Biehjerner inspirerer smartere kunstig intelligens og robotikk

Bier, verdens største pollinatorer, er en essensiell del av det biologiske mangfoldet som vi mennesker er direkte avhengige av for vår overlevelse.

Disse vingede insektene er først og fremst kjent for å gi mat av høy kvalitet. i likhet med honning samt bivoks, propolis, pollen og gelé, blant andre produkter. Enda viktigere er det at de er ansvarlige for å pollinere utallige blomstrende planter, inkludert et stort flertall av verdens matvekster, noe som gjør det mulig for planter å reprodusere seg og produsere frukt, grønnsaker og frø. 

For å oppnå dette bruker biene sine hårete kropper og overfører pollen fra en blomst til en annen.

Selv om bier ikke er det alene i dette, slik fugler, aper og til og med mennesker pollinerer, bier er absolutt de vanligste pollinatorer. It er estimert at over 87 % av alle blomstrende plantearter er avhengige av dyr, med bier som den primære gruppen for pollinering, en viktig økosystemtjeneste som er avgjørende for biologisk mangfold og matsikkerhet.

Bier er faktisk veldig intelligente insekter, og folk har studert deres atferd, væremåte og sosiale interaksjoner for å forstå økosystemhelse, miljøendringer og forbedre effektiviteten av pollinering av avlinger.

Dessuten, bier benyttes som en modell for å forstå samarbeidsatferd og kartlegge hvordan små hjerner koordinerer komplekse sosiale oppgaver. 

Forskere henter også inspirasjon fra bier for å utvikle teknologi. For eksempel navigasjons- og kommunikasjonsstrategiene deres. er brukt til droneteknologi. Bieatferd har også inspirert robotikk, algoritmer og kunstig intelligens.

I den forbindelse har forskere nå oppdaget at bier bruker flybevegelsene sine til å forbedre hjernesignaler, noe som lar dem lære og gjenkjenne komplekse visuelle mønstre med stor nøyaktighet. 

Denne bevegelsesbaserte oppfatningen kan, ifølge den nye studien, revolusjonere utviklingen av neste generasjons AI og robotikk ved å fremheve effektivitet fremfor massiv datakraft.

Bieintelligens: Hva små hjerner lærer oss om kunstig intelligens

Bienes visuelle læringsevner er rett og slett bemerkelsesverdige. Dette er tydelig ved at de kan lære å assosiere en farge med en belønning, samt identifisere spesifikke trekk for å klassifisere visuelle mønstre. De har til og med vist evnen til å forstå abstrakte konsepter og løse numerositetsoppgaver ved å skanne elementene i en stimulus sekvensielt. 

Et grunnleggende konsept innen kognitiv vitenskap, numerositet, refererer til antall elementer i et sett. og is vanligvis studert i sammenheng med visuell persepsjon, der det refererer til evnen til raskt å forstå mengden objekter i en scene uten å telle. 

Som sådan analyserer numerositetsoppgaver hjernens medfødte evne til å oppfatte og estimere mengder.

Så bier har helt klart eksepsjonelle evner, noe som gjør dem til en verdifull dyremodell for å utforske prinsippene for visuell læring ved å analysere deres atferdsresponser.

Men tingen er det, det er fortsatt ikke virkelig kjent bare hvordan bier er i stand til å identifisere komplekse mønstre og oppfatte kompleksiteten i verden rundt seg mens de søker etter mat, gitt deres angivelig lave visuelle følsomhet og begrensede nevrale ressurser.

Visuelle sensoriske nevroner er faktisk antatt å utvikle seg for å utnytte regelmessigheter i naturlige scener. For eksempel har studier vist at insekters sensoriske baner og atferd knyttet til dem dynamisk tilpasser seg forskjellige omgivelsesforhold. Svarene justeres basert på inndata i likhet med romlig frekvens, kontrast og spatiotemporale korrelasjoner. 

Når det gjelder aktive prøvetakingsstrategier, der dyr kontinuerlig skanner omgivelsene sine for å trekke ut visuell informasjon over tid, har slik atferd blitt observert mye på tvers av arter. 

Mens primater bruker øyebevegelser for å forbedre sin fine romlige oppløsning og kodingen av naturlige stimuli, bruker insekter strategier som involverer hode- og kroppsbevegelser eller spesifikke innflygingsbaner.

Når det gjelder bier, er de sannsynligvis avhengige av aktivt syn og sekvensiell prøvetaking for å bygge en sterk og robust nevral representasjon av omgivelsene sine. 

Disse strategiene spiller en rolle nøkkeldel i tidlig visuell prosessering, redusere redundans og gjør de koding av visuelle stimuli mer effektivt. Men igjen, vår forståelse av hvordan disse mekanismene tillate bier for å oppdage visuelle regelmessigheter, overvinne representasjonsbegrensninger og løse komplekse oppgaver gjenstår dårlig.

Ifølge den nyeste studien er forståelsen av disse strategiene avgjørende for å avdekke de grunnleggende prinsippene for insektsyn og deres bredere implikasjoner for visuell prosessering på tvers av biologiske og kunstige systemer.

Så, bygging på deres tidligere studie, som vurderte bienes flyvebaner under en enkel visuell oppgave¹, forskerne er nå granske de viktigste kretselementene som bidrar til aktivt syn i å gjenkjenne akromatiske mønstre.

Hovedmålet med studien er å bestemme hvordan bienes skanneatferd bidrar til organiseringen og tilkoblingen av nevroner i deres visuelle lapper.

Forskere fra University of Sheffield antok at skanneatferd har tilpasset seg for å sample komplekse visuelle trekk på en måte som koder dem mer effektivt i lobula-nevronene. Dette legger igjen til rette for unike representasjoner som støtter læring i bienes lille hjerne. For å teste denne hypotesen utviklet de en nevromorfisk modell av bienes optiske lapper.

Forskerne inkluderte kodeprinsipper gjennom en ny modell av ikke-assosiativ plastisitet. Dette gjorde det mulig for modellen å selvorganisere sin konnektivitet innenfor den visuelle loben, og dermed skape effektive representasjoner av miljøet og føre til fremveksten av orienteringsselektive celler, som er essensielle for koding av komplekse visuelle scener.

Rammeverket for visuell behandling ble ytterligere forbedret by ansette en annen modul for beslutningstaking, som tok inspirasjon fra assosiative læringsmekanismer hos insekter.

Forskernes simuleringer avslører at en liten delmengde av lobula-nevroner, som er følsomme for spesifikke orienteringer og hastigheter, kan komprimere komplekse visuelle miljøer til representasjoner uttrykt som avfyringshastigheter. Disse sjeldne representasjonene skiller effektivt mellom pluss- og multiplikasjonsmønstrene, noe som fremhever modellens bredere anvendelighet.

Innsikten som er samlet i studien kan bidra til å forbedre vår forståelse av biologisk syn og kognisjon. og inspirere til utvikling av nye beregningsmodeller for visuelle gjenkjenningsoppgaver, uttalte de studere.

Hvordan bieinspirert visjon former robotikk og kunstig intelligens

Den siste studien, et samarbeid med Queen Mary University i London og publisert i tidsskriftet eLife, detaljert en digital modell av en bies miniatyrhjerne².

Den utnytter den overraskende måten disse insektene kombinerer hjerner og kropper på for å bidra til å fremme teknologi og gjøre fremtidige roboter smartere og mer effektive. I likhet med hvordan bier bruker flybevegelsene sine til å skape tydelige hjernesignaler og forenkle komplekse visuelle oppgaver, kan neste generasjons teknologi også samle relevant informasjon gjennom bevegelse i stedet for å stole på enorm datakraft.

Studien har tross alt vist at selv bittesmå insekthjerner er i stand til å løse komplekse visuelle oppgaver. 

Det faktum at få hjerneceller kan gjøre så mye, betyr at intelligens ikke bare er en hjernegreie, men et resultat av at hjernen, kroppen og miljøet jobber sammen. 

Å bygge en digital versjon av en bies hjerne hjalp forskere med å oppdage at måten bier beveger kroppen sin på under flyging, hjelper dem med å få visuell input i form. Disse bevegelsene produserer også unike elektriske signaler i hjernen deres, som tillater dem til å identifisere forutsigbare trekk rundt seg enkelt og effektivt.

Dette showcases bier bemerkelsesverdig nøyaktighet i å lære og identifisere komplekse visuelle mønstre under flyging.

«I denne studien har vi vist at selv den minste hjerne kan utnytte bevegelse for å oppfatte og forstå verden rundt seg. Dette viser oss at et lite, effektivt system – om enn et resultat av millioner av år med evolusjon – kan utføre beregninger som er langt mer komplekse enn vi tidligere trodde var mulig.»

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

By utnytte Marshall bemerket at naturens beste design for intelligens baner vei for «neste generasjon av AI, som driver frem fremskritt innen robotikk, selvkjørende kjøretøy og læring i den virkelige verden».

Som nevnt tidligere bygger denne studien på deres tidligere forskning på hvordan bier bruker aktivt syn, der bevegelsene deres bidrar til å samle inn og behandle visuell informasjon. Det nyeste arbeidet ser nærmere på de underliggende hjernemekanismene som driver deres oppførsel med å fly rundt og inspisere spesifikke mønstre.

«I vårt tidligere arbeid var vi fascinert av å oppdage at bier bruker en smart skannesnarvei for å løse visuelle gåter. Men det fortalte oss bare hva de gjør; for denne studien ønsket vi å forstå hvordan.»

– Hovedforfatter, dr. HaDi MaBouDi fra University of Sheffield

Det avanserte visuelle mønsterlæring evnene biene har faktisk vært lang forstås. Dette inkluderer deres evne til å skille mellom menneskelige ansikter, men ikke som til hvordan de navigerer verden med en slik effektivitet.

«Vår modell av en bies hjerne viser at dens nevrale kretser er optimalisert for å behandle visuell informasjon ikke isolert, men gjennom aktiv interaksjon med dens flybevegelser i det naturlige miljøet.»

– MaBouDi

Og dette, bemerket han, støtter teorien om at intelligens oppstår fra samspillet mellom hjernen, kroppen og miljøet i samarbeid.

«Vi har lært at bier, til tross for at de har hjerner som ikke er større enn et sesamfrø, ikke bare ser verden – de former aktivt det de ser gjennom bevegelsene sine. Det er et vakkert eksempel på hvordan handling og persepsjon er dypt sammenflettet for å løse komplekse problemer med minimale ressurser.» Dette er noe som har store implikasjoner for både biologi og kunstig intelligens.»

– MaBouDi

Modellen, som er bygget gjennom samarbeid, viser at bienes nevroner blir svært nøye innstilt på spesifikke bevegelser og retninger etter hvert som hjernen deres sakte tilpasser seg gjennom gjentatt eksponering for forskjellige stimuli. Dette forbedrer responsene deres uten å være avhengige av assosiasjoner eller forsterkning.

Dette betyr at en bies hjerne tilpasser seg omgivelsene sine ganske enkelt ved observasjon mens den er på flukt, uten å trenge umiddelbar belønning.

Alt dette gjøres ved hjelp av bare noen få nevroner, noe som sparer både energi og prosessorkraft, noe som gjør hjernen deres utrolig effektiv. For å teste modellen, utsatte teamet den nå for de samme visuelle utfordringene som de faktiske bier står overfor. I dette tilfellet måtte beregningsmodellen skille mellom et «pluss»-tegn og et «multiplikasjonstegn».

Når man etterlignet strategien til ekte bier, og bare skannet den nedre halvdelen av mønstrene, viste modellen betydelig forbedret ytelse. 

Videre demonstrerte modellen med suksess bare hvordan bier kan gjenkjenne menneskelige ansikter, ved hjelp av bare et lite nettverk av kunstige nevroner, streker allsidigheten og de styrken i deres visuelle prosessering.

«Forskere har vært fascinert av spørsmålet om hjernestørrelse predikerer intelligens hos dyr. Men slike spekulasjoner gir ingen mening med mindre man kjenner til de nevrale beregningene som ligger til grunn for en gitt oppgave», sa professor Lars Chittka, professor i sensorisk og atferdsøkologi ved Queen Mary University i London. «Her bestemmer vi minimumsantallet nevroner som kreves for vanskelige visuelle diskrimineringsoppgaver, og finner ut at tallene er svimlende små, selv for komplekse oppgaver som ansiktsgjenkjenning. Dermed er insektmikrohjerner i stand til avanserte beregninger.»

So, dette måte, den studere legger til bevisene for at dyr ikke bare mottar informasjon passivt. Faktisk jobber de aktivt med det.

Spesielt bier har visuell prosessering av høyere orden, og modellen avslører hvordan atferdsdrevet skanning kan skape komprimerte, lærbare nevrale koder.

«Sammen støtter disse funnene et enhetlig rammeverk der persepsjon, handling og hjernedynamikk utvikler seg sammen for å løse komplekse visuelle oppgaver med minimale ressurser – og gir kraftig innsikt for både biologi og AI.»

– Professor Mikko Juusola, professor i systemnevrovitenskap ved University of Sheffields School of Biosciences and Neuroscience Institute

Klikk her for å lære hvordan AI kan bidra til å beskytte honningbier mot asiatiske stikkvepser.

Sveip for å bla →

Investering i AI-teknologi

I verden av kunstig intelligens og robotikk, Qualcomm (QCOM ) er en kjent navn som har utforsket nevromorfisk og edge-AI teknologier. 

For over ti år siden lanserte Qualcomm Qualcomm Zeroth-prosessorene for å etterligne menneskelignende persepsjon og læring, akkurat som biologiske hjerner gjør. Foruten biologisk inspirert læring, var målet å gjenskape effektiviteten som hjernen vår kommuniserer informasjon med og standardisere den nye prosesseringsarkitekturen kalt en nevral prosesseringsenhet (NPU).

Den AI-drevne Robotics RB6-plattformen driver i mellomtiden neste generasjons robotikk og intelligente maskiner, inkludert leveringsroboter, autonome mobile roboter (AMR-er), UAM-fly, produksjonsroboter, autonome forsvarsløsninger og mye mer. Plattformen leverer energieffektiv, avansert edge-AI databehandling og videobehandling med 5G-tilkobling for roboter

Qualcomm er primært involvert i utviklingen av grunnleggende teknologier for den trådløse industrien, inkludert 3G, 4G, 5G og trådløs tilkobling., og databehandling med høy ytelse og lavt strømforbruk.

Klikk her for å lære alt om investering i kunstig intelligens (AI).

Qualcomm (QCOM )

Når man ser på Qualcomms markedsutvikling, handles aksjene til selskapet med markedsverdi på 171.67 milliarder dollar for tiden til 159.54 dollar, en økning på 3.6 % så langt i år.

Selv om årets resultater har vært skuffende, følger de QCOMs oppgang over 215 dollar i juni i fjor. Resultat per aksje (EPS) (TTM) er 10.36, P/E (TTM) er 15.36 og avkastningen på egenkapitalen (TTM) er 44.62 %, mens aksjonærene drar nytte av et utbytte på 2.24 %.

På den økonomiske fronten rapporterte produsenten av trådløse brikkesett en økning på 10 % i omsetning til 10.4 milliarder dollar for sitt tredje regnskapskvartal som ble avsluttet 29. juni 2025.

Drevet av styrke på tvers av mobiltelefoner, IoT og bilindustrien, økte QCT-inntektene med 11 % fra år til år til 9 milliarder dollar, og EBT-inntektene økte med 22 % til 2.7 milliarder dollar. De samlede inntektene fra QCT Automotive og IoT økte derimot med 23 % fra år til år til 2.7 milliarder dollar.

Selskapets ikke-GAAP-resultat per aksje (EPS) økte med 19 % fra år til år til 2.77 dollar.

Ifølge administrerende direktør Cristiano Amon:

«Nok et kvartal med sterk vekst i QCT Automotive- og IoT-inntektene bekrefter ytterligere vår diversifiseringsstrategi og tillit til å nå våre langsiktige inntektsmål. Vårt lederskap innen AI-prosessering, høyytelses- og lavstrømsdatabehandling, og avansert tilkobling, posisjonerer oss til å bli den foretrukne bransjeplattformen etter hvert som AI øker i skala i utkanten av markedet.»

I løpet av kvartalet returnerte Qualcomm 3.8 milliarder dollar til aksjonærene, inkludert 967 millioner dollar, eller 0.89 dollar per aksje, i kontantutbytte og 2.8 milliarder dollar i tilbakekjøp av aksjer.

Qualcomm lanserte nylig Dragonwing Q-6690 for sine bedriftskunder, mindre enn seks måneder etter avdukingen. Dragonwing-produktserien. Selskapet hevder at brikkesettet er verdens første mobile prosessor med innebygde ultrahøyfrekvente RFID-funksjoner.

Med sine industrielle og innebygde IoT-, nettverks- og mobilinfrastrukturløsninger, tar selskapet sikte på å utnytte dem for å forenkle kompleksitet, optimalisere driftseffektiviteten og muliggjøre smartere beslutningstaking.

Midt i dette har Saudi-Arabias AI-selskap, Humain, begynt å bygge sine første datasentre i Riyadh og Dammam. som den har inngått partnerskap for med Qualcomm og AMD, Cisco og Groq. Selskapet planlegger å bygge 1.9 GW datasenterkapasitet innen slutten av dette tiåret.

Siste Qualcomm (QCOM) Aksjenyheter og utvikling

Konklusjon

Dyr har lenge inspirert teknologi, og nå viser bier oss at intelligens ikke handler om hjernestørrelse, men om effektivitet, tilpasningsevne og sømløs integrering av kropp, hjerne og miljø. Disse lærdommene kan bidra til å transformere AI-design.

AI er et av dagens mest avanserte og raskest utviklende felt, og får betydelig oppmerksomhet, kapital og utvikling. Å skalere massive modeller er imidlertid dyrt, energikrevende og uholdbart. Her tilbyr bieinspirert forskning et alternativ: små, effektive nevrale nettverk som kan oppnå mer med mindre.

Ved å studere bienes aktive syn og kompakte nevrale strategier, kan vi bygge futuristisk kunstig intelligens og robotikk som er raskere og mer kapable.

Klikk her for å lære om robotpollinatorer kan spille en rolle i vertikal jordbruk.

Referanser:

1. MaBouDi, H., Richter, J., Guiraud, M.-G., Roper, M., Marshall, JAR, og Chittka, L. Aktivt syn på bier i en enkel mønsterdiskrimineringsoppgave. eLife, 14, e106332, publisert 20. februar 2025. https://doi.org/10.7554/eLife.106332
2. MaBouDi, H., Roper, M., Guiraud, M.-G., Juusola, M., Chittka, L., og Marshall, JAR. En nevromorfisk modell av aktivt syn viser hvordan spatiotemporal koding i lobula-nevroner kan hjelpe mønstergjenkjenning hos bier. eLife, 14, e89929, publisert 1. juli 2025. https://doi.org/10.7554/eLife.89929