Kunstig intelligens
Biers aktive syn inspirerer en effektiv AI-modell
Legg til Securities.io blant dine foretrukne kilder på Google
Bier er viktige pollinatorer og interessante modeller for forskning på læring med svært små nervesystemer. To eLife-studier fra 2025 undersøkte hvordan humler skanner visuelle mønstre og hvordan denne atferden kan inspirere en enkel nevromorf datamodell. Resultatene kan gi ideer til robotikk og maskinsyn, men de viser ikke at en komplett biehjerne er digitalisert eller at en ny AI-arkitektur allerede slår etablerte systemer.
Pollinering og små nervesystemer
Bier flytter pollen mellom blomster og bidrar til formering hos både ville planter og jordbruksvekster. Fugler, flaggermus og andre dyr pollinerer også. Et ofte sitert globalt anslag er at omtrent 87 prosent av blomstrende plantearter er avhengige av dyr i en eller annen grad; det betyr ikke at bier alene pollinerer 87 prosent av alle arter eller av verdens matproduksjon.
Bier kan lære at en farge eller et mønster leder til belønning, skilja mellom flere visuelle egenskaper og løse enkelte oppgaver med mengder. «Numerositet» betyr antallet elementer i en mengde. Rask uppskattning uten eksplisitt telling kalles ofte subitisering, mens humler i enkelte forsøk ser ut til å skanne elementer sekvensielt. De begrepene bør ikke blandes.
Forskere undersøker bier fordi de løser nyttige oppgaver med begrenset synsoppløsning og få nevroner sammenlignet med virveldyr. Det betyr ikke at hjernen er enkel. Flybevegelser, syn, hukommelse og miljø virker sammen, og mye om de underliggende nevrale kretsene er fortsatt ukjent.
Studie 1: humler skannet mønstre aktivt
Den første studien, Active vision of bees in a simple pattern discrimination task, brukte 40 humler av underarten Bombus terrestris audax fra seks kolonier.1 To grupper på 20 bier ble trent til å skille et plusstegn fra det samme mønsteret rotert 45 grader, altså et multiplikasjonstegn. Det ene mønsteret ga sukrose og det andre kinin med bitter smak.
To høyhastighetskameraer registrerte flybaner, fart, avstand, kroppens retning og hvilke deler av mønstrene biene undersøkte. Etter opptil 70 treningsvalg oppnådde alle biene over 90 prosent riktige valg. De fløy vanligvis helt inn til 1–5 centimeters avstand og skannet bestemte egenskaper før de landet.
Biene undersøkte særlig den nedre halvdelen av mønstrene. De kunne skille de nedre halvdelene i en test uten belønning, men ikke de øvre halvdelene alene. Resultatet støtter at humlene brukte selektiv, sekvensiell prøvetaking i dette kontrollerte oppsettet, fremfor å behandle hele bildet likt på avstand.
Forsøket viser at bevegelse påvirket hvilken informasjon biene samlet inn. Det fastslår ikke at humler aldri kan skille slike mønstre på avstand, noe forfatterne selv understreket, og det må ikke uten videre generaliseres til alle biearter eller alle visuelle oppgaver.
Studie 2: en modell av aktivt syn
Oppfølgeren, A neuromorphic model of active vision shows how spatiotemporal encoding in lobula neurons can aid pattern recognition in bees, var et samarbeid mellom University of Sheffield og Queen Mary University of London.2 Den brukte flydata og kjent insektnevrobiologi til å bygge et forenklet nevralt nettverk. Dette var en simulering, ikke en full digital kopi av en biehjerne og ikke direkte registrering av de samme nevronsignalene i levende bier.
Hvordan modellen virket
Modellen hentet fem påfølgende bildefelt på 75 × 75 piksler langs en skannebane. Et rutenett på 5 625 simulerte grønnsensitive fotoreseptorer sendte signaler gjennom abstraherte lag som skulle representere lamina, medulla og lobula i bienes synssystem. Tidsforsinkelser lot modellen kombinere informasjon fra forskjellige posisjoner i skanningen.
En regel for ikke-assosiativ plastisitet lot forbindelser organisere seg uten at hvert tidlige synsmønster ble koblet til belønning. Det ga et lite antall simulerte lobula-nevroner som reagerte selektivt på retning og bevegelse. Et separat beslutningslag brukte assosiativ læring til å knytte den komprimerte representasjonen til et valg.
I simuleringene hjalp skanning av utvalgte områder modellen å skille pluss- og multiplikasjonsmønstre. Den generaliserte også til enkelte andre mønstre og et datasett med menneskeansikter. Dette er et resultat i modellens testoppsett, ikke dokumentasjon på at biene bruker nøyaktig samme koblinger, at bier forstår menneskeansikter slik mennesker gjør, eller at systemet er klart for førerløse kjøretøy.
«Modellen viser hvordan bevegelsesdrevet, sekvensiell sampling kan danne sparsomme representasjoner med få simulerte nevroner. Den gir testbare hypoteser om aktivt syn, ikke et komplett anatomisk kart.»
Hva forskningen kan bety for AI og robotikk
Et kamera på en liten robot trenger ikke alltid analysere hvert bildepunkt med samme oppløsning. Det kan flytte kameraet eller kroppen for å hente informasjon der den er mest nyttig, kombinere målinger over tid og bruke sparsomme signaler til raske beslutninger. En slik strategi kan passe droner og mobile roboter med strenge grenser for strøm, vekt og datakraft.
Før en praktisk fordel er dokumentert må modellen testes på fysisk maskinvare, under skiftende lys, støy, bakgrunner, hastigheter og uventede hindringer. Forskerne rapporterte ingen sammenlignbar måling av strømforbruk, nøyaktighet eller kostnad mot moderne nevrale nettverk på de samme robotoppgavene.
Les hvordan AI kan brukes i arbeid med å beskytte honningbier mot kjempeveps.
Sveip for å rulle →
| Tilnærming | Hva som behandles | Mulig styrke | Dokumentert begrensning |
|---|---|---|---|
| Vanlig bilde-AI | Ofte hele bilder eller forhåndsvalgte utsnitt | Sterke resultater på mange standardoppgaver | Ressursbruk varierer kraftig med modell og maskinvare |
| Den bieinspirerte modellen | Sekvensielle utsnitt langs en skannebane | Sparsomme, tolkbare representasjoner i simuleringen | Ikke validert som komplett biehjerne eller ferdig robotsystem |
Investeringsperspektiv: Qualcomm
Qualcomm deltok ikke i de to biestudiene. Selskapet er med som et separat eksempel på energieffektiv databehandling nær sensoren, nevrale prosessorer og robotplattformteknologi.
Qualcomm (QCOM )
Qualcomm utvikler trådløs teknologi og systembrikker for telefoner, biler, IoT og edge-AI. Selskapets eldre Zeroth-program utforsket nevromorf inspirasjon, mens nyere produkter bruker nevrale prosesseringsenheter og programvare for effektiv inferens. Robotics RB6-plattformen kombinerer bildebehandling, AI-akselerasjon og 5G for industrielle og mobile roboter. Dette er kommersielle ingeniørplattformer, ikke implementasjoner av den publiserte biemodellen.
I regnskapsårets tredje kvartal, som endte 29. juni 2025, rapporterte Qualcomm 10,4 milliarder dollar i omsetning. QCT-omsetningen steg 11 prosent fra året før til 9,0 milliarder dollar, mens samlet bil- og IoT-omsetning steg 23 prosent til 2,7 milliarder. Selskapet rapporterte non-GAAP-resultat per aksje på 2,77 dollar og tilbakeførte 3,8 milliarder dollar til aksjonærene gjennom utbytte og tilbakekjøp. Tallene er selskapets rapporterte perioderesultater, ikke en prognose.
Investorer bør vurdere avhengighet av mobilmarkedet, lisensinntekter, kundekonsentrasjon, konkurranse, eksportregler, FoU-kostnader og om vekst i bil og IoT faktisk oppveier svakere områder. En interessant forskningsartikkel om bier er ikke i seg selv en investeringsgrunn.
Les mer om investering i kunstig intelligens og tilhørende risiko.
QCOM Prisdiagram
Siste Qualcomm-nyheter
Konklusjon
Forsøkene med levende humler viste at de kunne lære å skille to enkle mønstre ved å fly nær og skanne utvalgte områder. Den etterfølgende datamodellen viste en mulig mekanisme der bevegelse, tidsforsinkelse og sparsomme simulerte nevroner komprimerer informasjon for mønstergjenkjenning.
Dette er nyttig grunnforskning om aktivt syn og et utgangspunkt for mer energieffektiv robotikk. Veien til en praktisk sensor eller robot krever likevel maskinvaretester, sammenligning med relevante baselinjer og dokumentasjon av nøyaktighet, robusthet og energibruk. Funnene støtter ideen om at persepsjon avhenger av samspillet mellom hjerne, kropp og miljø, men beviser ikke at all moderne AI bør erstattes av en enkelt bieinspirert arkitektur.
Les om robotpollinatorer og vertikalt landbruk.
Referanser
1. MaBouDi, H., Richter, J., Guiraud, M.-G., Roper, M., Marshall, J. A. R. & Chittka, L. Active vision of bees in a simple pattern discrimination task. eLife 14, e106332 (2025). https://doi.org/10.7554/eLife.106332.
2. MaBouDi, H., Roper, M., Guiraud, M.-G., Juusola, M., Chittka, L. & Marshall, J. A. R. A neuromorphic model of active vision shows how spatiotemporal encoding in lobula neurons can aid pattern recognition in bees. eLife 14, e89929 (2025). https://doi.org/10.7554/eLife.89929.
