为何蜜蜂的微型大脑可能成为更智能人工智能的关键

• 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
• 研究强调了一个重要理念：智能源于大脑、身体与环境之间的协同运作。它展示了即使是微小的昆虫大脑，也能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一项研究，关于蜜蜂如何利用飞行运动促进其对复杂视觉模式进行高精度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的身体运动方式有助于塑造视觉输入，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的可预测特征。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。它表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："在这项研究中，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——能够执行远比我们先前认为可能的更复杂的计算。

"利用自然界最优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、自动驾驶汽车和现实世界学习领域的进步。"

这项与伦敦玛丽女王大学的合作研究近期发表于《eLife》期刊。该研究基于团队先前对蜜蜂如何使用主动视觉（即其运动帮助收集和处理视觉信息的过程）的探索。早期工作观察了蜜蜂如何飞行并检查特定图案，而新研究则更深入地揭示了驱动该行为的潜在大脑机制。

蜜蜂的复杂视觉模式学习能力（例如区分人脸）早已被认知；然而该研究的发现为传粉者如何以看似简单的高效方式导航世界提供了新见解。

主要作者、谢菲尔德大学研究员HaDi MaBouDi博士表示："在之前的工作中，我们惊奇地发现蜜蜂采用巧妙的扫描捷径来解决视觉难题。但那仅揭示了它们的行为；本研究我们旨在理解其原理。

"我们的蜜蜂大脑模型证明，其神经回路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进行优化，这支持了'智能源于大脑、身体与环境协同运作'的理论。

"我们了解到，尽管蜜蜂的大脑不大于芝麻粒，它们并非被动观察世界——而是通过运动主动塑造所见之物。这是行动与感知深度交织、以最小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，其神经元会精细调整至特定方向和运动。这种优化不依赖关联或强化学习，仅需飞行时观察环境即可实现。这意味着蜜蜂大脑极其高效，仅用少量活跃神经元即可识别物体，从而节省能量和处理能力。

为验证计算模型，研究人员让其接受与真实蜜蜂相同的视觉挑战。在一个关键实验中，模型需区分"加号"和"乘号"符号。当模型模拟真实蜜蜂仅扫描图案下半部分的策略时（该行为在团队先前研究中被观察到），其性能显著提升。

即使使用小型人工神经元网络，模型仍成功展示了蜜蜂识别人脸的机制，突显其视觉处理的强大性和灵活性。

伦敦玛丽女王大学感官与行为生态学教授Lars Chittka补充道："科学家们长期着迷于动物脑容量是否预示智力的问题。但除非了解支撑特定任务的神经计算原理，否则此类推测毫无意义。

"在此我们确定了完成困难视觉辨别任务所需的最少神经元数量，发现即使对于人脸识别等复杂任务，所需数量也惊人地少。这证明昆虫微型大脑具备高级计算能力。"

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。

"我们的新模型将该原理延伸至蜜蜂的高阶视觉处理，揭示了行为驱动扫描如何创建可学习的压缩神经代码。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进化，以最小资源解决复杂视觉任务——为生物学和人工智能提供了强有力的洞见。"

该研究通过整合昆虫行为、脑工作机制及计算模型的发现，展示了研究小型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。