Bier omkring en bidronning markeret med en prik på ryggen. Shutterstock

En honningbis liv afhænger af, at den med succes høster nektar fra blomster for at lave honning. Det er utroligt svært at beslutte, hvilken blomst der er mest tilbøjelig til at tilbyde nektar.

At få det rigtigt kræver en korrekt afvejning af subtile signaler om blomstertype, alder og historie - de bedste indikatorer, en blomst kan indeholde en lille dråbe nektar. At komme galt af sted er i bedste fald spild af tid, og i værste fald betyder det at blive udsat for et dødeligt rovdyr, der gemmer sig i blomsterne.

I ny forskning offentliggjort i dag i eLife vores team rapporterer, hvordan bier træffer disse komplekse beslutninger.

Et felt med kunstige blomster

Vi udfordrede bier med en mark af kunstige blomster lavet af farvede skiver af karton, som hver tilbød en lille dråbe sukkersirup. Forskellige-farvede "blomster" varierede i deres sandsynlighed for at tilbyde sukker, og var også forskellige i, hvor godt bier kunne bedømme, om den falske blomst tilbød en belønning eller ej.

Vi satte bittesmå, harmløse malingsmærker på bagsiden af ​​hver bi og filmede hvert besøg, en bi aflagde til blomsterarrayet. Vi brugte derefter computersyn og maskinlæring til automatisk at udtrække biens position og flyvevej. Ud fra disse oplysninger kunne vi vurdere og præcist time hver eneste beslutning, bierne tog.

Vi fandt, at bier meget hurtigt lærte at identificere de mest givende blomster. De vurderede hurtigt, om de skulle acceptere eller afvise en blomst, men forvirrende nok var deres rigtige valg i gennemsnit hurtigere (0.6 sekunder) end deres forkerte valg (1.2 sekunder).

Dette er det modsatte af, hvad vi forventede.

Normalt hos dyr – og endda i kunstige systemer – tager en nøjagtig beslutning længere tid end en unøjagtig beslutning. Dette kaldes afvejningen mellem hastighed og nøjagtighed.

Denne afvejning sker, fordi det afhænger af, om en beslutning er rigtig eller forkert, normalt af, hvor meget bevis vi har for at træffe den beslutning. Flere beviser betyder, at vi kan træffe en mere præcis beslutning – men at indsamle beviser tager tid. Så præcise beslutninger er normalt langsomme, og unøjagtige beslutninger er hurtigere.

Afvejningen mellem hastighed og nøjagtighed forekommer så ofte inden for ingeniørvidenskab, psykologi og biologi, at man næsten kunne kalde det en "lov om psykofysik". Og alligevel syntes bier at bryde denne lov.

De eneste andre dyr, der vides at slå afvejningen mellem hastighed og nøjagtighed er mennesker og primater.

Hvordan kan en bi så med sin lille, men bemærkelsesværdige hjerne, præstere på niveau med primater?

Bier undgår risiko

For at skille dette spørgsmål ad, vendte vi os til en beregningsmodel, hvor vi spurgte, hvilke egenskaber et system skal have for at slå hastighed-nøjagtighed-afvejningen.

Vi byggede kunstige neurale netværk, der var i stand til at behandle sensoriske input, lære og træffe beslutninger. Vi sammenlignede ydeevnen af ​​disse kunstige beslutningssystemer med de rigtige bier. Ud fra dette kunne vi identificere, hvad et system skulle have, hvis det skulle slå kompromiset.

Svaret lå i at give "accepter" og "afvis" svar forskellige tidsbundne bevistærskler. Her er hvad det betyder – bier tog kun imod en blomst, hvis de var det med et øjeblik sikker det var givende. Hvis de havde nogen usikkerhed, afviste de det.

Dette var en risikovillig strategi og betød, at bier måske havde savnet nogle givende blomster, men den fokuserede med succes deres indsats kun på de blomster, der havde den bedste chance og det bedste bevis for at forsyne dem med sukker.

Vores computermodel af, hvordan bier traf hurtige, præcise beslutninger, var kortlagt efter både deres adfærd og bihjernens kendte veje.

Vores model er plausibel for, hvordan bier er så effektive og hurtige beslutningstagere. Desuden giver det os en skabelon til, hvordan vi kan bygge systemer – såsom autonome robotter til efterforskning eller minedrift – med disse funktioner.

Om forfatteren

Andrew BarronProfessor Macquarie University

Denne artikel er genudgivet fra The Conversation under en Creative Commons-licens. Læs oprindelige artikel.

ING