Biehjern inspirerer smartere AI og robotikk

Bier, verdens største pollinatorer, er en essensiell del av biologisk mangfold som vi mennesker er direkte avhengige av for vår overlevelse.

Disse vingede insektene er først og fremst kjent for å levere mat av høy kvalitet som honning, samt bivoks, propolis, pollen og gelé, blant andre produkter. Viktigere er de ansvarlige for pollinering av utallige blomstrende planter, inkludert et stort flertall av verdens matavlinger, noe som gjør at plantene kan reprodusere seg og produsere frukt, grønnsaker og frø. 

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

Selv om bier ikke er alone in this, as birds, monkeys, and even humans pollinate, bees are certainly the most common pollinators. It is estimated that over 87% of all flowering plant species depend on animals, with bees being the primary group for pollination, an essential ecosystem service vital for biodiversity and food security.

Bier er faktisk svært intelligente insekter, og folk har studert deres atferd, vaner og sosiale interaksjoner for å forstå økosystemhelse, miljøendringer og forbedre avlingens pollinerings effektivitet.

Videre brukes bier som modell for å forstå samarbeidsatferd og kartlegge hvordan tiny brains coordinate complex social tasks. 

Forskere henter også inspirasjon fra bier for å fremme teknologi. For eksempel blir deres navigasjons- og kommunikasjonsstrategier anvendt på droneteknologi. Bieatferd har også inspirert robotikk, algoritmer og AI.

I den forbindelse har forskere nå oppdaget at bier bruker sine flybevegelser for å forbedre hjernesignaler, noe som gjør dem i stand til å lære og gjenkjenne komplekse visuelle mønstre med høy nøyaktighet. 

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

Bieintelligens: Hva små hjerner kan lære oss om AI

Bienes visuelle læringsevner er rett og slett bemerkelsesverdige. Dette er evident from the fact that they can learn to associate a color with a reward as well as identify specific features to classify visual patterns. They have even shown the capacity to understand abstract concepts and solve numerosity tasks by sequentially scanning the elements within a stimulus. 

Et grunnleggende konsept innen kognitiv vitenskap, numerisitet, refererer til antallet elementer i et sett and is usually studied in the context of visual perception, where it refers to the ability to quickly grasp the quantity of objects in a scene without counting. 

As such, numerosity tasks analyse the brain’s innate ability to perceive and estimate quantities.

So, bees clearly have exceptional capabilities, which makes them a valuable animal model for exploring the principles of visual learning by analyzing their behavioural responses.

But the thing is, it is still not really known just how bees are able to identify complex patterns and perceive the complexities of the world around them while foraging, given their supposedly low visual sensitivity and limited neural resources.

Visuelle sensoriske nevroner antas faktisk å ha utviklet seg for å utnytte regelmessigheter i naturlige scener. For eksempel har studier vist at insekters sensoriske baner og tilhørende atferd dynamisk tilpasser seg ulike omgivelsesforhold. Responsene justeres basert på inndata som romlig frekvens, kontrast og spatiotemporale korrelasjoner. 

Når det gjelder aktive prøvetakingsstrategier, hvor dyr kontinuerlig skanner omgivelsene for å hente visuell informasjon over tid, har slik atferd blitt bredt observert på tvers av arter. 

Mens primater bruker øyebevegelser for å forbedre sin fine romlige oppløsning og forbedre koding av naturlige stimuli, benytter insekter strategier som involverer hode- og kroppbevegelser eller spesifikke approach trajectories.

I tilfelle av bier er de sannsynligvis avhengige av aktivt syn og sekvensiell prøvetaking for å bygge en sterk og robust nevrale representasjon av omgivelsene. 

Disse strategiene spiller en key part in early visual processing, reducing redundancy and making the encoding of visual stimuli more efficient. But again, our understanding of how these mechanisms allow bees to detect visual regularities, overcome representational constraints, and solve complex tasks remains poor.

Ifølge den siste studien er forståelsen av disse strategiene avgjørende for å avdekke de grunnleggende prinsippene for insektvisjon og deres bredere implikasjoner for visuell prosessering i både biologiske og kunstige systemer.

Så, ved å bygge på deres tidligere studie, som assessed bee flight paths during a simple visual task¹, the researchers are now looking into the main circuit elements that contribute to active vision in recognizing achromatic patterns.

The primary goal of the study is to determine how the scanning behavior of bees contributes to the organization and connectivity of neurons in their visual lobes.

Researchers from the University of Sheffield hypothesized that scanning behaviors have adapted to sample complex visual features in a way that encodes them more efficiently in the lobula neurons. This, in turn, facilitates unique representations that support learning in the bees’ tiny brain. To test this hypothesis, they developed a neuromorphic model of the bee optic lobes.

The researchers included coding principles through a novel model of non-associative plasticity. This enabled the model to self-organize its connectivity within the visual lobe, thus creating efficient representations of the environment and leading to the emergence of orientation-selective cells, which are essential for encoding complex visual scenes.

The visual processing framework was further enhanced by employing another module for decision-making, which took inspiration from associative learning mechanisms of insects.

The researchers’ simulations reveal that a small subset of lobula neurons, sensitive to specific orientations and velocities, can compress complex visual environments into representations expressed as firing rates. These infrequent representations effectively distinguish between the plus and multiplication patterns, which highlights the model’s broader applicability.

The insights gathered in the study can help advance our understanding of biological vision and cognition and inspire the development of novel computational models for visual recognition tasks, stated the study.

Hvordan bieinspirert syn former robotikk og AI

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

Den utnytter den overraskende måten disse insektene kombinerer hjerne og kropp for å fremme teknologi og gjøre fremtidige roboter smartere og mer effektive. På samme måte som bier bruker sine flybevegelser til å skape klare 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 små insektshjerner er i stand til å løse komplekse visuelle oppgaver. 

Faktumet at få hjerneceller kan gjøre så mye betyr at intelligens ikke bare er en hjerneaffære, men resultatet av at hjerne, kropp og miljø arbeider i samspill. 

Å bygge en digital versjon av en bies hjerne hjalp forskere med å oppdage at måten bier beveger kroppen under flyging på påvirker hvordan de former visuell input. Disse bevegelsene produserer også unike elektriske signaler i hjernen, som gjør dem i stand til å identifisere forutsigbare trekk rundt seg enkelt og effektivt.

Dette viser bieenes bemerkelsesverdige nøyaktighet i å lære og identifisere komplekse visuelle mønstre under flyging.

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

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

Ved å utnytte naturens beste design for intelligens, bemerket Marshall, baner dette vei for “den neste generasjonen av AI, som driver fremgang 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, hvor bevegelsene hjelper dem med å samle og behandle visuell informasjon. Den siste arbeidet ser nærmere på de underliggende hjernemekanismene som driver deres atferd med å fly rundt og inspisere spesifikke mønstre.

«I vårt tidligere arbeid ble vi fascinert av å oppdage at bier bruker en smart skannings snarvei 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

De avanserte visuelle mønsterlærings ferdighetene til bier har faktisk vært lenge forstått. Dette inkluderer deres evne til å skille mellom menneskelige ansikter, men ikke hvordan de navigerer i verden med slik effektivitet.

«Vår modell av en bies hjerne demonstrerer at dens nevrale kretsløp 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 hjerne, kropp og miljø som arbeider sammen.

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

– MaBouDi

Modellen, bygget gjennom samarbeid, viser at nevronene i en bie blir svært innstilte på spesifikke bevegelser og retninger etter hvert som hjernen sakte tilpasser seg gjennom gjentatt eksponering for ulike stimuli. Dette forbedrer deres responser uten å måtte avhenge av assosiasjoner eller forsterkning.

Dette betyr at en bies hjerne tilpasser seg miljøet bare ved observasjon under flyging, uten å trenge umiddelbare belønninger.

Alt dette gjøres ved hjelp av bare noen få nevroner, noe som sparer både energi og prosesseringskraft, og gjør hjernen deres utrolig effektiv. Nå, for å teste modellen, satte teamet den gjennom de samme visuelle utfordringene som faktiske bier møter. I dette tilfellet måtte den beregningsmessige modellen skille mellom et «pluss»-tegn og et «multiplikasjons»-tegn.

Når man etterlignet strategien til ekte bier, ved kun å skanne den nedre halvdelen av mønstrene, viste modellen betydelig forbedret ytelse. 

Videre demonstrerte modellen med suksess akkurat hvordan bier kan gjenkjenne menneskelige ansikter, ved kun å bruke et lite nettverk av kunstige nevroner, og understreket allsidigheten og styrken i deres visuelle prosessering.

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

Så, på denne måten, legger studien til bevisene for at dyr ikke bare mottar informasjon passivt. Faktisk arbeider de aktivt med den.

Bier, spesielt, har høyere ordens visuell prosessering, og modellen avslører hvordan atferdsdrevet skanning kan skape komprimerte, lærbare nevrale koder.

«Sammen støtter disse funnene en samlet ramme hvor persepsjon, handling og hjerne‑dynamikk co‑evolverer for å løse komplekse visuelle oppgaver med minimale ressurser – og gir kraftige innsikter 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 hjelpe med å beskytte honningbier mot asiatiske hornetter.

Skyv for å rulle →

Investere i AI-teknologi

I verden av AI og robotikk er Qualcomm (QCOM ) er et kjent navn som har utforsket nevromorfe og edge-AI teknologier. 

For over et tiår siden lanserte Qualcomm Qualcomm Zeroth-prosessorene for å etterligne menneskelignende persepsjon og læring, akkurat som biologiske hjerner gjør. I tillegg til biologisk inspirert læring var målet å replikere den effektiviteten som hjernen vår kommuniserer informasjon med og standardisere den nye behandlingsarkitekturen kalt Neural Processing Unit (NPU).

Dens AI-drevne Robotics RB6-plattform driver neste generasjons robotikk og intelligente maskiner, inkludert leveringsroboter, autonome mobile roboter (AMRs), UAM-fly, produksjonsroboter, autonome forsvarsløsninger og mye mer. Plattformen leverer strømeffektiv, avansert edge-AI‑beregning og videobehandling med 5G‑tilkobling for roboter. Primært er Qualcomm involvert i utvikling av grunnleggende teknologier for trådløs industri, inkludert 3G, 4G, 5G, trådløs tilkobling, samt høyytelses- og lavstrømsberegning.

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

Qualcomm (QCOM )

Når man ser på Qualcomms markedsytelse, handles selskapets aksjer med en markedsverdi på 171,67 milliarder dollar for øyeblikket til $159,54, opp 3,6 % så langt i år.

Selv om ytelsen i år har vært skuffende, følger den QCOMs oppsving over $215 i juni i fjor. EPS (TTM) er 10,36, P/E (TTM) 15,36, og ROE (TTM) 44,62 %, mens aksjonærene nyter en utbytteavkastning på 2,24 %.

På den finansielle siden rapporterte den trådløse chipprodusenten en 10 % økning i inntektene til $10,4 milliarder for sitt tredje kvartal som avsluttet 29. juni 2025.

Drevet av styrke innen Handsets, IoT og Automotive, økte QCT-inntektene med 11 % år‑over‑år til $9 milliarder, og EBT-inntektene steg med 22 % til $2,7 milliarder. Kombinerte QCT Automotive- og IoT-inntekter var samtidig opp 23 % år‑over‑år til $2,7 milliarder.

Selskapets non-GAAP EPS økte med 19 % år‑over‑år til $2,77.

According to CEO Cristiano Amon:

«Et nytt kvartal med sterk vekst i QCT Automotive og IoT-inntekter bekrefter vår diversifiseringsstrategi og tilliten til å nå våre langsiktige inntektsmål. Vår ledelse innen AI‑behandling, høyytelses‑ og lavstrøms‑beregning, og avansert tilkobling posisjonerer oss til å bli industriplattformen som foretrekkes når AI skaleres ved kanten.»

I løpet av kvartalet returnerte Qualcomm $3,8 milliarder til aksjonærene, inkludert $967 millioner, eller $0,89 per aksje, i kontantutbytte og $2,8 milliarder i aksjetilbakekjøp.

Nylig lanserte Qualcomm Dragonwing Q-6690 for sine bedriftskunder, mindre enn seks måneder etter lanseringen av Dragonwing-serien av produkter. Selskapet hevder at brikken er verdens første mobilprosessor med innebygd ultra‑høyfrekvent RFID‑kapasitet.

Med sine industrielle og innebygde IoT‑, nettverks‑ og mobilinfrastruktur‑løsninger, har selskapet som mål å bruke dem til å forenkle kompleksitet, optimalisere drifts­effektivitet og muliggjøre smartere beslutningstaking.

Midt i dette har Saudi-Arabias AI‑selskap, Humain, begynt å bygge sine første datasentre i Riyadh og Dammam, for hvilke de har inngått partnerskap med Qualcomm samt AMD, Cisco og Groq. Selskapet planlegger å bygge 1,9 GW datacenterkapasitet innen slutten av dette tiåret.

Siste Qualcomm (QCOM) aksjenyheter og utviklinger

Konklusjon

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

AI er et av dagens mest avanserte og raskt utviklende felt, og tiltrekker betydelig oppmerksomhet, kapital og utvikling. Å skalere massive modeller er imidlertid kostbart, energikrevende og ikke bærekraftig. Her tilbyr bie‑inspirert forskning et alternativ: små, effektive nevrale nettverk som kan oppnå mer med mindre.

Ved å studere aktivt syn og kompakte nevrale strategier hos bier, kan vi bygge futuristisk AI og robotikk som er raskere og mer kapabel.

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, J.A.R., & Chittka, L. Aktivt syn hos 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., & Marshall, J.A.R. 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