מחקר פורץ דרך: הדבורה כהשראה לבינה מלאכותית

כשמתבוננים בדבורה, קשה להאמין עד כמה יכולותיה גדולות ביחס לממדי גופה. מוח בגודל של מילימטר מעוקב, ובו פחות ממיליון נוירונים בלבד – מספר השווה בערכו לכמות הנוירונים בקצה אצבע אנושית – מצליח לבצע משימות חזותיות מורכבות, שעד לא מכבר היו אתגר גם למחשבים מתקדמים. כיצד יצור כה קטן מצליח לזהות פרצופים, ללמוד תבניות מופשטות, לספור, לזכור ולנווט בדיוק מרשים בתוך עולם סבוך של צבעים וצורות?

מחקר פורץ דרך, שנערך בידי צוות מדענים בינלאומי בראשות האדי מאבודי, לארס צ'יטקה וג'יימס מרשל, ניסה להתמודד עם השאלה הזו בדרך חדשה: לא לצפות בדבורה בלבד, אלא לבנות במחשב מוח מדומיין שפועל כמו מוח של דבורה, ולבדוק מה יתפתח בו מתוך החשיפה לעולם.

החוקרים יצאו מנקודת מוצא מרכזית: הראייה של הדבורה אינה תהליך פסיבי, כמו עדשה שקולטת תמונה. היא תהליך פעיל, הכולל תנועות סריקה עדינות של הראש והגוף, שנועדו לא לבחון תמונה שלמה בבת אחת, אלא לדגום את העולם חלק אחר חלק. הדבורה מבינה את סביבתה דווקא משום שהיא אינה "מסתכלת" כמו מצלמה – אלא נעה תוך כדי הסתכלות.

כדי לחקות זאת, יצרו החוקרים מודל נוירומורפי – רשת עצבית המחקה את המבנה הביולוגי של מערכת הראייה של הדבורה, מהקולטנים בעין ועד למרכזי העיבוד המתקדמים במוח.

השלב הראשון היה "לאמן" את המודל. אך בניגוד לשיטות למידת מכונה מוכרות, שבהן המערכת מלומדת במפורש מה נכון ומה לא, כאן החוקרים בחרו בלמידה לא-אסוציאטיבית. הם חשפו את המודל לאלפי תמונות טבעיות: עלים, פרחים, ענפים, נופים – כפי שדבורה רואה בימיה הראשונים מחוץ לקן – תוך שהוא מבצע תנועות סריקה אופייניות לדבורים, שמחלקות את התמונה לחמישה אזורי דגימה חופפים.

במקביל פעל אלגוריתם למידה המבוסס על עקרונות למידה עצבית טבעית, דוגמת Hebbian Learning ו־STDP, המחזקים או מחלישים קשרים בין נוירונים בהתאם לפעילותם. כך למד המודל את מבנה העולם באופן עצמאי, מתוך חשיפה בלבד.

התוצאות היו מדהימות. ללא כל הנחיה חיצונית, התארגנה הרשת כך שיופיעו בה נוירונים רגישים לקווים, לקצוות ולזוויות שונות – בדיוק כפי שנמצא במדידות ממוחן של דבורים אמיתיות. יתרה מזו, המערכת פיתחה קידוד דליל: במקום שכל הנוירונים יפעלו יחד בכל גירוי, רק מספר קטן – אלו שנדרשים לתכונה הנוכחית – הופעלו. התוצאה היא חסכון אנרגטי מרשים ודיוק רב יותר בייצוג המידע.

כדי לבדוק כיצד המודל מתמודד במשימות מורכבות, הוסיפו החוקרים רכיב המדמה את "גוף הפטרייה", מרכז הלמידה במוח הדבורה. כעת יכלו לבחון את המודל במשימות התנהגותיות קלאסיות שנבדקו בעבר בדבורים חיות.

אחת המשימות הייתה הבחנה בין סימן החיבור (+) לבין סימן הכפל (×). אם המודל בחן את התבנית כיחידה אחת, הוא הצליח בקושי ברמת ניחוש. גם סריקה מהירה של כל הצורה לא שיפרה משמעותית את הביצועים. אבל כאשר החוקרים הנחו את המודל לסרוק רק את החלק התחתון – כפי שדבורים עושות בטבע – שיעור ההצלחה זינק ל־96%.

התופעה הדגישה עיקרון חשוב: לא רק מנגנון הראייה קובע את היכולת, אלא ההתנהגות – היכן לבחור להתבונן. תנועה ממוקדת יצרה הפרדה טובה יותר בין האותות, והפכה את הזיהוי לפשוט עבור מערכת עצבית קטנה.

המודל עבר בהצלחה גם משימות נוספות: הבחנה בין קווים בזוויות שונות, זיהוי תבניות ספירליות ואף יכולת הכללה – יישום כלל שנלמד מתבנית אחת על תבניות חדשות. במבחן נוסף הדגים המודל יכולת לזהות פרצופים אנושיים, כפי שנמצא במחקר קלאסי על דבורי דבש, באמצעות קידוד מרחבי־זמני יעיל שהפך מידע עשיר לייצוג קומפקטי.

המודל חשף גם מגבלות: במשימות שדורשות שילוב סימולטני של מידע מאזורים רחוקים בשדה הראייה הוא התקשה, מה שמרמז על מנגנונים מוחיים נוספים שקיימים בדבורה האמיתית, ועדיין אינם מפוענחים עד הסוף.

מעבר להבנת הדבורים, הממצאים תורמים גם לתחום הרובוטיקה והבינה המלאכותית. במקום מערכות שדורשות עוצמת מחשוב אדירה, מוח הדבורה מציע מודל אחר: למידה חסכונית, הסתפקות במידע מועט, שימוש בסריקה פעילה ובחירה מודעת של המידע הרלוונטי בלבד. מערכות מבוססות עקרונות אלו יוכלו להפעיל רובוטים או רחפנים קטנים, שיתמצאו בעולם בתבונה רבה תוך שימוש מצומצם במשאבים.

בסופו של דבר, המחקר מדגיש כי גם מערכת עצבית זעירה מסוגלת לפתח ייצוגים מורכבים של העולם, כאשר היא פועלת בתנועה, מתמקדת בעיקר ומנצלת היטב את מאפייני הסביבה. הדבורה, על אף פשטותה החיצונית, פועלת על בסיס עקרונות עיבוד מידע חדישים שיכולים לשמש השראה לדור הבא של טכנולוגיות חכמות.