如果你问某个英国计算机科学家团队，“蜂巢的智慧”不仅仅是一个诗意的措辞。事实上，这些研究人员研究了蜜蜂的大脑，以开发一种新型的决策机器智能。
虽然蜜蜂的生活表面上看起来很简单——在空气中飞翔，采集花蜜并为它们着陆的植物授粉——但这些看似随机的行为背后的决策过程比表面上看到的要复杂得多。在蜜蜂神经网络内部，一种基本的操作模式似乎可以在几秒钟内高精度地识别理想的花朵目标，此时蜜蜂就会嗡嗡地开始新的盛宴。而这一切都发生在一个只有芝麻粒大小、神经元数量不足 100 万个的大脑内。
“令人惊讶的是，蜜蜂的决策不仅具有高度适应性和准确性，而且在做出选择时速度也更快。”—HaDi MaBouDi，Opteran Technologies
HaDi MaBouDi是Opteran Technologies的高级研究员，这是一家由谢菲尔德大学剥离出来的大脑仿生初创公司，也是这项新研究的合著者。马布迪说，他和同事们之所以被吸引去研究蜜蜂决策背后的过程，是因为人工系统可能会学到一些教训。
他说:“计算决策通常在适应性、速度、准确性和风险规避方面存在不足，尤其是在资源有限的情况下——而这些品质正是蜜蜂所具备的。” “通过整合源自生物模型的原理，人工智能系统有潜力提高其效率、稳健性和风险规避能力。”
为了更好地了解到底是什么在改变蜜蜂大脑中的齿轮，研究小组首先观察了 20 只蜜蜂在人造花园中探索颜色编码的花朵时的行为。这些花中含有糖浆、苦味汤力水和蒸馏水的混合物。在多次试验中观察蜜蜂的选择后，马布迪和同事发现蜜蜂正在以违背常理的方式做出决定。
“令人惊讶的是，蜜蜂的决定不仅具有高度适应性和准确性，而且与错误选择相比，正确选择的速度更快，”他说。“这与在动物和人工系统中观察到的典型速度与准确度权衡相矛盾，在这些系统中，准确的决策往往比不准确的决策花费更长的时间……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。”
而这一切都发生在一个只有芝麻粒大小、神经元数量不足 100 万个的大脑内。
这意味着蜜蜂在瞬间对花朵做出的决定比它们花更长时间考虑的决定更准确。论文合著者詹姆斯·马歇尔表示，这种自信的“低级”决策可以减少人工系统所需的训练和规则管理量，从而使人工系统受益。马歇尔是谢菲尔德大学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并行决策路径的模型——一个用于接受，一个用于拒绝。与蜜蜂的生物神经网络一样，这些通路被设计为具有适应性，并权衡刺激的质量以帮助它们做出决定。该模型还保留了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。
“特别重要的是模仿蜜蜂的风险规避策略，只有当它们确信花朵会提供奖励时才会接受花朵，否则就会拒绝它，”马布迪说。“这种策略使蜜蜂能够将精力集中在最有可能获取花蜜的花朵上。”
为了了解他们的模型对蜜蜂的效果如何，团队对其进行了 25 次随机高奖励和低奖励刺激试验。他们发现该模型的反应率与真实蜜蜂的反应率相当，甚至类似于蜜蜂大脑的物理布局。马布迪说，这并不一定意味着他们的模型完全忠实地模仿了蜜蜂的大脑。
“鉴于生物大脑和计算模型之间的规模存在显着差异，在与蜜蜂大脑大小相当的硬件上直接实现这样的模型的可能性极小，”他说。“[但是]关注关键原则和机制可以创建智能且高效的系统，这些系统在可用硬件的限制内表现出类似的决策能力。”
MaBouDi、Marshall 和同事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（例如用于采矿或搜救的机器人）导航不熟悉的地形并做出自适应安全决策方面发挥重要作用。
马歇尔说，蜜蜂只是一个开始。Opteran 正在积极研究其他类型的昆虫大脑，以了解自然界中可能隐藏着哪些其他解决人工智能、机器人和计算机科学问题的方法。
“我们现在的任务是越来越多地了解昆虫大脑以及它如何产生其行为，特别是对于一些最有趣的昆虫物种，例如社会性昆虫，例如蚂蚁，”他说。“例如，个体昆虫如何相互作用可能有助于我们为自主仓库机器人车队提出更好的交通管理行为。”
