viitekehystä, jossa havaintokyky, toiminta ja aivojen dynamiikka kehittyvät yhdessä ratkaistakseen monimutkaisia ​​visuaalisia tehtäviä minimaalisilla resursseilla – tarjoten tehokkaita oivalluksia sekä biologialle että tekoälylle.”

– Professori Mikko Juusola, systeemisen neurotieteen professori Sheffieldin yliopiston biotieteiden tiedekunnasta ja neurotieteen laitokselta

Klikkaa tästä ja lue lisää siitä, miten tekoäly voi auttaa suojelemaan mehiläisiä aasialaisilta herhiläisiltä.

Pyyhkäise vierittääksesi →

Investointi tekoälyteknologiaan

Tekoälyn ja robotiikan maailmassa Qualcomm (QCOM ) on tunnettu nimi, joka on tutkinut neuromorfisia ja reuna-AI teknologioita. 

Yli kymmenen vuotta sitten Qualcomm julkaisi Zeroth-prosessorit jäljittelemään ihmisen kaltaista havaintokykyä ja oppimista, aivan kuten biologiset aivot tekevät. Biologisesti inspiroituneen oppimisen lisäksi tavoitteena oli jäljitellä aivojemme tiedonvälityksen tehokkuutta ja standardoida uusi prosessointiarkkitehtuuri, jota kutsutaan neurologiseksi prosessointiyksiköksi (NPU).

Sen tekoälypohjainen robotiikka-RB6-alusta puolestaan ​​käyttää voimanlähteenään seuraavan sukupolven robotiikkaa ja älykkäitä koneita, kuten toimitusrobotteja, autonomisia mobiilirobotteja (AMR), miehittämättömiä ilma-aluksia, valmistusrobotteja, autonomisia puolustusratkaisuja ja paljon muuta. Alusta toimittaa energiatehokas, edistynyt reuna-AI laskentaa ja videonkäsittelyä 5G-yhteydellä roboteille

Qualcomm on ensisijaisesti mukana kehittämässä langattoman alan perustavanlaatuisia teknologioita, mukaan lukien 3G, 4G, 5G, langaton yhteys, ja tehokkaat ja vähän virtaa kuluttavat laskennat.

Napsauta tätä saadaksesi lisätietoja tekoälyyn (AI) sijoittamisesta.

Qualcomm (QCOM )

Qualcommin markkinakehitystä tarkasteltaessa 171.67 miljardin dollarin markkina-arvoisen yhtiön osakkeet käyvät tällä hetkellä kauppaa 159.54 dollarilla, mikä on 3.6 % nousua tänä vuonna tähän mennessä.

Vaikka tämän vuoden tuotto on ollut pettymys, se seuraa QCOMin nousua yli 215 dollarin viime vuoden kesäkuussa. Sen osakekohtainen tulos (TTM) on 10.36, P/E (TTM) 15.36 ja oman pääoman tuotto (TTM) 44.62 %, kun taas osakkeenomistajat hyötyvät 2.24 %:n osinkotuotosta.

Taloudellisella tasolla langattoman sirun valmistaja raportoi liikevaihdon kasvaneen 10 prosenttia 10.4 miljardiin dollariin 29. kesäkuuta 2025 päättyneellä kolmannella neljänneksellä.

Matkapuhelinten, esineiden internetin ja autoteollisuuden vahvan segmentin ansiosta QCT:n liikevaihto nousi 11 % vuodentakaiseen verrattuna 9 miljardiin dollariin ja liikevaihto ennen veroja nousi 22 % 2.7 miljardiin dollariin. Samaan aikaan QCT:n autoteollisuuden ja esineiden internetin yhteenlaskettu liikevaihto kasvoi 23 % vuodentakaiseen verrattuna 2.7 miljardiin dollariin.

Yhtiön ei-GAAP-osakekohtainen tulos nousi 19 % vuodentakaiseen verrattuna 2.77 dollariin.

Toimitusjohtaja Cristiano Amonin mukaan:

”QCT Automotiven ja IoT:n liikevaihdon vahva kasvu neljänneksen jälkeen vahvistaa entisestään hajautusstrategiaamme ja luottamustamme pitkän aikavälin liikevaihtotavoitteidemme saavuttamiseen. Johtajuutemme tekoälyprosessoinnissa, tehokkaassa ja vähän virtaa kuluttavassa laskennassa sekä edistyneessä liitettävyydessä asettaa meidät alan halutuimmaksi alustaksi tekoälyn skaalautuessa reunalla.”

Neljänneksen aikana Qualcomm palautti osakkeenomistajille 3.8 miljardia dollaria, johon sisältyi 967 miljoonaa dollaria eli 0.89 dollaria osakkeelta käteisosinkoina ja 2.8 miljardia dollaria osakkeiden takaisinostoina.

Qualcomm julkaisi hiljattain Dragonwing Q-6690 -puhelimen yritysasiakkailleen, alle kuusi kuukautta julkistuksen jälkeen. Dragonwing-tuotesarja. Yhtiö väittää piirisarjan olevan maailman ensimmäinen mobiiliprosessori, jossa on sisäänrakennetut erittäin korkeataajuiset RFID-ominaisuudet.

Teollisuuden ja sulautettujen IoT-, verkko- ja matkapuhelininfrastruktuuriratkaisujensa avulla yritys pyrkii hyödyntämään niitä yksinkertaistaa monimutkaisuutta, optimoida toiminnan tehokkuutta ja mahdollistaa älykkäämmän päätöksenteon.

Tämän keskellä Saudi-Arabian tekoälyyritys Humain on aloittanut ensimmäisten datakeskusten rakentamisen Riadiin ja Dammamiin. jonka parissa se on tehnyt yhteistyötä Qualcommin kanssa ja AMD, Cisco ja Groq. Yhtiö suunnittelee rakentavansa 1.9 GW datakeskuskapasiteettia tämän vuosikymmenen loppuun mennessä.

Uusin Qualcomm (QCOM) Osakeuutiset ja -kehitys

Yhteenveto

Eläimet ovat jo pitkään inspiroineet teknologiaa, ja nyt mehiläiset osoittavat meille, että älykkyys ei ole aivojen kokoa, vaan tehokkuutta, sopeutumiskykyä ja kehon, aivojen ja ympäristön saumatonta integrointia. Nämä opetukset voisivat auttaa mullistamaan tekoälyn suunnittelua.

Tekoäly on yksi nykypäivän kehittyneimmistä ja nopeimmin kehittyvistä aloista, ja se on herättänyt merkittävää huomiota, pääomaa ja kehitystä. Massiivisten mallien skaalaaminen on kuitenkin kallista, energiaintensiivistä ja kestämätöntä. Tässä mehiläisten inspiroima tutkimus tarjoaa vaihtoehdon: pienet, tehokkaat neuroverkot, jotka voivat saavuttaa enemmän vähemmällä.

Tutkimalla mehiläisten aktiivista näköä ja kompakteja hermostollisia strategioita voimme rakentaa futuristisia tekoälyjä ja robotiikkaa, jotka ovat nopeampia ja kyvykkäämpiä.

Klikkaa tästä saadaksesi lisätietoja siitä, voivatko robottipölyttäjät olla mukana vertikaalisessa viljelyssä.

Viitteet:

1. MaBouDi, H., Richter, J., Guiraud, M.-G., Roper, M., Marshall, JAR, & 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, JAR. Aktiivisen näön neuromorfinen malli osoittaa, kuinka lobula-neuronien spatiaali-ajallinen koodaus voi auttaa mehiläisten hahmontunnistuksessa. eLife, 14, e89929, julkaistu 1. heinäkuuta 2025. https://doi.org/10.7554/eLife.89929