根據謝菲爾德大學的研究，蜜蜂可以改變一種新的方式來學習如何使用其飛行運動並根據下一代AI的認識來識別複雜的視覺模式。
根據謝菲爾德大學的研究，蜜蜂可以改變一種新的方式來學習如何使用其飛行運動並根據下一代AI的認識來識別複雜的視覺模式。
建立計算模型或構建蜜蜂大腦的數字版本 – 研究人員構成了身體如何移動到蜜蜂並在其大腦中創建獨特的電氣信息的視覺輸入。這些動作產生了神經信號，使飛機可以輕鬆有效地識別世界的可預測特徵。這種能力表明，蜜蜂在飛行過程中學習和識別複雜的視覺模型（例如在花中發現的蜜蜂）的準確性。
這些模式不僅了解如何通過他們的動作通過其運動來學習和了解複雜模型，Olas是下一代路徑。它證明，使用信息的運動來收集，而不是對大規模計算的信心，未來的機器人可以更快，更有效。
謝菲爾德大學機器情報中心主任詹姆斯·馬歇爾（James Marshall）教授說：“我們成功地證明了感知和了解世界世界。這可能是數百萬年度進化的結果。
“大自然設計的最佳設計為下一代，機器人，汽車駕駛車輛和現實世界學習打開了大門。”
該研究最近與倫敦皇后大學合作發表 維持。蜜蜂基於先前關於如何使用主動視圖的研究。幫助其運動收集和處理視覺信息的過程。在以前的工作運行並檢查細節時，這項新研究提供了對本行為指南的大腦機制的更深入的了解。
蜜蜂視覺學習的複雜視覺技能，例如，以區分人的面孔。但是，這項研究的發現激發了新的光，污染物在世界上航行的效率更簡單。
謝菲爾德大學的作者兼研究人員哈迪·馬布迪（Hadi Maboudi）博士：“我們對以前的工作著迷，使用掃描快捷方式來解決視覺難題。但這告訴我們他們的工作；我們想了解我們想了解的方式。
“蜜蜂的大腦模式被孤立地優化了其神經迴路，但是通過與自然環境中進行的飛行運動的積極互動，智能有利於大腦和理論的運作方式。
“即使蜜蜂比種子還要大，他們看不到世界，通過運動所做的事情。動作和感知是一種與之深度相關的複雜資源。這對生物學和空氣具有重要意義。”
該模型表明，隨著其大腦網絡逐漸相關的各種刺激，加強了對關聯或增強的促進，gececiqu逐漸調整了特定的方向和運動。當蜜蜂飛向周圍的環境時，這立即使它適合蜜蜂的大腦，而無需獎勵。這意味著大腦非常有效，僅使用一些活躍的神經元來檢測事物以節省能量和加工能力。
為了驗證計算模型，研究人員遭受了真實蜜蜂發現的視覺挑戰。在關鍵實驗中，模型通過“加號”符號和“乘法”符號分開。高度改進模型的模型突出了他掃描實際蜜蜂策略的模式的下半部分，這是先前研究中所見的行為。
同樣，對於人造神經元網絡，該模型成功地展示了蜜蜂如何檢測人的面部，並強調其視覺過程的強度和靈活性。
倫敦皇后大學的教授拉爾斯·奇特卡（Lars Chittka）教授Lars Chittka使大腦尺寸是否預測動物的智力著迷。但是，如果神經計算強調特定任務，這種猜測是沒有意義的。
“我們在這裡確定了困難的視覺歧視所必需的最少的神經元，並指出數字很小，還有復雜的任務，例如對人類的承認。因此，昆蟲的微生物是高級計算。”
謝菲爾德大學的巴斯克生物科學和神經科學研究所說，“動物沒有越來越多的證據表明信息正在被動地接收信息。
“我們的新模型擴展到處理高蜜蜂掃描。這些發現是平板電腦。一起，感知，動作和大腦動力學隨著資源的最低資源而發展，以解決複雜的視覺資源。”
該研究了解昆蟲的發揮，它們的工作狀況以及計算模型顯示出什麼樣的表現出來，顯示了小昆蟲大腦如何設計智力規則。除了加深對認知的理解之外，這些發現並沒有對新技術的發展產生重要影響。
