Những con ong bao quanh một con ong chúa được đánh dấu bằng một dấu chấm trên lưng. Shutterstock

Cuộc sống của một con ong mật phụ thuộc vào việc nó thu hoạch thành công mật hoa từ hoa để làm mật. Việc quyết định loài hoa nào có khả năng cung cấp mật hoa nhất là vô cùng khó khăn.

Làm cho đúng đòi hỏi phải cân nhắc chính xác các tín hiệu tinh tế về loại hoa, tuổi và lịch sử – những dấu hiệu tốt nhất mà một bông hoa có thể chứa một giọt mật nhỏ. Hiểu sai tốt nhất là lãng phí thời gian, và tệ nhất là tiếp xúc với kẻ săn mồi chết người ẩn nấp trong những bông hoa.

Trong nghiên cứu mới được xuất bản hôm nay trên eLife nhóm của chúng tôi báo cáo cách ong đưa ra những quyết định phức tạp này.

Cánh đồng hoa nhân tạo

Chúng tôi đã thử thách những chú ong bằng một cánh đồng hoa nhân tạo làm từ những đĩa thẻ màu, mỗi đĩa cho một giọt xi-rô đường nhỏ. Những “bông hoa” có màu sắc khác nhau khác nhau về khả năng cung cấp đường và cũng khác nhau về mức độ những con ong có thể đánh giá liệu bông hoa giả có mang lại phần thưởng hay không.

Chúng tôi đánh dấu sơn nhỏ, vô hại trên lưng mỗi con ong và quay phim mỗi lần một con ong đến thăm mảng hoa. Sau đó, chúng tôi sử dụng thị giác máy tính và học máy để tự động trích xuất vị trí và đường bay của con ong. Từ thông tin này, chúng tôi có thể đánh giá và xác định thời gian chính xác cho từng quyết định của đàn ong.

Chúng tôi phát hiện ra rằng những con ong học rất nhanh để xác định những bông hoa bổ ích nhất. Họ nhanh chóng đánh giá xem nên chấp nhận hay từ chối một bông hoa, nhưng thật khó hiểu là lựa chọn đúng của họ trung bình nhanh hơn (0.6 giây) so với lựa chọn sai (1.2 giây).

Điều này trái ngược với những gì chúng ta mong đợi.

Thông thường ở động vật – và ngay cả trong các hệ thống nhân tạo – một quyết định chính xác mất nhiều thời gian hơn một quyết định không chính xác. cái này gọi là sự đánh đổi giữa tốc độ và độ chính xác.

Sự đánh đổi này xảy ra bởi vì việc xác định xem một quyết định là đúng hay sai thường phụ thuộc vào chúng ta có bao nhiêu bằng chứng để đưa ra quyết định đó. Nhiều bằng chứng hơn có nghĩa là chúng ta có thể đưa ra quyết định chính xác hơn – nhưng việc thu thập bằng chứng cần có thời gian. Vì vậy, các quyết định chính xác thường chậm và các quyết định không chính xác nhanh hơn.

Sự đánh đổi giữa tốc độ và độ chính xác xảy ra thường xuyên trong kỹ thuật, tâm lý học và sinh học, bạn gần như có thể gọi đó là “quy luật tâm vật lý”. Và những con ong dường như đang vi phạm luật này.

Các loài động vật duy nhất khác được biết là đánh bại sự đánh đổi giữa tốc độ và độ chính xác là con người và động vật linh trưởng.

Vậy thì làm thế nào một con ong, với bộ não nhỏ bé nhưng đáng chú ý của nó, có thể hoạt động ngang bằng với các loài linh trưởng?

Con ong tránh rủi ro

Để giải quyết câu hỏi này, chúng tôi đã chuyển sang một mô hình tính toán, hỏi xem hệ thống cần phải có những thuộc tính nào để vượt qua sự đánh đổi giữa tốc độ và độ chính xác.

Chúng tôi đã xây dựng các mạng thần kinh nhân tạo có khả năng xử lý đầu vào cảm giác, học hỏi và đưa ra quyết định. Chúng tôi đã so sánh hiệu suất của các hệ thống quyết định nhân tạo này với những con ong thật. Từ đó, chúng tôi có thể xác định những gì một hệ thống phải có nếu nó đánh bại được sự đánh đổi.

Câu trả lời nằm ở việc đưa ra các câu trả lời “chấp nhận” và “từ chối” ở các ngưỡng bằng chứng giới hạn thời gian khác nhau. Đây là ý nghĩa của điều đó – ong chỉ chấp nhận một bông hoa nếu nhìn thoáng qua, chúng là chắc chắn đó là bổ ích. Nếu họ có bất kỳ sự không chắc chắn nào, họ từ chối nó.

Đây là một chiến lược không thích rủi ro và có nghĩa là những con ong có thể đã bỏ lỡ một số bông hoa bổ ích, nhưng nó đã thành công khi chỉ tập trung nỗ lực vào những bông hoa có cơ hội tốt nhất và bằng chứng tốt nhất về việc cung cấp đường cho chúng.

Mô hình máy tính của chúng tôi về cách những con ong đưa ra quyết định nhanh chóng, chính xác được ánh xạ phù hợp với cả hành vi của chúng và các con đường đã biết của não ong.

Mô hình của chúng tôi hợp lý về cách ong là những người ra quyết định nhanh chóng và hiệu quả như vậy. Hơn nữa, nó cung cấp cho chúng tôi một khuôn mẫu về cách chúng tôi có thể xây dựng các hệ thống – chẳng hạn như rô-bốt tự động để thăm dò hoặc khai thác – với các tính năng này.

Giới thiệu về Tác giả

Andrew Barron, Giáo sư, Đại học Macquarie

Bài viết này được tái bản từ Conversation theo giấy phép Creative Commons. Đọc ban đầu bài viết.

ing