谢菲尔德大学的一项研究表明，蜜蜂如何利用飞行运动促进复杂视觉模式的精准学习与识别这一全新发现，可能标志着下一代人工智能（AI）开发方式的重大变革。

谢菲尔德大学构建了蜜蜂大脑的数字模型，解释了这些运动如何产生清晰高效的大脑信号，使蜜蜂能够轻松理解所见事物。

这一发现可能彻底改变AI和机器人技术，表明未来的机器人无需依赖庞大的计算机网络，而是通过运动收集相关信息，从而变得更智能、更高效。

该研究强调了一个重要观点：智能源于大脑、身体与环境的协同作用。它证明，即便是微小的昆虫大脑，也能通过极少的脑细胞解决复杂视觉任务，这对生物学和AI领域均具有重大意义。

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中移动身体的方式如何塑造视觉输入，并在其大脑中产生独特的电信号。这些运动生成的神经信号使蜜蜂能轻松高效地识别周围世界中可预测的特征。这种能力使蜜蜂在飞行中对复杂视觉模式（如花朵）的学习和识别表现出极高的准确性。

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，更为下一代AI铺平了道路。它表明，未来机器人可通过运动收集信息，而非依赖强大计算能力，从而变得更智能、更高效。

谢菲尔德大学机器智能中心主任、该研究的资深作者詹姆斯·马歇尔（James Marshall）教授表示：“在这项研究中，我们成功证明，即便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，一个小型高效的系统——尽管是数百万年进化的结果——能够执行比我们之前认为更复杂的计算。”

“借鉴自然界最精妙的智能设计，为下一代AI打开了大门，推动机器人技术、自动驾驶汽车和现实世界学习的进步。”

这项研究由谢菲尔德大学与伦敦玛丽女王大学合作完成，近期发表于《eLife》期刊。它建立在团队先前关于蜜蜂如何利用主动视觉（即通过运动收集和处理视觉信息的过程）的研究基础之上。虽然早期研究观察了蜜蜂如何围绕特定模式飞行和检查，但这项新研究更深入地揭示了驱动该行为的潜在大脑机制。

蜜蜂复杂的视觉模式学习能力（如区分人脸）早已为人所知，然而该研究成果为传粉昆虫如何以看似简单的效率导航世界提供了新视角。

该研究的第一作者、谢菲尔德大学研究员哈迪·马布迪（HaDi MaBouDi）博士说：“在先前的研究中，我们惊奇地发现蜜蜂采用一种巧妙的扫描捷径来解决视觉难题。但那只告诉我们它们做了什么；在这项研究中，我们想弄明白它们是如何做到的。”

“我们的蜜蜂大脑模型表明，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飞行运动的主动交互来优化处理，这支持了‘智能源于大脑、身体与环境协同作用’的理论。”

“我们了解到，尽管蜜蜂的大脑不比芝麻大，但它们不仅仅是被动地看世界——它们通过运动主动塑造所见事物。这是一个绝佳例子，展示了行动与感知如何深度交织，以最少的资源解决复杂问题。这对生物学和AI领域都具有重大意义。”

模型显示，随着蜜蜂大脑网络通过反复接触各种刺激逐渐适应，其神经元会对特定方向和运动进行精细调整，无需依赖联想或强化即可优化反应。这使得蜜蜂的大脑只需在飞行中观察就能适应环境，无需即时奖励。这意味着大脑效率极高，仅需少量活跃神经元即可识别事物，同时节省能量和处理能力。

为验证计算模型，研究人员让其面临与真实蜜蜂相同的视觉挑战。在一项关键实验中，模型被要求区分“加号”和“乘号”。当模仿真实蜜蜂仅扫描图案下半部分的策略（研究团队在先前研究中观察到的行为）时，模型表现出显著提升的性能。

即使仅使用小型人工神经元网络，该模型也成功展示了蜜蜂如何识别人脸，突显了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拉尔斯·奇特卡（Lars Chittka）补充道：“科学家们一直对‘大脑大小是否能预测动物智能’这一问题着迷。但除非了解支撑特定任务的神经计算机制，否则此类推测毫无意义。”

“在这里，我们确定了完成复杂视觉辨别任务所需的最小神经元数量，发现即便是人脸识别等复杂任务，所需数量也少得惊人。因此，昆虫的微型大脑能够进行高级计算。”

谢菲尔德大学生物科学学院和神经科学研究所的系统神经科学教授米科·尤索拉（Mikko Juusola）表示：“这项研究进一步证明，动物并非被动接收信息——它们主动塑造信息。”

“我们的新模型将这一原理扩展到蜜蜂的高阶视觉处理，揭示了行为驱动的扫描如何产生压缩的、可学习的神经编码。这些发现共同支持了一个统一框架：感知、行动和大脑动态协同进化，以最少的资源解决复杂视觉任务——为生物学和AI领域提供了深刻见解。”

通过整合昆虫行为、大脑运作机制和计算模型的研究结果，该研究展示了研究小型昆虫大脑如何揭示智能的基本规则。这些发现不仅加深了我们对认知的理解，还对新技术的开发具有重要意义。