Albinele care înconjoară o regină marcată cu un punct pe spate. Shutterstock

Viața unei albine depinde de recoltarea cu succes a nectarului din flori pentru a face miere. Este incredibil de dificil să decizi care floare este cel mai probabil să ofere nectar.

A face bine necesită cântărirea corectă a indicațiilor subtile despre tipul florii, vârsta și istoricul - cei mai buni indicatori că o floare ar putea conține o picătură mică de nectar. A greși este în cel mai bun caz o pierdere de timp și, în cel mai rău caz, înseamnă expunerea la un prădător letal care se ascunde în flori.

În noi cercetări publicat astăzi în eLife echipa noastră raportează modul în care albinele iau aceste decizii complexe.

Un câmp de flori artificiale

Am provocat albinele cu un câmp de flori artificiale făcute din discuri colorate de carton, fiecare dintre acestea oferind o picătură minusculă de sirop de zahăr. „Florile” de culori diferite variau în ceea ce privește probabilitatea de a oferi zahăr și, de asemenea, diferă în ceea ce privește cât de bine puteau judeca albinele dacă floarea falsă oferă sau nu o recompensă.

Am pus urme minuscule, inofensive de vopsea pe spatele fiecărei albine și am filmat fiecare vizită a unei albine făcute la matricea de flori. Apoi am folosit viziunea computerizată și învățarea automată pentru a extrage automat poziția și calea de zbor a albinei. Din aceste informații, am putea evalua și cronometra cu precizie fiecare decizie luată de albine.

Am descoperit că albinele au învățat foarte repede să identifice cele mai pline de satisfacții flori. Ei au evaluat rapid dacă să accepte sau să respingă o floare, dar în mod surprinzător, alegerile lor corecte au fost în medie mai rapide (0.6 secunde) decât alegerile lor incorecte (1.2 secunde).

Acesta este opusul a ceea ce ne așteptam.

De obicei, la animale – și chiar și în sistemele artificiale – o decizie precisă durează mai mult decât o decizie inexactă. Aceasta se numește compromisul viteză-acuratețe.

Acest compromis se întâmplă deoarece determinarea dacă o decizie este corectă sau greșită depinde de obicei de câte dovezi avem pentru a lua acea decizie. Mai multe dovezi înseamnă că putem lua o decizie mai precisă – dar strângerea dovezilor necesită timp. Deci, deciziile precise sunt de obicei lente, iar deciziile inexacte sunt mai rapide.

Compartimentul viteză-acuratețe apare atât de des în inginerie, psihologie și biologie, încât aproape că l-ai putea numi o „lege a psihofizicii”. Și totuși albinele păreau să încalce această lege.

Singurele alte animale cunoscute că au depășit compromisul viteză-acuratețe sunt oameni și primate.

Cum poate o albină, cu creierul său minuscul, dar remarcabil, să aibă performanțe similare cu primatele?

Albinele evită riscul

Pentru a elimina această întrebare, am apelat la un model de calcul, întrebând ce proprietăți ar trebui să aibă un sistem pentru a depăși compromisul viteză-acuratețe.

Am construit rețele neuronale artificiale capabile să proceseze inputul senzorial, să învețe și să ia decizii. Am comparat performanța acestor sisteme de decizie artificială cu albinele reale. Din aceasta am putea identifica ce trebuie să aibă un sistem dacă ar fi depășit compromisul.

Răspunsul constă în a oferi răspunsuri de „accept” și „respinge” diferite praguri de dovezi legate în timp. Iată ce înseamnă asta – albinele acceptau o floare doar dacă, dintr-o privire, au fost sigur a fost plină de satisfacții. Dacă au avut vreo incertitudine, au respins-o.

Aceasta a fost o strategie adversă față de risc și a însemnat că albinele ar fi putut rata unele flori pline de satisfacții, dar și-a concentrat cu succes eforturile doar asupra florilor cu cele mai bune șanse și cele mai bune dovezi de a le oferi zahăr.

Modelul nostru computerizat despre modul în care albinele luau decizii rapide și precise s-a mapat bine atât cu comportamentul lor, cât și pe căile cunoscute ale creierului albinelor.

Modelul nostru este plauzibil pentru modul în care albinele sunt factori de decizie atât de eficienți și rapidi. În plus, ne oferă un șablon pentru modul în care am putea construi sisteme – cum ar fi roboți autonomi pentru explorare sau minerit – cu aceste caracteristici.

Despre autor

Andrew Barron, Profesor, Universitatea Macquarie

Acest articol este republicat de la Conversaţie sub licență Creative Commons. Citeste Articol original.

ING