Yapay Zekâ
Arı Beyinleri Daha Akıllı Yapay Zeka ve Robotik İlhamı
Securities.io sitesini Google'daki tercih ettiğiniz kaynaklara ekleyin
Arılar, dünyanın en büyük tozlayıcıları, hayatta kalmamız için doğrudan bağımlı olduğumuz biyolojik çeşitliliğin vazgeçilmez bir parçasıdır.
Bu kanatlı böcekler öncelikle yüksek kaliteli gıdalar örneğin bal, ayrıca balmumu, propolis, polen ve jel gibi ürünler sunmalarıyla bilinir. Daha da önemlisi, sayısız çiçekli bitkinin tozlaşmasından sorumludurlar; bu, dünyanın gıda mahsullerinin büyük bir çoğunluğunu kapsar ve bitkilerin üremesini, meyve, sebze ve tohum üretmesini sağlar.
Bunu başarmak için arılar tüylü vücutlarını kullanarak poleni bir çiçekten diğerine aktarırlar.
Arılar bu konuda tek başına değiller; kuşlar, maymunlar ve hatta insanlar da tozlaşma yapar, ancak arılar kesinlikle en yaygın tozlayıcıdır. Tahminlere göre tüm çiçekli bitki türlerinin %87’den fazlası hayvanlara bağımlıdır, arılar ise tozlaşmada birincil grup olarak hizmet verir; bu, biyolojik çeşitlilik ve gıda güvenliği için hayati bir ekosistem hizmetidir.
Arılar aslında çok zeki böceklerdir ve insanlar davranışlarını, tutumlarını ve sosyal etkileşimlerini inceleyerek ekosistem sağlığını, çevresel değişimleri anlamaya ve ürün tozlaşma verimliliğini artırmaya çalışmaktadır.
Ayrıca arılar, işbirlikçi davranışı anlamak ve küçük beyinlerin karmaşık sosyal görevleri nasıl koordine ettiğini haritalamak için bir model olarak kullanılmaktadır.
Bilim insanları da arılardan ilham alarak teknolojiyi ilerletiyor. Örneğin, onların navigasyon ve iletişim stratejileri drone teknolojisine uygulanıyor. Arı davranışı aynı zamanda robotik, algoritmalar ve AI ilham kaynağı olmuştur.
Bu bağlamda araştırmacılar, arıların uçuş hareketlerini beyin sinyallerini iyileştirmek için kullandıklarını keşfettiler; bu sayede karmaşık görsel desenleri büyük bir doğrulukla öğrenip tanıyabiliyorlar.
Bu hareket temelli algı, yeni çalışmaya göre, büyük hesaplama gücünden ziyade verimliliği vurgulayarak nesil‑sonrası AI ve robotik geliştirmelerinde devrim yaratabilir.
Arı Zekâsı: Küçük Beyinlerin AI’a Öğrettikleri
Arıların görsel öğrenme yetenekleri gerçekten olağanüstüdür. Bu, bir rengi ödülle ilişkilendirmeyi öğrenebildikleri ve görsel desenleri sınıflandırmak için belirli özellikleri tanımlayabildikleri gerçeğinden anlaşılır. Ayrıca soyut kavramları anlama ve bir uyarıcı içindeki öğeleri sıralı tarayarak nicelik görevlerini çözme kapasitesi göstermişlerdir.
Bilişsel bilimde temel bir kavram olan nicelik, bir kümedeki öğe sayısını ifade eder ve genellikle görsel algı bağlamında incelenir; burada sahnedeki nesnelerin miktarını saymadan hızlıca kavrama yeteneği söz konusudur.
Bu bağlamda nicelik görevleri, beynin nicelikleri algılayıp tahmin etme doğuştan gelen yeteneğini analiz eder.
Dolayısıyla, arılar açıkça olağanüstü yeteneklere sahiptir ve bu da onları davranışsal tepkilerini analiz ederek görsel öğrenmenin prensiplerini keşfetmek için değerli bir hayvan modeli yapar.
Ama mesele şu ki, arıların düşük görsel hassasiyetleri ve sınırlı sinir kaynakları olduğu varsayımına rağmen, foraj yaparken çevrelerindeki karmaşık desenleri nasıl tanımladıkları ve dünyayı nasıl algıladıkları hâlâ tam olarak bilinmemektedir.
Görsel duyusal nöronların aslında doğal sahnelerdeki düzenlilikleri kullanmak için evrimleştiği varsayılmaktadır. Örneğin, çalışmalar böcek duyusal yollarının ve onlarla ilişkili davranışların çevresel koşullara dinamik olarak uyum sağladığını göstermiştir. Yanıtlar, uzaysal frekans, kontrast ve spatiotemporal korelasyonlar gibi giriş verilerine göre ayarlanır.
Aktif örnekleme stratejileri söz konusu olduğunda, hayvanların ortamlarını zaman içinde görsel bilgi çıkarmak için sürekli taradığı davranış, türler arasında yaygın olarak gözlemlenmiştir.
Primatlar göz hareketlerini ince mekânsal çözünürlüğü artırmak ve doğal uyaranların kodlamasını iyileştirmek için kullanırken, böcekler baş ve vücut hareketleri ya da belirli yaklaşım yörüngeleri içeren stratejiler uygular.
Arıların durumunda, aktif görme ve sıralı örnekleme yoluyla çevrelerinin güçlü ve dayanıklı bir sinir temsili oluşturdukları düşünülmektedir.
Bu stratejiler erken görsel işleme aşamasında kilit bir rol oynar, gereksiz tekrarları azaltır ve görsel uyaranların kodlamasını daha verimli hâle getirir. Ancak yine de, bu mekanizmaların arıların görsel düzenlilikleri algılamasını, temsil sınırlamalarını aşmasını ve karmaşık görevleri çözmesini nasıl sağladığı konusundaki anlayışımız hâlâ yetersizdir.
En yeni çalışmaya göre, bu stratejileri anlamak, böcek görüsünün temel prensiplerini ve biyolojik ve yapay sistemlerde görsel işleme üzerindeki daha geniş etkilerini ortaya çıkarmak için kritik öneme sahiptir.
Dolayısıyla, önceki çalışmaları üzerine inşa ederek, basit bir görsel görev sırasında arı uçuş yollarını değerlendiren1, araştırmacılar şimdi achromatik desenleri tanımada aktif görmeye katkıda bulunan ana devre elemanlarını incelemektedir.
Çalışmanın temel amacı, arıların tarama davranışının görsel loblarındaki nöronların organizasyonu ve bağlantısına nasıl katkıda bulunduğunu belirlemektir.
Sheffield Üniversitesi araştırmacıları, tarama davranışlarının karmaşık görsel özellikleri örneklemek için evrimleştiğini ve bu özellikleri lobula nöronlarında daha verimli bir şekilde kodladığını varsaydılar. Bu da, arıların küçük beyinlerinde öğrenmeyi destekleyen benzersiz temsillerin ortaya çıkmasını sağlar. Bu hipotezi test etmek için arı optik loblarının nöromorfik bir modelini geliştirdiler.
Araştırmacılar, ilişkisel olmayan plastisiteye dayanan yeni bir model aracılığıyla kodlama ilkelerini modele dahil ettiler. Bu modelin görsel lob içinde bağlantılarını kendi kendine organize etmesini sağladı, böylece ortamın verimli temsillerini yarattı ve yönelim‑seçici hücrelerin ortaya çıkmasına yol açtı; bu hücreler karmaşık görsel sahnelerin kodlanması için esastır.
Görsel işleme çerçevesi, böceklerin ilişkisel öğrenme mekanizmalarından ilham alan bir karar‑verme modülü daha eklenerek daha da geliştirilmiştir.
Araştırmacıların simülasyonları, belirli yönelim ve hızlara duyarlı lobula nöronlarının küçük bir alt kümesinin, karmaşık görsel ortamları ateşleme oranları olarak ifade edilen temsillere sıkıştırabildiğini ortaya koymaktadır. Bu nadir temsiller, artı ve çarpım desenleri arasındaki farkı etkili bir şekilde ayırt eder; bu da modelin daha geniş bir uygulanabilirliğini vurgular.
Çalışmada elde edilen bulgular, biyolojik görme ve bilişi anlamamızı ilerletmeye ve görsel tanıma görevleri için yeni hesaplama modellerinin geliştirilmesine ilham vermeye yardımcı olabilir, çalışma bunu belirtmiştir.
Arı İlhamlı Görüş, Robotik ve AI’ı Nasıl Şekillendiriyor
En yeni çalışma, Queen Mary University of London ile ortak bir çaba ve eLife dergisinde yayınlanmış, detaylı bir dijital modelini2 arının minyatür beyni üzerine sunmuştur.
Bu model, bu böceklerin beyin ve vücudu birleştirerek teknolojiyi ilerletmesi ve gelecekteki robotları daha akıllı ve verimli hâle getirmesi şaşırtıcı yolunu kullanır. Arıların uçuş hareketlerini beyin sinyallerini netleştirmek ve karmaşık görsel görevleri basitleştirmek için kullandıkları gibi, nesil‑sonrası teknoloji de büyük hesaplama gücüne dayanmak yerine hareketle ilgili bilgiyi toplayabilir.
Çalışma, sonuçta, hatta en küçük böcek beyinlerinin bile karmaşık görsel görevleri çözebildiğini göstermiştir.
Birkaç beyin hücresinin bu kadar çok şey yapabilmesi, zekânın sadece beyinle ilgili olmadığını, beyin, beden ve çevrenin uyum içinde çalışmasının bir sonucu olduğunu gösterir.
Arının beyninin dijital bir versiyonunu oluşturmak, araştırmacıların arıların uçuş sırasında bedenlerini hareket ettirmelerinin görsel girdiyi şekillendirmesine yardımcı olduğunu keşfetmelerini sağladı. Bu hareketler aynı zamanda beyinlerinde benzersiz elektriksel sinyaller üretir, bu da onların çevrelerindeki öngörülebilir özellikleri kolay ve verimli bir şekilde tanımlamalarını sağlar.
Bu, arıların uçuş sırasında karmaşık görsel desenleri öğrenme ve tanıma konusundaki olağanüstü doğruluğunu gösterir.
“Bu çalışmada, en küçük beyinlerin bile hareketi kullanarak çevrelerini algılayıp anlayabildiğini başarıyla gösterdik. Bu, milyonlarca yıllık evrimin sonucu olan küçük, verimli bir sistemin, daha önce mümkün olduğunu düşündüğümüzden çok daha karmaşık hesaplamalar yapabileceğini gösteriyor.”
– Çalışmanın kıdemli yazarı, Prof. James Marshall, Sheffield Üniversitesi Makine Zekâsı Merkezi Direktörü
Doğanın en iyi zekâ tasarımlarını kullandığımızda, Marshall, bu durumun “AI’nın bir sonraki neslini, robotik, otonom araçlar ve gerçek‑dünya öğrenimini ilerletecek” bir yol açtığını belirtiyor.
Önceki araştırmalarına dayanarak, arıların aktif görme kullandıkları, hareketlerinin görsel bilgiyi toplama ve işleme sürecine yardımcı olduğu vurgulanmıştır. En yeni çalışma, bu davranışı yönlendiren beyin mekanizmalarını daha derinlemesine incelemektedir.
“Önceki çalışmalarımızda, arıların görsel bulmacaları çözmek için akıllı bir tarama kısayolu kullandıklarını keşfetmiştik. Ancak bu sadece ne yaptıklarını gösterdi; bu çalışmada nasıl yaptıklarını anlamak istedik.”
– Baş yazar, Dr. HaDi MaBouDi, Sheffield Üniversitesi
Arıların gelişmiş görsel desen öğrenme yetenekleri uzun süredir bilinmektedir. Bu, insan yüzlerini ayırt etme yeteneklerini içerir, ancak bu verimlilikle dünyayı nasıl gezdikleri hâlâ tam olarak anlaşılmamıştır.
“Arı beyninin modelimiz, sinir devrelerinin görsel bilgiyi izole bir şekilde değil, doğal ortamda uçuş hareketleriyle aktif etkileşim içinde işlemek üzere optimize edildiğini gösteriyor.”
– MaBouDi
Bu, zekânın beyin, beden ve çevrenin birlikte çalışmasından doğduğunu destekleyen bir teoridir.
“Arıların beyinleri bir susam tanesinden daha büyük olmasa da, sadece dünyayı görmekle kalmazlar – hareketleriyle gördüklerini şekillendirirler. Bu, eylem ve algının karmaşık problemleri minimum kaynakla çözmek için ne kadar iç içe geçtiğinin güzel bir örneğidir. Bu hem biyoloji hem de AI için büyük sonuçlar doğurur.”
– MaBouDi
Ortak çabalarla inşa edilen model, arı nöronlarının belirli hareket ve yönlere karşı yüksek duyarlılık geliştirdiğini ve beyinlerinin farklı uyaranlara tekrar tekrar maruz kalmasıyla yavaşça uyum sağladığını gösterir. Bu, ilişkisel ya da pekiştirmeli öğrenmeye bağımlı olmadan yanıtları iyileştirir.
Bu, bir arı beyninin sadece gözlemleyerek, uçuş sırasında ortamına uyum sağladığı anlamına gelir; anlık ödüllere ihtiyaç duymaz.
Tüm bunlar sadece birkaç nöronla yapılır, bu da hem enerji hem de işlem gücünden tasarruf sağlar ve beyni son derece verimli hâle getirir. Modeli test etmek için ekip, gerçek arıların karşılaştığı aynı görsel zorlukları uyguladı. Bu durumda, hesaplama modeli ‘+’ işareti ile ‘×’ işareti arasını ayırt etmek zorundaydı.
Gerçek arıların stratejisini taklit ederek, sadece desenlerin alt yarısını taradığında, model önemli ölçüde daha iyi performans gösterdi.
Ayrıca model, sadece küçük bir yapay nöron ağı kullanarak arıların insan yüzlerini tanıyabildiğini başarıyla gösterdi, bu da görsel işleme yeteneklerinin çok yönlülüğünü ve gücünü vurgular.
“Bilim insanları, beyin büyüklüğünün hayvanlarda zekâyı tahmin edip etmediği sorusuna uzun süredir merakla bakıyor. Ancak bu spekülasyonlar, bir görevin altında yatan sinirsel hesaplamalar bilinmeden anlam ifade etmez,” dedi Prof. Lars Chittka, Queen Mary University of London Sensör ve Davranışsal Ekoloji Profesörü. “Burada, zor görsel ayırt etme görevleri için gereken minimum nöron sayısını belirledik ve bu sayı, insan yüzü tanıma gibi karmaşık görevler için bile şaşırtıcı derecede küçüktür. Böylece, böcek mikrobeyinleri gelişmiş hesaplamalar yapabilir.”
Dolayısıyla, bu çalışma hayvanların sadece pasif bilgi alıcıları olmadığını, aktif olarak bilgiyle çalıştıklarını gösteren kanıtlara ekleme yapmaktadır.
Arılar, özellikle üst‑seviye görsel işleme yeteneğine sahiptir ve model, davranışsal olarak yönlendirilen taramanın sıkıştırılmış, öğrenilebilir sinir kodları oluşturduğunu ortaya koymaktadır.
“Bu bulgular, algı, eylem ve beyin dinamiklerinin karmaşık görsel görevleri minimum kaynakla çözmek için birlikte evrimleştiği birleşik bir çerçeveyi desteklemektedir – bu da hem biyoloji hem de AI için güçlü içgörüler sunar.”
– Prof. Mikko Juusola, Sheffield Üniversitesi Biyosistemler ve Nörobilim Enstitüsü Sistem Nörobilim Profesörü
Kaydırmak için kaydır →
| Yaklaşım | Ana Prensip | Güçlü Yönler | Sınırlamalar |
|---|---|---|---|
| Geleneksel AI | Büyük veri setleri ve yüksek hesaplama gücü | Karmaşık görevlerde yüksek doğruluk | Enerji yoğun, ölçeklendirmesi maliyetli |
| Arı İlhamlı AI | Aktif görme ve verimli sinir kodlaması | Hafif, enerji verimli, hızlı öğrenme | Hâlâ erken araştırma aşamasında |
AI Teknolojisine Yatırım
AI ve robotik dünyasında, Qualcomm, nöromorfik ve kenar‑AI teknolojilerini keşfetmiş tanınmış bir isimdir.
On yıldan fazla bir süre önce Qualcomm, insan benzeri algı ve öğrenmeyi taklit eden Qualcomm Zeroth işlemcilerini piyasaya sürdü; bu, biyolojik beyinlerin bilgi iletişimini ve yeni bir işlem mimarisi olan NPU’yu (Neural Processing Unit) standartlaştırma hedefiyle yapılmıştır.
AI‑odaklı Robotics RB6 Platformu ise, teslimat robotları, otonom mobil robotlar (AMR’ler), UAM uçakları, üretim robotları, otonom savunma çözümleri ve daha fazlası dahil olmak üzere nesil‑sonrası robotik ve akıllı makineleri güçlendirir. Platform güç‑verimli, gelişmiş kenar‑AI hesaplama ve video işleme ile 5G bağlantısını robotlara sunmaktadır.
Temelde Qualcomm, 3G, 4G, 5G, kablosuz bağlantı ve yüksek performanslı, düşük güç tüketimli işlemciler dahil olmak üzere kablosuz endüstri için temel teknolojiler geliştirmektedir.
Yapay zekâ (AI) yatırımı hakkında her şeyi öğrenmek için buraya tıklayın.
Qualcomm (QCOM )
Qualcomm’un piyasa performansına bakıldığında, 171,67 milyar $ piyasa değerine sahip şirketin hisseleri şu anda 159,54 $ seviyesinde işlem görmekte ve bu yıl %3,6 artış kaydetmiştir.
Bu yılki performans beklentilerin altında kalmış olsa da, QCOM geçen yıl Haziran’da 215 $ seviyesini aşan bir yükseliş göstermişti. EPS (TTM) 10,36, P/E (TTM) 15,36 ve ROE (TTM) %44,62 iken, hissedarlar %2,24 temettü getirisi elde etmektedir.
QCOM Fiyat Grafiği
Finansal açıdan, kablosuz çip üreticisi, 29 Haziran 2025 tarihinde sona eren mali üçüncü çeyreğinde gelirini %10 artırarak 10,4 milyar $ olarak açıkladı.
Handset, IoT ve Otomotiv alanlarındaki güç sayesinde QCT gelirleri %11 artarak 9 milyar $ oldu, EBT gelirleri ise %22 artarak 2,7 milyar $ seviyesine yükseldi. Birleşik QCT Otomotiv ve IoT gelirleri ise %23 artışla 2,7 milyar $ oldu.
Şirketin non‑GAAP EPS’si %19 artarak 2,77 $ oldu.
According to CEO Cristiano Amon:
“QCT Otomotiv ve IoT gelirlerindeki bir başka güçlü çeyrek, çeşitlendirme stratejimizi ve uzun vadeli gelir hedeflerimize ulaşma konusundaki güvenimizi daha da doğruluyor. AI işleme, yüksek performanslı ve düşük güç tüketimli hesaplama ve gelişmiş bağlantı konularındaki liderliğimiz, AI kenarda ölçeklendikçe sektör platformu olarak tercih edilmemizi sağlıyor.”
Çeyrek boyunca Qualcomm, hissedarlara 3,8 milyar $ geri döndürdü; bu tutar 967 milyon $ nakit temettü (hisse başına 0,89 $) ve 2,8 milyar $ hisse geri alımını içeriyor.
En son olarak Qualcomm, Dragonwing Q‑6690’ı kurumsal müşterilerine tanıttı; bu, Dragonwing ürün serisini tanıttıktan altı ay önce gerçekleşti. Şirket, çipin yerleşik ultra‑yüksek frekanslı RFID yeteneklerine sahip dünyanın ilk mobil işlemcisi olduğunu iddia ediyor.
Endüstriyel ve gömülü IoT, ağ ve hücresel altyapı çözümleriyle, şirket bu teknolojileri karmaşıklığı basitleştirmek, operasyonel verimliliği optimize etmek ve daha akıllı karar‑alma süreçlerini güçlendirmek için kullanmayı hedefliyor.
Bu arada Suudi Arabistan’ın AI şirketi Humain, Riyad ve Dammam’da ilk veri merkezlerini inşa etmeye başladı; bu proje için Qualcomm, AMD, Cisco ve Groq ile ortaklık kurdu. Şirket, bu on yılın sonuna kadar 1,9 GW veri merkezi kapasitesi oluşturmayı planlıyor.
En Son Qualcomm (QCOM) Hisse Senedi Haberleri ve Gelişmeler
Sonuç
Hayvanlar uzun süredir teknolojiyi ilham kaynağı olmuştur ve artık arılar, zekânın beyin büyüklüğünden ziyade verimlilik, uyum yeteneği ve beden, beyin ve çevrenin sorunsuz entegrasyonu ile ilgili olduğunu gösteriyor. Bu dersler AI tasarımını dönüştürmeye yardımcı olabilir.
AI, günümüzün en gelişmiş ve hızlı hareket eden alanlarından biridir; büyük ilgi, sermaye ve geliştirme çekmektedir. Ancak büyük modelleri ölçeklendirmek pahalı, enerji yoğun ve sürdürülemezdir. Burada, arı‑ilhamlı araştırmalar alternatif bir yol sunar: daha az kaynakla daha fazlasını başarabilen küçük, verimli sinir ağları.
Arıların aktif görme ve kompakt sinir stratejilerini inceleyerek, daha hızlı ve daha yetenekli gelecek AI ve robotik sistemleri inşa edebiliriz.
Robotik tozlayıcıların dikey tarımda bir rol oynayıp oynayamayacağını öğrenmek için buraya tıklayın.
Referanslar:
1. MaBouDi, H., Richter, J., Guiraud, M.-G., Roper, M., Marshall, J.A.R., & Chittka, L. Arıların basit bir desen ayırt etme görevindeki aktif görüsü. eLife, 14, e106332, 20 Şubat 2025 tarihinde yayınlandı. https://doi.org/10.7554/eLife.106332
2. MaBouDi, H., Roper, M., Guiraud, M.-G., Juusola, M., Chittka, L., & Marshall, J.A.R. Aktif görmenin, lobula nöronlarındaki spatiotemporal kodlamanın arılarda desen tanımasını nasıl kolaylaştırdığını gösteren nöromorfik bir model. eLife, 14, e89929, 1 Temmuz 2025 tarihinde yayınlandı. https://doi.org/10.7554/eLife.89929
