微小蜜蜂大脑何以掌握更智能AI的密码

• 这一发现可能彻底改变人工智能和机器人技术，表明未来的机器人可以通过利用运动来收集相关信息而变得更智能、更高效，而非依赖庞大的计算机网络
• 研究强调了一个核心理念：智能源于大脑、身体与环境如何协同运作。它证明了即便是微小的昆虫大脑，也能利用极少的脑细胞解决复杂的视觉任务，这对生物学和人工智能领域均具有重大意义

根据谢菲尔德大学的研究，关于蜜蜂如何利用飞行运动促进对复杂视觉模式进行高度精准学习和识别的新发现，可能标志着下一代人工智能开发方式的重大变革。

通过构建计算模型——即蜜蜂大脑的数字版本——研究人员发现，蜜蜂在飞行过程中移动身体的方式如何塑造视觉输入并在其大脑中产生独特的电信号。这些运动产生的神经信号使蜜蜂能够轻松高效地识别周围世界可预测的特征。这种能力意味着蜜蜂在飞行中学习和识别复杂视觉模式（例如花朵图案）时表现出卓越的准确性。

该模型不仅加深了我们对蜜蜂如何通过运动学习和识别复杂模式的理解，还为下一代人工智能铺平了道路。它证明未来的机器人可以通过利用运动收集信息而变得更智能、更高效，而非依赖庞大的计算能力。

谢菲尔德大学机器智能中心主任、该研究的资深作者James Marshall教授表示："在本研究中，我们成功证明了即使是最微小的大脑也能利用运动来感知和理解周围世界。这表明一个高效的小型系统——尽管是数百万年进化的结果——能够执行远比我们此前认为可能实现的更为复杂的计算。

"利用自然界最优秀的智能设计为下一代人工智能打开了大门，将推动机器人技术、自动驾驶车辆和现实世界学习领域的进步。"

这项与伦敦玛丽女王大学合作的研究近期发表于《eLife》期刊。它建立在团队先前关于蜜蜂如何运用主动视觉（即其运动帮助收集和处理视觉信息的过程）的研究基础上。早期工作观察了蜜蜂如何飞行并检查特定图案，而这项新研究则更深入地揭示了驱动该行为的潜在大脑机制。

蜜蜂复杂的视觉模式学习能力（如区分人脸）早已被认知；然而该研究的发现为传粉昆虫如何以如此看似简单高效的方式感知世界提供了全新见解。

主要作者、谢菲尔德大学研究员HaDi MaBouDi博士表示："在前期工作中，我们着迷地发现蜜蜂采用巧妙的扫描捷径来解决视觉难题。但那仅是描述了它们的行为；本研究我们旨在理解其实现机理。

"我们的蜜蜂大脑模型证明，其神经回路经过优化，并非孤立处理视觉信息，而是通过与自然环境中的飞行运动主动交互来实现的，这支持了'智能源于大脑、身体与环境协同运作'的理论。

"我们认识到，尽管蜜蜂大脑仅如芝麻粒大小，它们并非被动观察世界——而是通过运动主动塑造所见。这是行动与感知深度交织、以最少资源解决复杂问题的绝佳例证。这对生物学和人工智能领域均具有重大意义。"

模型显示，随着蜜蜂神经网络通过反复接触各种刺激逐渐适应，其神经元会对特定方向和运动产生精细调谐，在不依赖关联或强化的条件下优化响应。这使得蜜蜂大脑仅需在飞行中观察即可适应环境，无需即时奖励。这意味着其大脑极其高效，仅用少量活跃神经元即可识别物体，同时节省能量和处理资源。

为验证计算模型，研究人员使其面临与真实蜜蜂相同的视觉挑战。在关键实验中，模型需区分"＋"号与"×"号。当模型模拟真实蜜蜂仅扫描图案下半部的策略（研究团队在先前研究中观察到此行为）时，其性能显著提升。

即使仅使用小型人工神经网络，该模型也成功展示了蜜蜂如何识别人脸，突显了其视觉处理的强大性与灵活性。

伦敦玛丽女王大学感官与行为生态学教授Lars Chittka补充道："科学家一直着迷于'脑容量是否预示动物智力'的问题。但除非了解特定任务背后的神经计算机制，否则此类推测毫无意义。

"在此我们确定了执行困难视觉辨别任务所需的最少神经元数量，发现其数量极其稀少——即使对于人脸识别等复杂任务亦是如此。这表明昆虫微型大脑能够执行高级计算。"

谢菲尔德大学生物科学学院及神经科学研究所系统神经科学教授Mikko Juusola表示："这项工作强化了日益增多的证据：动物并非被动接收信息——而是主动塑造信息。

"我们的新模型将此原则延伸至蜜蜂的高级视觉处理过程，揭示了行为驱动扫描如何创建出可压缩、可学习的神经编码。这些发现共同支持了一个统一框架：感知、行动与大脑动态协同演化，以最少资源解决复杂视觉任务——为生物学和人工智能领域提供了强大洞见。"

通过整合昆虫行为模式、大脑工作机制及计算模型的研究成果，该研究展示了探索微小昆虫大脑如何揭示智能的基本规则。这些发现不仅深化了我们对认知的理解，也对开发新技术具有重大意义。