研究人员通过研究蜜蜂 打造新型机器智能

FRÉDÉRIC COLLIN/GETTY IMAGES

据悉，英国计算机科学家团队的研究人员已经研究了蜜蜂的大脑，以开发一种用于决策的新型机器智能。

虽然蜜蜂的生活表面上看起来很简单——在空中飞行、采集花蜜和为植物授粉——但这些看似随机的行为背后的决策过程比表面上更复杂。在apian神经网络内部，一种基本的操作模式似乎可以在几秒钟内以高精度识别理想的目标花朵，此时蜜蜂会嗡嗡作响，准备开启盛宴。而所有这些过程，都发生在一个只有芝麻籽大小、神经元不到100万的大脑中。

HaDi MaBouDi是由谢菲尔德大学分拆出来的大脑仿生初创公司Opteran Technologies的高级研究员，也是这项新研究的合著者。MaBouDi说，他和同事们之所以被吸引来研究蜜蜂决策背后的过程，是因为人工系统可能会从中学到一些经验。

他说：“计算决策在适应性、速度、准确性和风险规避方面往往不足，尤其是当蜜蜂拥有的资源有限时。通过整合生物模型的原理，人工智能系统有可能提高其效率、稳健性和风险规避能力。”

为了更好地了解是什么真正改变了蜜蜂大脑中的齿轮，研究小组首先观察了20只蜜蜂在人工花园中探索颜色编码花朵时的行为。这些花含有糖浆、苦味滋补水和蒸馏水的混合物。在多次试验中观察了蜜蜂的选择后，MaBouDi和同事们发现蜜蜂的决策方式与常识相悖。

他说：“令人惊讶的是，与不正确的选择相比，蜜蜂的决定不仅具有高度的适应性和准确性，而且在正确的选择方面更快。这与在动物和人工系统中观察到的典型的速度-精度权衡相矛盾，在动物和人造系统中，准确的决策往往比不准确的决策耗时更长……蜜蜂的决策表现出一定程度的复杂性，与高等动物物种决策的某些方面相似。”

这意味着蜜蜂在瞬间做出的关于花朵的决定比它们花更长时间做出的决定更准确。论文合著者James Marshall表示，这种自信的“low-level”决策可以通过减少人工系统所需的训练和规则管理量来造福人工系统。Marshall是谢菲尔德大学的理论和计算生物学教授，也是Opteran Technologies的联合创始人。

为了模仿这种行为，研究人员设计了一个具有两个平行决策路径的模型，一个用于接受，另一个用于拒绝。就像蜜蜂的生物神经网络一样，这些途径被设计成具有适应性，并权衡刺激的质量，以帮助他们做出决定。该模型还保持了对过去刺激信息的记忆，以帮助它记住哪些刺激不值得第二次探索。

MaBouDi说：“特别重要的是模仿蜜蜂规避风险的策略，即只有当它们确信花朵会提供反馈时，它们才会选择接受，否则就会拒绝。这一策略使蜜蜂能够将精力集中在最有可能获得花蜜的花朵上。”

为了观察他们的模型在蜜蜂身上的效果，研究小组对其进行了25次随机高奖励和低奖励刺激的试验。他们发现，该模型的反应率与真实蜜蜂的反应率相当，甚至与蜜蜂大脑的物理布局相似。MaBouDi说，这并不一定意味着他们的模型完全逼真地模仿了蜜蜂的大脑。

他说：“考虑到生物大脑和计算模型在规模上的显著差异，在与蜜蜂大脑大小相当的硬件上直接实现这样的模型是极不可能的。但）专注于关键原理和机制可以创造出智能高效的系统，在现有硬件的限制下展现出类似的决策能力。”

MaBouDi、Marshall和同事们很高兴探索这对神经形态计算和小型化硬件的未来意味着什么。受蜜蜂等生物模型启发的机器人决策可以在帮助自主机器人（如用于采矿或搜救的机器人）在陌生地形中导航并做出适应性安全决策方面发挥重要作用。

Marshall表示，蜜蜂只是一个开始。Opteran正在积极研究其他类型的昆虫大脑，以了解人工智能、机器人和计算机科学问题隐藏在自然界中的其他解决方案。

他说：“我们现在的任务是了解越来越多的昆虫大脑，以及它是如何产生行为的，特别是对于一些最有趣的昆虫物种，比如群居昆虫，比如蚂蚁。例如，昆虫个体的互动方式可能有助于我们为自动仓库机器人团队制定更好的流通管理行为。”

该小组上个月在eLife杂志（https://doi.org/10.7554/eLife.86176）上发表了他们的研究。