Mehiläiset, jotka ympäröivät mehiläiskuningatar, jonka selässä on piste. Shutterstock
Hunajamehiläisen elämä riippuu siitä, että se kerää onnistuneesti nektaria kukista hunajan valmistamiseksi. On uskomattoman vaikeaa päättää, mikä kukka todennäköisimmin tarjoaa nektaria.
Oikein saaminen edellyttää kukkatyypin, iän ja historian hienovaraisten vihjeiden punnitsemista – parhaat indikaattorit, joissa kukka voi sisältää pienen pisaran nektaria. Sen väärin saaminen on parhaimmillaan ajanhukkaa, ja pahimmillaan se tarkoittaa altistumista kukissa piileskelevälle tappavalle petoeläimelle.
Uudessa tutkimuksessa julkaistu tänään eLifessa tiimimme raportoi, kuinka mehiläiset tekevät nämä monimutkaiset päätökset.
Tekokukkien kenttä
Haastoimme mehiläiset värillisistä korttilevyistä tehdyllä tekokukilla, joista jokainen tarjosi pienen pisaran sokerisiirappia. Eriväriset "kukat" vaihtelivat todennäköisyydessään tarjota sokeria ja erosivat myös siinä, kuinka hyvin mehiläiset pystyivät arvioimaan, tarjosiko väärennöskukka palkkion vai ei.
Laitoimme pieniä, harmittomia maalijälkiä jokaisen mehiläisen selkään ja kuvasimme joka käynnin kukkasarjaan tehdyn mehiläisen. Käytimme sitten tietokonenäköä ja koneoppimista poimimaan automaattisesti mehiläisen sijainnin ja lentoradan. Näiden tietojen perusteella pystyimme arvioimaan ja ajoittamaan tarkasti mehiläisten jokaisen yksittäisen päätöksen.
Huomasimme, että mehiläiset oppivat hyvin nopeasti tunnistamaan palkitsevimmat kukat. He arvioivat nopeasti, hyväksyisivätkö vai hylkäävätkö kukan, mutta hämmentävänä heidän oikeat valinnansa olivat keskimäärin nopeampia (0.6 sekuntia) kuin heidän väärät valinnansa (1.2 sekuntia).
Tämä on päinvastoin kuin odotimme.
Yleensä eläimillä – ja jopa keinotekoisissa järjestelmissä – tarkka päätös kestää kauemmin kuin epätarkka päätös. Tätä kutsutaan nopeuden ja tarkkuuden kompromissi.
Tämä kompromissi tapahtuu, koska sen määrittäminen, onko päätös oikea vai väärä, riippuu yleensä siitä, kuinka paljon todisteita meillä on päätöksen tekemiseksi. Enemmän todisteita tarkoittaa, että voimme tehdä tarkemman päätöksen – mutta todisteiden kerääminen vie aikaa. Tarkat päätökset ovat siis yleensä hitaita ja epätarkat päätökset nopeampia.
Nopeuden ja tarkkuuden kompromissi tapahtuu niin usein tekniikassa, psykologiassa ja biologiassa, että sitä voisi melkein kutsua "psykofysiikan laiksi". Ja silti mehiläiset näyttivät rikkovan tätä lakia.
Ainoat muut eläimet, joiden tiedetään voittavan nopeuden ja tarkkuuden kompromissin ovat ihmisiä ja kädellisiä.
Kuinka sitten mehiläinen, jolla on pienet, mutta merkittävät aivot, voi toimia kädellisten kanssa?
Mehiläiset välttävät riskin
Tämän kysymyksen purkamiseksi käännyimme laskennalliseen malliin, jossa kysyttiin, mitä ominaisuuksia järjestelmä tarvitsee voittaakseen nopeuden ja tarkkuuden kompromissin.
Rakensimme keinotekoisia hermoverkkoja, jotka pystyvät käsittelemään aistisyötteitä, oppimaan ja tekemään päätöksiä. Vertasimme näiden keinotekoisten päätösjärjestelmien suorituskykyä todellisiin mehiläisiin. Tämän perusteella voimme tunnistaa, mitä järjestelmällä on oltava, jos se voittaa kompromissin.
Vastaus löytyi antamalla "hyväksy" ja "hylkää" vastaukset eri aikarajat todisteiden kynnykset. Tässä on mitä se tarkoittaa – mehiläiset hyväksyivät kukan vain, jos ne yhdellä silmäyksellä hyväksyivät varma se oli palkitsevaa. Jos heillä oli epävarmuutta, he hylkäsivät sen.
Tämä oli riskejä välttelevä strategia ja tarkoitti, että mehiläiset saattoivat jäädä paitsi joistakin palkitsevista kukista, mutta se keskitti onnistuneesti ponnistelunsa vain kukkiin, joilla oli parhaat mahdollisuudet ja parhaat todisteet tarjota niille sokeria.
Tietokonemallimme siitä, kuinka mehiläiset tekivät nopeita, tarkkoja päätöksiä, kartoitettiin hyvin sekä heidän käyttäytymiseensä että mehiläisten aivojen tunnettuihin reitteihin.
Mallimme on uskottava sille, kuinka mehiläiset ovat niin tehokkaita ja nopeita päätöksentekijöitä. Lisäksi se antaa meille mallin, kuinka voimme rakentaa järjestelmiä – kuten itsenäisiä robotteja etsintä- tai kaivostoimintaa varten – näillä ominaisuuksilla.
Author
Andrew Barron, Professori, Macquarien yliopisto
Tämä artikkeli julkaistaan uudelleen Conversation Creative Commons -lisenssin alla. Lue alkuperäinen artikkeli.
ta
