Исследователи из Университета Шеффилда построили компьютерную модель пчелиного мозга и провели серию тестов, которые показали неожиданный результат. Когда модель имитировала поведение настоящих пчёл — сканировала образы в движении, — её точность распознавания подскакивала с 60% до 96-98%.

В ключевом эксперименте цифровой мозг пчелы должен был различить знак «плюс» и знак «умножения». Статичное наблюдение давало результат чуть лучше случайного угадывания. Но стоило модели начать «летать» и сканировать только нижнюю часть символов — как это делают настоящие пчёлы — и точность взлетела до почти идеальных показателей.

Более того, даже с крошечной сетью всего из 16 искусственных нейронов модель научилась распознавать человеческие лица. Для сравнения: современные системы компьютерного зрения используют миллионы параметров и требуют огромных вычислительных мощностей.

Исследователи объясняют феномен просто: пчёлы не просто смотрят на мир — они активно формируют то, что видят, через свои движения. Мозг размером с кунжутное семя оказался настроен на обработку визуальной информации не в изоляции, а в постоянном взаимодействии с движениями полёта. Секрет эффективности кроется в том, как нейроны пчелы адаптируются к окружающей среде. Мозг учится просто наблюдая во время полёта, экономя при этом и энергию, и вычислительную мощность.

Таким образом, ученые пришли к выводу, что крошечная система может выполнять гораздо более сложные вычисления, чем считалось возможным. Это открывает дорогу для следующего поколения ИИ — более умного и эффективного.

Уже сейчас понятно, где может применяться пчелиный подход. Беспилотные автомобили смогут лучше распознавать дорожные знаки и препятствия, если будут анализировать изображения в движении, а не статично. Дроны для сельского хозяйства получат возможность точно дозировать средства защиты растений, ориентируясь на визуальные паттерны культур. Роботы в складских помещениях будут эффективнее сортировать товары, используя минимальные вычислительные ресурсы.

Особенно перспективным выглядит применение в мобильных устройствах и автономных системах, где критично энергопотребление. Вместо энергоемких нейросетей можно будет использовать алгоритмы, которые учатся на ходу и требуют в тысячи раз меньше вычислительной мощности.