Biets hjärnor inspirerar smartare AI och robotik

Bier, världens främsta pollinatörer, är en väsentlig del av den biologiska mångfalden som vi människor är direkt beroende av för vår överlevnad.

Dessa vingade insekter är främst kända för att leverera högkvalitativ mat som honung samt bivax, propolis, pollen och gelé, bland andra produkter. Än viktigare är att de ansvarar för pollinering av otaliga blommande växter, inklusive en överväldigande majoritet av världens livsmedelsgrödor, vilket möjliggör att växter kan reproducera sig och producera frukter, grönsaker och frön. 

För att uppnå detta använder bier sina håriga kroppar och överför pollen från en blomma till en annan.

Även om bier inte är ensamma om detta, eftersom fåglar, apor och till och med människor pollinerar, är bier utan tvekan de vanligaste pollinatörerna. Det uppskattas att över 87 % av alla blommande växtarter är beroende av djur, där bier är den primära gruppen för pollinering, en väsentlig ekosystemtjänst som är avgörande för biologisk mångfald och livsmedelssäkerhet.

Bier är faktiskt mycket intelligenta insekter, och forskare har studerat deras beteende, manér och sociala interaktioner för att förstå ekosystemhälsa, miljöförändringar och förbättra pollinerings effektiviteten i jordbruket.

Dessutom används bier som en modell för att förstå samarbetsbeteende och kartlägga hur små hjärnor samordnar komplexa sociala uppgifter. 

Forskare tar också inspiration från bier för att driva teknikframsteg. Till exempel tillämpas deras navigations- och kommunikationsstrategier på drönarteknik. Bie‑beteende har också inspirerat robotik, algoritmer och AI.

I detta avseende har forskare nu upptäckt att bier använder sina flygningar för att förbättra hjärnsignaler, vilket gör att de kan lära sig och känna igen komplexa visuella mönster med stor precision. 

Denna rörelsesbaserade perception, enligt den nya studien, kan revolutionera utvecklingen av nästa generations AI och robotik genom att betona effektivitet framför massiv beräkningskraft.

Biets intelligens: Vad små hjärnor lär oss om AI

Biernas visuella inlärningsförmåga är helt enkelt anmärkningsvärd. Det är tydligt av det faktum att de kan lära sig att associera en färg med en belöning samt identifiera specifika egenskaper för att klassificera visuella mönster. De har till och med visat förmåga att förstå abstrakta begrepp och lösa numerositetsuppgifter genom att sekventiellt skanna elementen i ett stimulus. 

Ett grundläggande koncept inom kognitiv vetenskap, numerositets, avser antalet objekt i en mängd och studeras vanligtvis i samband med visuell perception, där det syftar på förmågan att snabbt uppfatta kvantiteten av objekt i en scen utan att räkna. 

Som sådan analyserar numerositetsuppgifter hjärnans medfödda förmåga att uppfatta och uppskatta kvantiteter.

Alltså har bier tydligt exceptionella kapaciteter, vilket gör dem till en värdefull djurmodell för att utforska principerna för visuell inlärning genom att analysera deras beteendemässiga svar.

Men saken är, det är fortfarande inte verkligen känt bara hur bier kan identifiera komplexa mönster och uppfatta världens komplexitet medan de samlar nektar, med tanke på deras påstådda låga visuella känslighet och begränsade neurala resurser.

Visuella sensoriska neuroner är faktiskt antagna att utvecklas för att utnyttja regelbundenheter i naturliga scener. Till exempel har studier visat att insekters sensoriska vägar och beteenden som är kopplade till dem dynamiskt anpassar sig till olika omgivningsförhållanden. Responsen justeras baserat på indata såsom spatial frekvens, kontrast och spatiotemporala korrelationer. 

När det gäller aktiva samplingsstrategier, där djur kontinuerligt skannar sin omgivning för att extrahera visuell information över tid, har sådant beteende observerats i stor utsträckning över arter. 

Medan primater använder ögonrörelser för att förbättra sin fina rumsliga upplösning och förbättra kodningen av naturliga stimuli, använder insekter strategier som involverar huvud‑ och kroppsrörelser eller specifika tillvägagångssätt.

I fallet med bier är de sannolikt beroende av aktiv syn och sekventiell sampling för att bygga en stark och robust neural representation av sin omgivning. 

Dessa strategier spelar en nyckelroll i tidig visuell bearbetning, minskar redundans och gör kodningen av visuella stimuli mer effektiv. Men återigen, vår förståelse av hur dessa mekanismer tillåter bier att upptäcka visuella regelbundenheter, övervinna representationsbegränsningar och lösa komplexa uppgifter är bristfällig.

Enligt den senaste studien är förståelsen av dessa strategier avgörande för att avkoda de grundläggande principerna för insektsyn och deras bredare implikationer för visuell bearbetning i både biologiska och artificiella system.

Så, med utgångspunkt i deras tidigare studie, som utvärderade bie‑flygvägar under en enkel visuell uppgift¹, undersöker forskarna nu de huvudsakliga kretskomponenterna som bidrar till aktiv syn vid igenkänning av achromatiska mönster.

Studien syftar till att fastställa hur bie‑skanningsbeteende bidrar till organiseringen och anslutningen av neuroner i deras visuella lobuler.

Forskare vid University of Sheffield hypoteserade att skanningsbeteenden har anpassats för att provta komplexa visuella egenskaper på ett sätt som kodar dem mer effektivt i lobulaneuroner. Detta underlättar unika representationer som stödjer inlärning i biets lilla hjärna. För att testa hypotesen utvecklade de en neuromorfisk modell av bie‑optiska lobber.

Forskarna inkluderade kodningsprinciper genom en ny modell för icke‑associativ plasticitet. Det möjliggjorde för modellen att självorganisera sin anslutning inom den visuella loben, vilket skapade effektiva representationer av miljön och ledde till framväxten av orienterings‑selektiva celler, vilka är essentiella för kodning av komplexa visuella scener.

Det visuella bearbetningsramverket förbättrades ytterligare genom att använda en ytterligare modul för beslutsfattande, som tog inspiration från insekters associativa inlärningsmekanismer.

Forskarens simuleringar visar att ett litet urval av lobulaneuroner, känsliga för specifika orienteringar och hastigheter, kan komprimera komplexa visuella miljöer till representationer uttryckta som fyrningsfrekvenser. Dessa sällsynta representationer skiljer effektivt mellan plus‑ och multiplikationsmönster, vilket belyser modellens bredare tillämpbarhet.

De insikter som samlats i studien kan hjälpa till att främja vår förståelse av biologisk syn och kognition och inspirera utvecklingen av nya beräkningsmodeller för visuella igenkänningsuppgifter, enligt studien.

Hur bikompenserad syn formar robotik och AI

Den senaste studien, ett samarbete med Queen Mary University of London och publicerad i tidskriften eLife, detaljerade en digital modell av ett bi‑miniaturhjärna².

Den utnyttjar det förvånande sättet på vilket dessa insekter kombinerar sina hjärnor och kroppar för att driva teknik framåt och göra framtida robotar smartare och mer effektiva. På samma sätt som bier använder sina flygningar för att skapa tydliga hjärnsignaler och förenkla komplexa visuella uppgifter, kan nästa generations teknik också samla relevant information genom rörelse snarare än att förlita sig på enorm beräkningskraft.

Studien har dessutom visat att även de minsta insekts­hjärnorna kan lösa komplexa visuella uppgifter. 

Faktum är att några få hjärnceller kan göra så mycket att intelligens inte bara är en hjärnfråga, utan resultatet av hjärnan, kroppen och miljön som arbetar i samklang. 

Att bygga en digital version av ett bi‑hjärna hjälpte forskarna att upptäcka att sättet på vilket bier rör sina kroppar under flygning underlättar deras formade visuella indata. Dessa rörelser producerar också unika elektriska signaler i deras hjärnor, vilka gör att de kan identifiera förutsägbara egenskaper omkring dem lätt och effektivt.

Detta visar biers anmärkningsvärda precision i att lära sig och identifiera komplexa visuella mönster under flygning.

“I den här studien har vi framgångsrikt demonstrerat att även de minsta hjärnorna kan utnyttja rörelse för att uppfatta och förstå världen omkring dem. Detta visar att ett litet, effektivt system – om än resultatet av miljontals år av evolution – kan utföra beräkningar som är vida mer komplexa än vad vi tidigare trodde var möjligt.”

– Studiets seniorförfattare, professor James Marshall, chef för Centre of Machine Intelligence vid University of Sheffield

Genom att utnyttja naturens bästa designer för intelligens, påpekade Marshall, banar detta vägen för “nästa generation av AI, som driver framsteg inom robotik, självkörande fordon och verklig inlärning.”

Som tidigare nämnts bygger denna studie på deras tidigare forskning om hur bier använder aktiv syn, där deras rörelser hjälper till att samla och bearbeta visuell information. Det senaste arbetet granskar djupare de underliggande hjärnmekanismerna som driver deras beteende att flyga runt och inspektera specifika mönster.

“I vårt tidigare arbete fascinerades vi av att upptäcka att bier använder en smart skanningsgenväg för att lösa visuella pussel. Men det berättade bara vad de gör; för den här studien ville vi förstå hur.”

– Författare, Dr. HaDi MaBouDi från University of Sheffield

De avancerade visuella mönster‑inlärnings förmågor hos bier har faktiskt varit långt förstådda. Det inkluderar deras förmåga att särskilja mänskliga ansikten, men inte hur de navigerar världen med sådan effektivitet.

“Vår modell av ett bi‑hjärna visar att dess neurala kretsar är optimerade för att bearbeta visuell information inte i isolering, utan genom aktiv interaktion med dess flygningar i den naturliga miljön.”

– MaBouDi

Och detta, noterade han, stödjer teorin att intelligens uppstår ur samspelet mellan hjärna, kropp och miljö som arbetar tillsammans.

“Vi har lärt oss att bier, trots att deras hjärnor inte är större än ett sesamfrö, inte bara ser världen – de formar aktivt vad de ser genom sina rörelser. Det är ett vackert exempel på hur handling och perception är djupt sammanflätade för att lösa komplexa problem med minimala resurser. Detta har stora implikationer för både biologi och AI.”

– MaBouDi

Modellen, byggd genom samarbetsinsatser, visar att neuronerna i ett bi blir starkt avstämda till specifika rörelser och riktningar när deras hjärna långsamt anpassar sig genom upprepad exponering för olika stimuli. Det förbättrar deras svar utan att behöva förlita sig på associationer eller förstärkning.

Detta betyder att ett bi‑hjärna anpassar sig till sin miljö enbart genom observation under flygning, utan att behöva omedelbara belöningar.

Allt detta sker med bara några få neuroner, vilket sparar både energi och beräkningskraft, vilket gör deras hjärna otroligt effektiv. Nu, för att testa modellen, utsatte teamet den för samma visuella utmaningar som riktiga bier möter. I detta fall var den beräkningsmässiga modellen tvungen att skilja mellan ett ‘plus’-tecken och ett ‘multiplikations’-tecken.

När modellen imiterade den verkliga bie‑strategin, genom att bara skanna den nedre halvan av mönstren, visade den avsevärt förbättrad prestanda. 

Dessutom demonstrerade modellen framgångsrikt hur bier kan känna igen mänskliga ansikten, med endast ett litet nätverk av artificiella neuroner, vilket betonar deras mångsidighet och styrka i deras visuella bearbetning.

“Forskare har fascinerats av frågan huruvida hjärnans storlek förutsäger intelligens hos djur. Men sådana spekulationer är meningslösa om man inte känner till de neurala beräkningarna som ligger till grund för en given uppgift,” säger professor Lars Chittka, professor i sensorisk och beteendeekologi vid Queen Mary University of London. “Här fastställer vi det minsta antalet neuroner som krävs för svåra visuella diskrimineringsuppgifter och finner att siffrorna är förbluffande små, även för komplexa uppgifter som mänsklig ansiktsigenkänning. Således kan insekts‑mikrohjärnor utföra avancerade beräkningar.”

Så, på så sätt, lägger studien till beviset att djur inte bara passivt tar emot information. I själva verket arbetar de aktivt med den.

Bier, i synnerhet, har högre‑ordnings visuell bearbetning, och modellen avslöjar hur beteendedriven skanning kan skapa komprimerade, lärbara neurala koder.

“Tillsammans stödjer dessa fynd ett enhetligt ramverk där perception, handling och hjärndynamik samutvecklas för att lösa komplexa visuella uppgifter med minimala resurser – vilket erbjuder kraftfulla insikter för både biologi och AI.”

– Professor Mikko Juusola, professor i systemneurovetenskap vid University of Sheffields School of Biosciences and Neuroscience Institute

Klicka här för att lära dig hur AI kan hjälpa till att skydda honungsbin från asiatiska hornet.

Swipe för att rulla →

Investera i AI-teknik

I AI‑ och robotikvärlden är Qualcomm (QCOM ) ett känt namn som har utforskat neuromorfiska och edge‑AI‑teknologier. 

För mer än ett decennium sedan släppte Qualcomm Qualcomm Zeroth‑processorer för att efterlikna mänsklig perception och inlärning, precis som biologiska hjärnor gör. Förutom biologiskt inspirerad inlärning var målet att replikera den effektivitet med vilken vår hjärna kommunicerar information och standardisera den nya bearbetningsarkitekturen som kallas Neural Processing Unit (NPU).

Dess AI‑drivna Robotics RB6‑plattform, under tiden, driver nästa generations robotik och intelligenta maskiner, inklusive leveransrobotar, autonoma mobila robotar (AMR), UAM‑flygplan, tillverkningsrobotar, autonoma försvarslösningar och mycket mer. Plattformen levererar energieffektiv, avancerad edge‑AI‑beräkning och videobearbetning med 5G‑anslutning för robotar

Primärt är Qualcomm involverat i att utveckla grundläggande teknologier för den trådlösa industrin, inklusive 3G, 4G, 5G, trådlös anslutning, och högpresterande samt lågströms‑beräkning.

Klicka här för att lära dig allt om att investera i artificiell intelligens (AI).

Qualcomm (QCOM )

När man tittar på Qualcomms marknadsprestation, handlas det $171,67 miljarder stora bolaget för närvarande till $159,54, upp 3,6 % i år hittills.

Även om prestationen i år har varit svag, följer den QCOM:s uppgång förbi $215 i juni förra året. Dess EPS (TTM) ligger på 10,36, P/E (TTM) på 15,36 och ROE (TTM) på 44,62 %, medan aktieägarna drar nytta av en utdelningsavkastning på 2,24 %.

På den finansiella fronten rapporterade den trådlösa chipstillverkaren en 10 % ökning av intäkterna till $10,4 miljarder för sitt tredje finansiella kvartal som avslutades den 29 juni 2025.

Drivet av styrka inom Handsets, IoT och Automotive, ökade QCT‑intäkterna med 11 % YoY till $9 miljarder, och EBT‑intäkterna steg med 22 % till $2,7 miljarder. Kombinerade QCT Automotive‑ och IoT‑intäkter var samtidigt upp 23 % YoY till $2,7 miljarder.

Företagets icke‑GAAP‑EPS ökade med 19 % YoY till $2,77.

According to CEO Cristiano Amon:

“Ett till kvartal med stark tillväxt i QCT Automotive‑ och IoT‑intäkter bekräftar ytterligare vår diversifieringsstrategi och förtroende för att nå våra långsiktiga intäktsmål. Vårt ledarskap inom AI‑bearbetning, högpresterande och lågströms‑beräkning samt avancerad anslutning positionerar oss för att bli industrins föredragna plattform när AI skalar vid kanten.”

Under kvartalet återförde Qualcomm $3,8 miljarder till aktieägarna, vilket inkluderade $967 miljoner, eller $0,89 per aktie, i kontantutdelning samt $2,8 miljarder i återköp av aktier.

Senast lanserade Qualcomm Dragonwing Q‑6690 för sina företagskunder, mindre än sex månader efter att ha presenterat Dragonwing‑sviten av produkter. Företaget påstår att chipsetet är världens första mobila processor med inbyggda ultra‑höga frekvens‑RFID‑kapaciteter.

Med sina industri‑ och inbyggda IoT‑, nätverks‑ och cellulära infrastrukturlösningar syftar företaget till att använda dem för att förenkla komplexitet, optimera operativ effektivitet och möjliggöra smartare beslutsfattande.

Samtidigt har Saudiarabiens AI‑företag, Humain, börjat bygga sina första datacenter i Riyadh och Dammam, för vilka de har samarbetat med Qualcomm och AMD, Cisco och Groq. Företaget planerar att bygga 1,9 GW datacenterskapacitet till slutet av detta decennium.

Senaste Qualcomm (QCOM) aktienyheter och utveckling

Slutsats

Djur har länge inspirerat teknik, och nu visar bier att intelligens inte handlar om hjärnans storlek utan om effektivitet, anpassningsförmåga och den sömlösa integrationen av kropp, hjärna och miljö. Dessa lärdomar kan hjälpa till att omvandla AI‑design.

AI är ett av dagens mest avancerade och snabbväxande områden, som får betydande uppmärksamhet, kapital och utveckling. Att skala massiva modeller är dock dyrt, energikrävande och ohållbart. Här erbjuder bie‑inspirerad forskning ett alternativ: små, effektiva neurala nätverk som kan åstadkomma mer med mindre.

Genom att studera biernas aktiva syn och kompakta neurala strategier kan vi bygga futuristisk AI och robotik som är snabbare och mer kapabel.

Klicka här för att lära dig om robot‑pollinatörer kan spela en roll i vertikal odling.

Referenser:

1. MaBouDi, H., Richter, J., Guiraud, M.-G., Roper, M., Marshall, J.A.R., & Chittka, L. Aktiv syn hos bin i en enkel mönsterdiskriminationsuppgift. eLife, 14, e106332, publicerad 20 februari 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 neuromorfisk modell av aktiv syn visar hur spatiotemporal kodning i lobulaneuroner kan hjälpa mönsterigenkänning hos bin. eLife, 14, e89929, publicerad 1 juli 2025. https://doi.org/10.7554/eLife.89929