Учёные выяснили: чем больше муравьёв в группе, тем эффективнее колония решает сложные задачи
В экспериментах с напечатанными на 3D-принтере грузами и лабиринтами крупные колонии переносили тяжёлые предметы и проходили запутанные маршруты лучше, чем небольшие группы
Компьютерное моделирование показало: простые задачи решаются по законам физики, а сложные требуют учёта «распределённой природы» муравьёв
Системы искусственного интеллекта уступают насекомым в адаптивности — моделям нужна ручная настройка под каждый лабиринт, тогда как муравьи используют одни и те же правила без подсказок
Совместная работа над одной задачей нередко страдает от эффекта «слишком много поваров на одной кухне»: если поручить достижение цели чрезмерно большому числу участников, координация быстро превращается в хаос. Наблюдая, как муравьи сообща перетаскивают тяжёлую асимметричную пищу к колонии, поведенческий эколог из Института Вейцмана Офер Файнерман задался вопросом, действует ли то же правило и в муравьином мире. Результаты его лаборатории, опубликованные в журнале Journal of the Royal Society Interface, говорят об обратном: чем больше муравьёв участвует в переноске, тем более сложные задачи способна решить группа — заметно сложнее тех, что под силу небольшим командам.
Источник изображения — popsci.com
Чтобы проверить эту идею, команда напечатала на 3D-принтере миниатюрные грузы точной формы и веса. Продержав их ночь в кошачьем корме, исследователи сделали объекты привлекательными для муравьёв вида Paratrechina longicornis — так называемых длиннорогих муравьёв, — а затем помещали приманку в вырезанные лазером лабиринты разного размера и сложности. Вес грузов в каждом эксперименте масштабировали пропорционально числу муравьёв, чтобы измерять именно координацию и слаженность действий, а не просто физическую утомительность задачи. Оставалось лишь разместить лабиринты с приманкой рядом с гнёздами и снять происходящее на видео.
С простыми лабиринтами справлялись почти все группы независимо от размера, направляя небольшие грузы по несложным маршрутам. Картина менялась, когда сложность пути росла одновременно с весом груза: в таких случаях крупные колонии заметно превосходили по эффективности команды с меньшим числом муравьёв — даже в ситуациях, где приходилось учитывать силу тяжести при манёврах.
Параллельно команда Файнермана провела компьютерное моделирование, чтобы выяснить, способны ли программы машинного обучения решать те же задачи, опираясь на известные физические законы и силы. Затем модели попытались объяснить, почему более крупные колонии муравьёв справляются со сложными задачами лучше.
«Моделирование показало, что простые головоломки решаются с помощью несложных моделей, основанных на гравитации, — рассказал Файнерман. — Если взять лабиринт с грузом внутри, наклонить его и потрясти, груз в конце концов выпадет».
Со сложными лабиринтами дело обстояло иначе. Чтобы программы машинного обучения справлялись с такими сценариями, команде пришлось добавить свойства, характерные именно для муравьёв и связанные с их «распределённой природой», — пояснил Файнерман. Речь идёт, например, о гравитации, приложенной не к центру масс объекта, или о силе, которая каждые несколько секунд действует на разные точки груза.
Хотя результаты показывают, что муравьиные колонии, по всей видимости, наращивают изобретательность и коллективный интеллект пропорционально своему размеру, исследователи предупреждают: не стоит принимать это за настоящий «коллективный разум» в когнитивном смысле. То же самое, по их словам, справедливо и для машинного обучения с искусственным интеллектом.
«Их действия случайны и неосознанны, — сказал Файнерман о моделях, разработанных его командой, отметив, что программам всё равно требуется ручная настройка разработчиков под каждый конкретный лабиринт. — Муравьям такая настройка не нужна: похоже, они применяют одни и те же правила для решения любых лабиринтов без какой-либо подсказки извне», — добавил он.
