Otak Lebah Menginspirasi AI dan Robotika yang Lebih Cerdas

Lebah, penyerbuk terbesar di dunia, merupakan bagian penting dari keanekaragaman hayati yang menjadi tumpuan langsung kelangsungan hidup manusia.

Serangga bersayap ini terutama dikenal sebagai penyedia makanan berkualitas tinggi 'like' madu serta lilin lebah, propolis, serbuk sari, dan jeli, di antara produk lainnya. Yang lebih penting, mereka bertanggung jawab atas penyerbukan tanaman berbunga yang tak terhitung jumlahnya, termasuk sebagian besar tanaman pangan dunia, yang memungkinkan tanaman bereproduksi dan menghasilkan buah-buahan, sayur-sayuran, dan biji-bijian. 

Untuk mencapai hal ini, lebah menggunakan tubuh berbulu mereka dan memindahkan serbuk sari dari satu bunga ke bunga lainnya.

Meskipun lebah tidak sendirian dalam hal ini, seperti burung, monyet, dan bahkan manusia yang melakukan penyerbukan, lebah tentu saja merupakan yang paling umum penyerbuk. It diperkirakan bahwa lebih dari 87% dari semua spesies tumbuhan berbunga bergantung pada hewan, dengan lebah menjadi kelompok utama untuk penyerbukan, layanan ekosistem penting yang vital bagi keanekaragaman hayati dan ketahanan pangan.

Lebah sebenarnya adalah serangga yang sangat cerdas, dan orang-orang telah mempelajari perilaku, tingkah laku, dan interaksi sosial mereka untuk memahami kesehatan ekosistem, perubahan lingkungan, dan meningkatkan efisiensi penyerbukan tanaman.

Selain itu, lebah digunakan sebagai model untuk memahami perilaku kooperatif dan memetakan bagaimana otak kecil mengoordinasikan tugas sosial yang kompleks. 

Para ilmuwan juga mengambil inspirasi dari lebah untuk memajukan teknologi. Misalnya, strategi navigasi dan komunikasi mereka. diterapkan hingga teknologi drone. Perilaku lebah juga telah menginspirasi robotika, algoritma, dan AI.

Sehubungan dengan itu, para peneliti kini telah menemukan bahwa lebah menggunakan gerakan terbangnya untuk meningkatkan sinyal otak, yang memungkinkan mereka mempelajari dan mengenali pola visual yang kompleks dengan akurasi yang tinggi. 

Persepsi berbasis gerakan ini, menurut studi baru, dapat merevolusi pengembangan AI dan robotika generasi berikutnya dengan menonjolkan efisiensi atas daya komputasi besar-besaran.

Kecerdasan Lebah: Apa yang Diajarkan Otak Kecil kepada Kita tentang AI

Kemampuan belajar visual lebah sungguh luar biasa. Kredensial mikro Hal ini terbukti dari fakta bahwa mereka dapat belajar mengasosiasikan warna dengan hadiah serta mengidentifikasi fitur-fitur spesifik untuk mengklasifikasikan pola visual. Mereka bahkan telah menunjukkan kemampuan untuk memahami konsep abstrak dan menyelesaikan tugas-tugas numerik dengan memindai elemen-elemen dalam suatu stimulus secara berurutan. 

Konsep dasar dalam ilmu kognitif, numerik mengacu pada jumlah item dalam satu set. dan is biasanya dipelajari dalam konteks persepsi visual, yang merujuk pada kemampuan untuk memahami dengan cepat jumlah objek dalam suatu pemandangan tanpa menghitungnya. 

Dengan demikian, tugas berhitung menganalisis kemampuan bawaan otak untuk memahami dan memperkirakan kuantitas.

Jadi, lebah jelas memiliki kemampuan luar biasa, yang menjadikan mereka model hewan yang berharga untuk mengeksplorasi prinsip-prinsip pembelajaran visual dengan menganalisis respons perilaku mereka.

Tapi masalahnya adalah, itu masih belum benar-benar dikenal hanya bagaimana lebah mampu mengidentifikasi pola yang rumit dan memahami kompleksitas dunia di sekitar mereka saat mencari makan, mengingat kepekaan visual mereka yang dianggap rendah dan sumber daya saraf yang terbatas.

Neuron sensorik visual adalah sebenarnya dianggap berkembang untuk memanfaatkan keteraturan dalam pemandangan alam. Misalnya, penelitian telah menunjukkan bahwa jalur sensori dan perilaku serangga yang terkait dengannya beradaptasi secara dinamis terhadap kondisi sekitar yang berbeda. Respons disesuaikan berdasarkan data masukan 'like' frekuensi spasial, kontras, dan korelasi spasiotemporal. 

Ketika berbicara tentang strategi pengambilan sampel aktif, di mana hewan terus-menerus memindai lingkungan mereka untuk mengekstrak informasi visual dari waktu ke waktu, perilaku seperti itu telah telah diamati secara luas lintas spesies. 

Sementara primata menggunakan gerakan mata untuk meningkatkan resolusi spasial dan meningkatkan pengkodean rangsangan alami, serangga menggunakan strategi yang melibatkan gerakan kepala dan tubuh atau gerakan tertentu. lintasan pendekatan.

Dalam kasus lebah, mereka cenderung bergantung pada penglihatan aktif dan pengambilan sampel berurutan untuk membangun representasi saraf yang kuat dan tangguh terhadap lingkungan sekitarnya. 

Strategi-strategi ini memainkan peran Bagian kunci dalam pemrosesan visual awal, mengurangi redundansi dan penyusunan itu encoding rangsangan visual lebih efisien. Tapi sekali lagi, pemahaman kita tentang bagaimana mekanisme ini mengizinkan lebah untuk mendeteksi keteraturan visual, mengatasi kendala representasi, dan menyelesaikan tugas-tugas kompleks masih miskin.

Menurut penelitian terbaru, memahami strategi ini sangat penting untuk mengungkap prinsip dasar penglihatan serangga dan implikasinya yang lebih luas terhadap pemrosesan visual di seluruh sistem biologis dan buatan.

Jadi, membangun pada penelitian mereka sebelumnya, yang menilai jalur penerbangan lebah selama tugas visual sederhana¹, para peneliti sekarang melihat ke dalam elemen sirkuit utama yang berkontribusi pada penglihatan aktif dalam mengenali pola akromatik.

Tujuan utama penelitian ini adalah untuk menentukan bagaimana perilaku pemindaian lebah berkontribusi terhadap organisasi dan konektivitas neuron di lobus visual mereka.

Para peneliti dari Universitas Sheffield berhipotesis bahwa perilaku pemindaian telah beradaptasi untuk mengambil sampel fitur visual kompleks dengan cara yang mengkodekannya secara lebih efisien dalam neuron lobula. Hal ini, pada gilirannya, memfasilitasi representasi unik yang mendukung pembelajaran di otak kecil lebah. Untuk menguji hipotesis ini, mereka mengembangkan model neuromorfik lobus optik lebah.

Para peneliti memasukkan prinsip pengkodean melalui model baru plastisitas non-asosiatif. Kredensial mikro memungkinkan model tersebut untuk mengatur sendiri konektivitasnya dalam lobus visual, sehingga menciptakan representasi lingkungan yang efisien dan mengarah pada munculnya sel-sel selektif orientasi, yang penting untuk mengodekan pemandangan visual yang kompleks.

Kerangka kerja pemrosesan visual semakin ditingkatkan by mempekerjakan modul lain untuk pengambilan keputusan, yang mengambil inspirasi dari mekanisme pembelajaran asosiatif serangga.

Simulasi para peneliti mengungkapkan bahwa sebagian kecil neuron lobula, yang sensitif terhadap orientasi dan kecepatan tertentu, dapat memampatkan lingkungan visual yang kompleks menjadi representasi yang dinyatakan sebagai laju tembakan. Representasi yang jarang ini secara efektif membedakan antara pola tambah dan perkalian, yang menyoroti penerapan model yang lebih luas.

Pemahaman yang diperoleh dalam penelitian ini dapat membantu memajukan pemahaman kita tentang penglihatan dan kognisi biologis. dan menginspirasi pengembangan model komputasi baru untuk tugas pengenalan visual, menyatakan itu penelitian.

Bagaimana Visi yang Terinspirasi Lebah Membentuk Robotika dan AI

Studi terbaru, upaya kolaboratif dengan Queen Mary University of London dan diterbitkan dalam jurnal eLife, rinci a model digital otak mini lebah².

Teknologi ini memanfaatkan cara mengejutkan serangga ini menggabungkan otak dan tubuh mereka untuk membantu memajukan teknologi dan menjadikan robot masa depan lebih cerdas dan efisien. Layaknya lebah yang menggunakan gerakan terbangnya untuk menciptakan sinyal otak yang jernih dan menyederhanakan tugas visual yang kompleks, teknologi generasi mendatang ini juga dapat mengumpulkan informasi relevan melalui gerakan, alih-alih bergantung pada daya komputasi yang besar.

Bagaimanapun, penelitian telah menunjukkan bahwa otak serangga kecil sekalipun mampu memecahkan tugas visual yang rumit. 

Fakta bahwa sedikit sel otak dapat melakukan begitu banyak hal berarti kecerdasan bukan sekadar urusan otak, tetapi hasil kerja otak, tubuh, dan lingkungan secara kohesif. 

Membangun digital versi otak lebah membantu peneliti menemukan bahwa cara lebah menggerakkan tubuh mereka selama terbang membantu masukan visual bentuk mereka. Gerakan-gerakan ini juga menghasilkan sinyal-sinyal listrik unik di otak mereka, yang memungkinkan mereka untuk mengidentifikasi fitur-fitur yang dapat diprediksi di sekitar mereka dengan mudah dan efisien.

Kredensial mikro showcase lebah' akurasi luar biasa dalam mempelajari dan mengidentifikasi pola visual yang rumit selama penerbangan.

"Dalam studi ini, kami berhasil menunjukkan bahwa otak terkecil sekalipun dapat memanfaatkan gerakan untuk memahami dunia di sekitar mereka. Ini menunjukkan kepada kita bahwa sistem yang kecil dan efisien—meskipun merupakan hasil evolusi jutaan tahun—dapat melakukan komputasi yang jauh lebih rumit daripada yang kita duga sebelumnya."

– Penulis senior studi ini, Profesor James Marshall, Direktur Pusat Kecerdasan Mesin di Universitas Sheffield

By leveraging Desain terbaik alam untuk kecerdasan, Marshall mencatat, hal ini membuka jalan bagi “generasi AI berikutnya, yang mendorong kemajuan dalam robotika, kendaraan self-driving, dan pembelajaran di dunia nyata.”

Sebagaimana telah disebutkan sebelumnya, studi ini melanjutkan penelitian mereka sebelumnya tentang bagaimana lebah menggunakan penglihatan aktif, di mana gerakan mereka membantu mengumpulkan dan memproses informasi visual. Penelitian terbaru ini mengkaji lebih dalam mekanisme otak yang mendasari perilaku mereka dalam terbang dan mengamati pola-pola tertentu.

"Dalam penelitian kami sebelumnya, kami terpesona menemukan bahwa lebah menggunakan pintasan pemindaian yang cerdas untuk memecahkan teka-teki visual. Namun, hal itu hanya memberi tahu kami apa yang mereka lakukan; untuk penelitian ini, kami ingin memahami caranya."

– Penulis utama, Dr. HaDi MaBouDi dari Universitas Sheffield

Visual tingkat lanjut belajar pola kemampuan lebah memiliki sebenarnya menjadi panjang dipahami. Kredensial mikro termasuk kemampuan mereka untuk membedakan wajah manusia, tetapi tidak mengenai bagaimana mereka menjelajahi dunia dengan efisiensi seperti itu.

Model otak lebah kami menunjukkan bahwa sirkuit sarafnya dioptimalkan untuk memproses informasi visual tidak secara terpisah, tetapi melalui interaksi aktif dengan gerakan terbangnya di lingkungan alami.

– MaBouDi

Dan ini, katanya, mendukung teori bahwa kecerdasan muncul dari interaksi otak, tubuh, dan lingkungan yang bekerja sama.

"Kami telah mempelajari bahwa lebah, meskipun otaknya tak lebih besar dari biji wijen, tidak hanya melihat dunia – mereka secara aktif membentuk apa yang mereka lihat melalui gerakan mereka. Ini adalah contoh indah tentang bagaimana tindakan dan persepsi saling terkait erat untuk memecahkan masalah kompleks dengan sumber daya minimal." Kredensial mikro adalah sesuatu yang memiliki implikasi besar bagi biologi dan AI.”

– MaBouDi

Model yang dibangun melalui upaya kolaboratif ini menunjukkan bahwa neuron lebah menjadi sangat peka terhadap gerakan dan arah tertentu seiring otak mereka beradaptasi secara perlahan melalui paparan berulang terhadap berbagai stimulus. Hal ini meningkatkan respons mereka tanpa harus bergantung pada asosiasi atau penguatan.

Artinya, otak lebah beradaptasi dengan lingkungannya hanya melalui pengamatan saat terbang, tanpa memerlukan imbalan langsung.

Semua ini dilakukan hanya dengan beberapa neuron, yang menghemat energi dan daya pemrosesan, menjadikan otak mereka sangat efisien. Kini, untuk menguji model tersebut, tim peneliti memberikan tantangan visual yang sama seperti yang dihadapi lebah sungguhan. Dalam hal ini, model komputasi harus membedakan antara tanda 'plus' dan tanda 'perkalian'.

Saat meniru strategi lebah sungguhan, dengan hanya memindai separuh bagian bawah pola, model tersebut memperlihatkan peningkatan kinerja yang signifikan. 

Selain itu, model ini berhasil menunjukkan hanya bagaimana lebah dapat mengenali wajah manusia, hanya menggunakan jaringan kecil neuron buatan, menekankan fleksibilitas dan itu kekuatan pemrosesan visual mereka.

"Para ilmuwan terpesona oleh pertanyaan apakah ukuran otak memprediksi kecerdasan pada hewan. Namun, spekulasi semacam itu tidak masuk akal kecuali kita mengetahui komputasi saraf yang mendasari suatu tugas," kata Profesor Lars Chittka, Profesor Ekologi Sensorik dan Perilaku di Queen Mary University of London. "Di sini kami menentukan jumlah minimum neuron yang diperlukan untuk tugas diskriminasi visual yang sulit dan menemukan bahwa jumlahnya sangat kecil, bahkan untuk tugas-tugas kompleks seperti pengenalan wajah manusia. Dengan demikian, mikrootak serangga mampu melakukan komputasi tingkat lanjut."

So, Ini cara, itu belajar menambahkan bukti bahwa hewan tidak hanya menerima informasi secara pasif. Faktanya, mereka sedang aktif mengerjakannya.

Lebah, khususnya, memiliki pemrosesan visual tingkat tinggi, dan model tersebut mengungkapkan bagaimana pemindaian yang didorong oleh perilaku dapat menciptakan kode saraf yang terkompresi dan dapat dipelajari.

“Secara keseluruhan, temuan-temuan ini mendukung kerangka kerja terpadu yang menyatukan persepsi, tindakan, dan dinamika otak untuk memecahkan tugas-tugas visual yang kompleks dengan sumber daya minimal – memberikan wawasan yang kuat bagi biologi dan AI.”

– Profesor Mikko Juusola, Profesor Ilmu Saraf Sistem dari Sekolah Ilmu Hayati dan Institut Ilmu Saraf Universitas Sheffield

Klik di sini untuk mempelajari bagaimana AI dapat membantu melindungi lebah madu dari tawon Asia.

Geser untuk menggulir →

Berinvestasi dalam Teknologi AI

Di dunia AI dan robotika, Qualcomm (QCOM ) adalah dikenal nama yang telah mengeksplorasi neuromorfik dan tepi-AI Teknologi. 

Lebih dari satu dekade lalu, Qualcomm merilis prosesor Qualcomm Zeroth untuk meniru persepsi dan pembelajaran manusia, layaknya otak biologis. Selain pembelajaran yang terinspirasi oleh biologi, tujuannya adalah untuk mereplikasi efisiensi otak kita dalam mengomunikasikan informasi dan menstandardisasi arsitektur pemrosesan baru yang disebut Neural Processing Unit (NPU).

Sementara itu, Platform Robotika RB6 yang digerakkan oleh AI, mendukung robotika dan mesin cerdas generasi berikutnya, termasuk robot pengiriman, robot bergerak otonom (AMR), pesawat UAM, robot manufaktur, solusi pertahanan otonom, dan masih banyak lagi. Platformnya sedang mengantarkan hemat daya, canggih tepi-AI komputasi dan pemrosesan video dengan konektivitas 5G untuk robot

Qualcomm terutama terlibat dalam pengembangan teknologi dasar untuk industri nirkabel, termasuk konektivitas nirkabel 3G, 4G, 5G, dan komputasi berkinerja tinggi dan daya rendah.

Klik di sini untuk mempelajari semua tentang investasi dalam kecerdasan buatan (AI).

Qualcomm (QCOM )

Melihat kinerja pasar Qualcomm, saham perusahaan dengan kapitalisasi pasar $171.67 miliar itu saat ini diperdagangkan pada harga $159.54, naik 3.6% sejauh tahun ini.

Meskipun kinerja tahun ini kurang memuaskan, kinerja ini mengikuti lonjakan QCOM yang melampaui $215 pada Juni tahun lalu. EPS (TTM)-nya berada di angka 10.36, P/E (TTM) di angka 15.36, dan ROE (TTM) di angka 44.62%, sementara pemegang saham mendapatkan keuntungan dari imbal hasil dividen sebesar 2.24%.

Di sisi keuangan, pembuat chip nirkabel melaporkan peningkatan pendapatan sebesar 10% menjadi $10.4 miliar untuk kuartal fiskal ketiga yang berakhir pada 29 Juni 2025.

Didorong oleh kekuatan di lini ponsel, IoT, dan otomotif, pendapatan QCT melonjak 11% YoY menjadi $9 miliar, sementara pendapatan EBT melonjak 22% menjadi $2.7 miliar. Sementara itu, pendapatan gabungan QCT Otomotif dan IoT naik 23% YoY menjadi $2.7 miliar.

EPS non-GAAP perusahaan naik 19% YoY menjadi $2.77.

Menurut CEO Cristiano Amon:

Pertumbuhan pendapatan QCT Automotive dan IoT yang kuat di kuartal ini semakin memvalidasi strategi diversifikasi dan keyakinan kami dalam mencapai target pendapatan jangka panjang. Kepemimpinan kami dalam pemrosesan AI, komputasi berkinerja tinggi dan berdaya rendah, serta konektivitas canggih memposisikan kami untuk menjadi platform pilihan industri seiring dengan peningkatan skala AI di edge.

Selama kuartal tersebut, Qualcomm mengembalikan $3.8 miliar kepada pemegang saham, yang mencakup $967 juta, atau $0.89 per saham, dividen tunai dan $2.8 miliar pembelian kembali saham.

Baru-baru ini, Qualcomm meluncurkan Dragonwing Q-6690 untuk pelanggan perusahaannya, kurang dari enam bulan setelah peluncurannya rangkaian produk Dragonwing. Perusahaan tersebut mengklaim chipset tersebut sebagai prosesor seluler pertama di dunia yang dilengkapi kemampuan RFID frekuensi ultra tinggi.

Dengan solusi infrastruktur IoT, jaringan, dan seluler industri dan tertanamnya, perusahaan bertujuan untuk memanfaatkannya untuk menyederhanakan kompleksitas, mengoptimalkan efisiensi operasional, dan memberdayakan pengambilan keputusan yang lebih cerdas.

Di tengah-tengah ini, perusahaan AI Arab Saudi, Humain, telah mulai membangun pusat data pertamanya di Riyadh dan Dammam, yang telah bermitra dengannya dengan Qualcomm dan AMD, Cisco, dan Groq. Perusahaan berencana membangun kapasitas pusat data sebesar 1.9 GW pada akhir dekade ini.

Qualcomm Terbaru (QCOM) Berita dan Perkembangan Saham

Kesimpulan

Hewan telah lama menginspirasi teknologi, dan kini lebah menunjukkan kepada kita bahwa kecerdasan bukan tentang ukuran otak, melainkan tentang efisiensi, kemampuan beradaptasi, dan integrasi yang mulus antara tubuh, otak, dan lingkungan. Pelajaran-pelajaran ini dapat membantu mentransformasi desain AI.

AI adalah salah satu bidang yang paling maju dan berkembang pesat saat ini, menarik perhatian, modal, dan pengembangan yang signifikan. Namun, penskalaan model masif membutuhkan biaya mahal, energi yang besar, dan tidak berkelanjutan. Dalam hal ini, penelitian yang terinspirasi oleh lebah menawarkan alternatif: jaringan saraf kecil dan efisien yang dapat mencapai lebih banyak hal dengan sumber daya yang lebih sedikit.

Dengan mempelajari penglihatan aktif dan strategi saraf kompak lebah, kita dapat membangun AI dan robotika futuristik yang lebih cepat dan lebih mumpuni.

Klik di sini untuk mempelajari apakah penyerbuk robotik dapat berperan dalam pertanian vertikal.

Referensi:

1. MaBouDi, H., Richter, J., Guiraud, M.-G., Roper, M., Marshall, JAR, & Chittka, L. Penglihatan aktif lebah dalam tugas diskriminasi pola sederhana. eLife, 14, e106332, diterbitkan 20 Februari 2025. https://doi.org/10.7554/eLife.106332
2. MaBouDi, H., Roper, M., Guiraud, M.-G., Juusola, M., Chittka, L., & Marshall, JAR Model neuromorfik penglihatan aktif menunjukkan bagaimana pengkodean spasiotemporal dalam neuron lobula dapat membantu pengenalan pola pada lebah. eLife, 14, e89929, diterbitkan 1 Juli 2025. https://doi.org/10.7554/eLife.89929