微小的蜜蜂大脑可能掌握更智能AI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来收集相关信息（而非依赖庞大的计算机网络）变得更智能、更高效
• 该研究强调了一个重要理念：智能源于大脑、身体与环境协同工作的方式。它证明了即使是微小的昆虫大脑，也能用极少量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来显著提升复杂视觉模式学习与识别准确性的新发现，可能标志着下一代人工智能开发方式的重大变革。

研究人员通过构建计算模型（即蜜蜂大脑的数字版本）发现，蜜蜂飞行时的身体运动方式有助于塑造视觉输入并在大脑中生成独特的电信号。这些运动产生的神经信号使蜜蜂能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）时表现出惊人的准确性。

该模型不仅深化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（而非依赖海量计算能力）变得更智能、更高效。

谢菲尔德大学机器智能中心主任、本研究资深作者James Marshall教授表示："这项研究成功证明，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产物——能执行远超我们此前认知的复杂计算。"

"利用自然界最优秀的智能设计，将为下一代人工智能打开大门，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合作的研究近期发表于eLife期刊。它基于该团队先前对蜜蜂运用主动视觉（即通过运动帮助收集和处理视觉信息的过程）的研究。早期工作观察到蜜蜂如何环绕飞行并检查特定图案，而新研究则深入揭示了驱动该行为的底层大脑机制。

蜜蜂复杂的视觉模式学习能力（如区分人脸）虽早有认知；但本研究新发现揭示了传粉昆虫为何能以看似简单的方式高效导航世界。

主要作者、谢菲尔德大学研究员HaDi MaBouDi博士表示："先前研究中，我们发现蜜蜂采用巧妙的扫描捷径解决视觉谜题，这令我们着迷。但那仅揭示了它们的做法；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实现优化，这支持了'智能源于大脑、身体与环境协同作用'的理论。"

"我们发现，尽管蜜蜂大脑仅芝麻籽大小，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、以最少资源解决复杂问题的完美例证。这对生物学和人工智能均有重大启示。"

模型显示，随着神经网络通过反复接触各种刺激逐渐适应，蜜蜂神经元会精准调谐至特定方向和运动，无需依赖关联或强化机制即可优化响应。这使得蜜蜂大脑仅需在飞行中观察就能适应环境，无需即时奖励。这意味着其大脑效率极高，仅用少量活跃神经元即可识别物体，同时节省能量与算力。

为验证计算模型，研究人员让其接受真实蜜蜂遭遇的相同视觉挑战。在关键实验中，模型需区分'加号（+）'和'乘号（×）'符号。当模型模拟真实蜜蜂的策略（仅扫描图案下半部分——研究团队在先前实验中观察到此行为）时，其性能显著提升。

即使采用小型人工神经网络，模型仍成功展示了蜜蜂识别人脸的能力，凸显其视觉处理的强度与灵活性。

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能否预测动物智力的问题。但若不理解支撑特定任务的神经计算机制，此类推测毫无意义。"

"我们在此确定了完成复杂视觉辨别任务所需的最少神经元数量，发现即使人脸识别等复杂任务，所需数量也惊人地少。因此昆虫微型大脑完全能进行高级计算。"

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。"

"我们的新模型将该原理延伸至蜜蜂的高级视觉处理过程，揭示行为驱动的扫描如何创建可学习的压缩神经编码。这些发现共同支持了统一框架：感知、行动与大脑动力学协同进化，以最少资源解决复杂视觉任务——为生物学和人工智能提供了强大见解。"

该研究整合了昆虫行为、大脑工作机制及计算模型成果，展示了研究小型昆虫大脑如何能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，更为开发新技术提供了重要启示。