科技日報記者 劉霞

一個名為Insect Neuro Nano的國際合作項目正在歐洲5國的大學與實驗室間悄然推進。據(jù)物理學家組織網(wǎng)報道，該項目致力于研發(fā)一種受蜜蜂大腦啟發(fā)的納米光子芯片，將傳感與神經(jīng)計算融為一體，最終是將昆蟲神經(jīng)系統(tǒng)的高效架構(gòu)與先進的納米光子技術(shù)相結(jié)合，打造出超低功耗、高集成度的人工智能（AI）硬件系統(tǒng)。

當前，在追求更智能、更高效的AI之路上，越來越多科學家開始把目光投向那些微小卻非凡的生命——昆蟲。它們的大腦和身體雖小，卻蘊藏著進化的智慧，正為AI的發(fā)展提供源源不斷的靈感。

蟲腦雖小，內(nèi)藏進化智慧

人類大腦擁有約860億個神經(jīng)元，而大多數(shù)昆蟲大腦僅有百萬甚至十萬級別的神經(jīng)元。然而，在導航、識別模式、快速決策等方面，它們的表現(xiàn)卻令人驚嘆，其效率與適應(yīng)力遠超當前最先進的AI系統(tǒng)。

以蜜蜂為例，其大腦僅含約100萬個神經(jīng)元，卻能飛越10公里精準歸巢。它們能記住復雜的花形圖案，通過“搖擺舞”傳遞信息，甚至能作出群體性選擇。

果蠅更甚，神經(jīng)元不足10萬個，卻能完成高難度飛行，從經(jīng)驗中學習，并展現(xiàn)復雜的求偶行為。

相比之下，像GPT-4這樣的大型語言模型，依賴數(shù)十億參數(shù)和巨量能耗才能運行。兩者之間的巨大反差揭示了一個深刻事實：億萬年的自然選擇，已將昆蟲大腦錘煉成資源極省、功能極強的計算奇跡。而這正是AI研究者夢寐以求的設(shè)計藍圖，對機器學習極具啟發(fā)意義。

例如，蜜蜂不僅能分辨人臉，還能理解“相同”與“不同”這類抽象概念。英國謝菲爾德大學科學家發(fā)現(xiàn)，這得益于它們腦中的“識別回路”——只提取視覺輸入中最關(guān)鍵的特征，大幅降低了計算負擔。相比之下，現(xiàn)代的深度學習往往需要數(shù)百萬樣本和龐大參數(shù)才能達到類似效果。

蜻蜓更是高手。僅憑16個專門神經(jīng)元，就能預測獵物軌跡，幾乎百發(fā)百中地捕獲目標。新一代自動駕駛視覺算法受這一機制啟發(fā)，在不犧牲性能的前提下，顯著減少了算力需求。

算力極簡，詮釋“少即是多”

昆蟲大腦采用一種叫“稀疏編碼”的策略：面對任何刺激，只有極少數(shù)神經(jīng)元被激活，形成高度濃縮、節(jié)能高效的信息表征。

美國霍華德·休斯醫(yī)學研究所科學家發(fā)現(xiàn)，果蠅大腦中負責學習的“蘑菇體”，對特定氣味的響應(yīng)神經(jīng)元不到5%。但這微弱信號，已足以支撐識別與反應(yīng)。

傳統(tǒng)神經(jīng)網(wǎng)絡(luò)則相反，每次輸入都會喚醒大量神經(jīng)元，耗能驚人。如今，AI研究人員模仿昆蟲的節(jié)能之道，將稀疏編碼引入神經(jīng)形態(tài)計算。數(shù)據(jù)顯示，IBM的TrueNorth與英特爾的Loihi芯片，在運行此類算法時，能效比傳統(tǒng)處理器高出上千倍。

昆蟲大腦中還有個獨特的學習中樞，因其形似蘑菇而得名“蘑菇體”。它主導聯(lián)想學習、感官整合與記憶形成，是AI設(shè)計者眼中的“黃金模板”。

這一機制催生了一類新型AI模型——“蘑菇體模型”。它們無需海量訓練數(shù)據(jù)，僅憑少數(shù)幾次經(jīng)驗即可建立關(guān)聯(lián)，如同蜜蜂探訪幾朵花后，便知何處有蜜。

由此，“昆蟲啟發(fā)的少樣本學習”算法應(yīng)運而生，深度思維公司已將其融入系統(tǒng)，使AI能以極少量樣本掌握新任務(wù)，這是邁向真正適應(yīng)性智能的關(guān)鍵一步。

群智協(xié)同，整合多維感知

螞蟻或蜜蜂一旦聚集成群，便能展現(xiàn)出驚人的集體智慧，這就是“群體智能”。

螞蟻覓食時，依靠“共識主動性”機制，個別成員的微小行為變化，會引發(fā)連鎖反應(yīng)，最終促成最優(yōu)路徑選擇。

蜜蜂選址新巢時，偵察蜂通過“舞蹈”交流意見，經(jīng)多輪“協(xié)商”達成“民主決議”。

這些天然算法，早已被轉(zhuǎn)化為AI工具。例如，“蟻群優(yōu)化算法”廣泛用于電信路由、工廠調(diào)度與供應(yīng)鏈管理；受鳥群、蟲群啟發(fā)的“粒子群優(yōu)化算法”，則讓多個簡單代理協(xié)同搜索復雜解空間，在動態(tài)任務(wù)中表現(xiàn)優(yōu)于傳統(tǒng)方法。

除了群體智能的啟發(fā)，昆蟲還展現(xiàn)了無需強大算力就能實現(xiàn)多模態(tài)整合的能力。它們能在飛行中同時處理視覺、嗅覺、觸覺與運動信息，構(gòu)建出連貫的外部世界圖景。例如，覓食的蜜蜂一邊辨花識香，一邊避障導航，還能感知風向與威脅，整個過程毫不費力。

昆蟲的簡潔之道正啟發(fā)新一代AI架構(gòu)：通過模擬其“匯聚式處理通路”，在降低能耗的同時，保持多感官融合的高性能。

容錯抗損，殘缺亦能前行

昆蟲神經(jīng)系統(tǒng)對損傷和環(huán)境擾動也展現(xiàn)出驚人韌性。蜜蜂即使大腦受損大半，仍能導航歸巢；蝗蟲即便神經(jīng)嚴重受損，仍可協(xié)調(diào)飛行。這都源于其分布式結(jié)構(gòu)、內(nèi)在冗余，以及簡潔穩(wěn)健的算法設(shè)計。

英國愛丁堡大學研究表明，昆蟲優(yōu)先保障系統(tǒng)可靠性，而非絕對精確，因而能在惡劣環(huán)境下持續(xù)運作。

與此形成鮮明對比的是，許多AI系統(tǒng)在輕微干擾下便會崩潰。借鑒昆蟲原理，研究人員已開發(fā)出更具容錯性的神經(jīng)網(wǎng)絡(luò)。某些融合昆蟲韌性的自動駕駛系統(tǒng)，即便關(guān)鍵傳感器失效，仍能安全行駛，為現(xiàn)實世界的不可靠環(huán)境提供了可靠的解決方案。

昆蟲大腦是億萬年進化打磨出的計算杰作。而今天的AI，雖具強大算力，卻仍在能效、適應(yīng)性與韌性上相形見絀。有鑒于此，昆蟲學與AI的融合，正成為一個蓬勃發(fā)展的前沿領(lǐng)域，涌現(xiàn)出受昆蟲啟發(fā)的高效算法，與傳統(tǒng)AI的強大算力結(jié)合的“混合智能”。或許在追尋更強智能的路上，最大的靈感，正是來自最小的大腦。