מדענים מפצחים את סודות הראייה של הדבורה
- גור זיו
- לפני 5 ימים
- זמן קריאה 6 דקות
איך דבורה, עם מוח קטן מראש סיכה, מצליחה לזהות פרצופים, לנווט בנופים מורכבים ולפתור בעיות ויזואליות שהיו מאתגרות מחשבים עד לא מזמן? צוות מדענים בינלאומי החליט להפסיק לנחש ופשוט... לבנות מוח של דבורה במחשב. התוצאות, המתפרסמות במחקר פורץ דרך, חושפות אלגוריתם טבעי ויעיל להפליא שעשוי לשנות את עתיד הרובוטיקה והבינה המלאכותית. סוד הראייה של הדבורה הוא לא רק במה שהיא רואה, אלא באיך שהיא רואה.
דמיינו לרגע את עולמה של דבורת בומבוס. בכל גיחת איסוף צוף, היא מתמודדת עם משימה חזותית מורכבת מאין כמותה. עליה לנווט ביער סבוך של צורות וצבעים, לזהות ממרחק את הפרחים הנכונים, לזכור אילו מהם כבר רוקנה, ולהבחין בין תבניות מורכבות המעידות על שפע או על ריקנות. כל זאת היא עושה באמצעות מוח שגודלו אינו עולה על מילימטר מעוקב, ובו פחות ממיליון נוירונים - כמספר הנוירונים שיש לנו בקצה האצבע.
במשך עשרות שנים, היכולות הקוגניטיביות המופלאות של הדבורים, במיוחד בתחום הראייה, היוו חידה מדעית. הן מסוגלות ללמוד לזהות פרצופים אנושיים, לספור עצמים, להבין מושגים מופשטים ואף להשתמש בכלים. השאלה הגדולה שריחפה תמיד מעל חוקרי מוחות זעירים הייתה לא רק "מה הן מסוגלות לעשות", אלא "כיצד, לעזאזל, הן עושות זאת עם משאבים עצביים כה מוגבלים?". כעת, מחקר חדש בהובלת צוות חוקרים בינלאומי, מציע תשובה מהפכנית. במקום להסתפק בצפייה בהתנהגות הדבורים, הם החליטו לבנות מודל עובד של מוח הדבורה במחשב, והתגליות שלהם חושפות לא רק את סודות הראייה של החרק המופלא, אלא גם עקרונות חישוביים שעשויים להגדיר מחדש את הדרך שבה אנו בונים מערכות בינה מלאכותית ורובוטים אוטונומיים.
במרכז המחקר, שפורסם בכתב העת המדעי eLife, עומד צוות מדענים בראשות האדי מאבודי (HaDi MaBouDi), לארס צ'יטקה (Lars Chittka) וג'יימס מרשל (James AR Marshall), מומחים בעלי שם עולמי בתחום האינטליגנציה של חרקים ומדעי המחשב. הם יצאו מנקודת הנחה פשוטה אך רבת עוצמה: הראייה של הדבורה אינה תהליך פסיבי של קליטת תמונה, בדומה למצלמה. היא תהליך אקטיבי, דינמי, המערב את כל גופה של הדבורה. בניגוד לנו, שעינינו נעות בחוריהן, הדבורה מניעה את ראשה וגופה כולו כדי לסרוק את העולם. תנועות הסריקה הללו אינן אקראיות; הן בלט מדויק ומתוזמר של תנועה, שנועד לדגום את המידע החזותי מהסביבה באופן סדרתי, פיסה אחר פיסה.
החוקרים שיערו שתנועות אלה הן המפתח להבנת יכולותיה של הדבורה. הן מאפשרות למוח הזעיר שלה להתגבר על מגבלות הרזולוציה הנמוכה של עיני התשבץ שלה, ולבנות ייצוג פנימי עשיר ומדויק של העולם, ממש כפי שאנו מרכיבים פאזל מחלקיו השונים. כדי לבחון את ההשערה הזו, הם פיתחו מודל נוירומורפי (Neuromorphic) - מודל ממוחשב המדמה את המבנה והתפקוד של רשתות נוירונים ביולוגיות - של מערכת הראייה המוקדמת של הדבורה, החל מהקולטנים בעיניים ועד למרכזי העיבוד המתקדמים יותר במוח.
השלב הראשון והמכריע במחקר היה "לאמן" את המוח הווירטואלי. אך כאן טמון אחד החידושים הגדולים של עבודתם. במקום ללמד את המודל באופן מפורש לזהות תבניות ספציפיות באמצעות תגמול ועונש, הם נקטו בגישה של למידה לא-אסוציאטיבית (Non-associative Learning). הם פשוט חשפו את המודל לאלפי תמונות טבעיות - פרחים, עלים, נופים - כפי שדבורה צעירה הייתה חווה בימיה הראשונים מחוץ לקן. בזמן שהמודל "צפה" בתמונות הללו, הוא דימה תנועת סריקה צדית, כשהוא דוגם חמש רצועות תמונה חופפות בזו אחר זו, ממש כמו דבורה במעופה. במקביל, אלגוריתם למידה מקומי, המבוסס על חוקיות הב (Hebbian Learning) וכלל למידה המכונה STDP, חיזק או החליש את הקשרים בין הנוירונים הווירטואליים. הרעיון היה שהרשת העצבית תלמד בעצמה את המבנה הסטטיסטי של העולם הטבעי. היא תתאים את עצמה למציאות שבה קצוות, קווים ומרקמים מסוימים מופיעים בשכיחות גבוהה יותר מאחרים.
התוצאה הייתה לא פחות ממדהימה. ללא כל התערבות חיצונית, הרשת העצבית החלה להתארגן מעצמה. באונת הראייה המרכזית של המודל, הלובולה (Lobula), החלו להיווצר נוירונים שהתמחו בזיהוי קווים וקצוות בזוויות ספציפיות. נוצרו תאים שהגיבו בעוצמה לקו אנכי הנע משמאל לימין, אחרים שהגיבו לקו אלכסוני הנע מלמעלה למטה, וכן הלאה. למעשה, המודל פיתח באופן ספונטני אוכלוסייה של תאים סלקטיביים לכיווניות, בדומה להפליא למה שנוירוביולוגים מצאו במדידות ישירות ממוחן של דבורים וחרקים אחרים. המוח הווירטואלי למד את שפת הראייה של העולם הטבעי, פשוט על ידי התבוננות בו תוך כדי תנועה.
יתרה מכך, הלמידה הזו יצרה עיקרון קידוד יעיל להפליא, המכונה קידוד דליל (Sparse Coding). במקום שכל הנוירונים יפעלו במקהלה רועשת בתגובה לכל גירוי, רק קבוצה קטנה ומובחנת של נוירונים, אלו שהתמחו במאפיין הספציפי שהופיע בשדה הראייה, הפכה לפעילה. הדבר דומה לתזמורת שבה רק הכלים הרלוונטיים מנגנים בכל רגע נתון, במקום שכולם ינגנו את כל התווים כל הזמן. קידוד כזה הוא חסכוני ביותר באנרגיה ומפחית "רעש" מיותר במערכת - יתרונות קריטיים עבור מוח זעיר הפועל בתקציב אנרגטי דל. הקידוד הזה גם היה מבוזר, כלומר, כל נוירון סיפק פיסת מידע ייחודית, והפחית את היתירות בייצוג הסופי. אך החוקרים לא הסתפקו בכך. הם רצו להבין כיצד המנגנון הזה, שלמד מהתבוננות בפרחים, מתמודד עם משימות זיהוי תבניות מופשטות. לשם כך, הם הוסיפו למודל רכיב המדמה את "גוף הפטרייה" (Mushroom Body), מרכז הלמידה והזיכרון המתקדם במוח הדבורה. כעת, המוח הווירטואלי היה מוכן למבחן האמיתי.
הם הציבו בפני המודל את אחד האתגרים הקלאסיים ממחקרי דבורים: להבחין בין סימן חיבור (+) לסימן כפל (×). לאחר סדרה של אימונים שבהם סימן החיבור "תוגמל" וסימן הכפל "נענש", התוצאות היו חד-משמעיות וסיפקו את ההוכחה הניצחת לתפקידה המכריע של הראייה האקטיבית. כאשר המודל דימה דבורה ה"בוהה" בתבנית באופן סטטי, ללא תנועה, הוא נכשל במשימה והצליח בקושי ברמת הניחוש האקראי. גם כאשר הוא סרק את התבנית כולה במהירות אחידה, ביצועיו היו בינוניים בלבד, סביב 63% הצלחה. אולם, כאשר החוקרים הורו למודל לאמץ את האסטרטגיה שבה דבורים אמיתיות נוקטות לעיתים קרובות - להתמקד ולסרוק רק את החלק התחתון והאינפורמטיבי של התבנית - הביצועים זינקו לרמה כמעט מושלמת של 96%. ההתמקדות באזור קטן ורלוונטי אפשרה למערכת העצבית לייצר אותות עצביים נפרדים וברורים יותר עבור כל תבנית, והפכה את משימת ההבחנה לקלה לאין שיעור עבור מרכז הלמידה. המודל הראה כיצד אסטרטגיה התנהגותית פשוטה - היכן לבחור להסתכל - יכולה להגביר באופן דרמטי את כוחה של מערכת עצבית מוגבלת.
כדי לבסס את אמינותו, המודל נבחן על מגוון רחב של משימות ויזואליות שדבורים אמיתיות הצליחו בהן במעבדה. הוא הצליח להבחין בין קווים בזוויות שונות, לזהות תבניות ספירליות, ואף להפגין יכולת הכללה - ללמוד כלל על סמך תבנית אחת (למשל, "בחר תמיד את הקו האלכסוני ימינה") וליישם אותו על תבניות חדשות לגמרי. במבחן המרשים מכולם, המודל אומן לזהות פרצופים אנושיים, משימה שדבורי דבש הצליחו בה במחקר מפורסם. גם כאן, המוח הווירטואלי הצליח ללמוד להבחין בין פרצוף "מתגמל" לפרצוף "מעניש". הצלחה זו מדגימה כיצד הקידוד המרחבי-זמני (Spatiotemporal Coding) היעיל של הלובולה מסוגל לדחוס מידע מורכב כמו תווי פנים לייצוג עצבי דליל וקומפקטי מספיק כדי שמרכז למידה קטן יוכל לעבד אותו. עם זאת, המודל גם חשף את מגבלותיו. במשימות שדרשו אינטגרציה של מאפיינים ממספר אזורים מרוחקים בתמונה בו-זמנית, הוא נכשל, מה שמרמז כי במוח האמיתי קיימים ככל הנראה מנגנונים נוספים, כמו זיכרון עבודה מתקדם יותר, שטרם פוענחו במלואם.
ההשלכות של מחקר זה חורגות רבות מעולם חקר החרקים. הוא מספק הדגמה מוחשית לעיקרון הקידוד היעיל (Efficient Coding Hypothesis), תיאוריה ותיקה הגורסת כי מערכות החישה במוח התפתחו כדי לייצג את העולם הטבעי בדרך החסכונית והיעילה ביותר. מוח הדבורה הווירטואלי מראה כיצד עיקרון זה אינו רק תוצאה של חיווט גנטי קבוע, אלא תהליך דינמי המעוצב על ידי ניסיון החיים של כל פרט ופרט ועל ידי האינטראקציה האקטיבית שלו עם הסביבה.
התובנות הללו מהדהדות ישירות אל האתגרים הגדולים של עולם הבינה המלאכותית והרובוטיקה. כיום, מודלי בינה מלאכותית רבים דורשים כמויות אדירות של כוח חישובי ואנרגיה כדי לעבד תמונות, פיקסל אחר פיקסל. הם לרוב פועלים על תמונות סטטיות ומתקשים להכליל את הידע שלהם לסביבות דינמיות ובלתי צפויות. "אלגוריתם הדבורה" מציע פרדיגמה אחרת: מערכת לומדת, יעילה וחסכונית, המנצלת תנועה כדי להבין את העולם. רובוט או רחפן שיתבססו על עקרונות אלה לא יצטרכו לעבד כל פיסת מידע ויזואלי כל הזמן. הם יוכלו ללמוד לסרוק באופן אקטיבי את סביבתם, להתמקד במאפיינים הרלוונטיים ביותר למשימה, ולעדכן את הייצוג הפנימי שלהם תוך כדי תנועה. הם יוכלו ללמוד מהתנסות פסיבית עם סביבתם, ולהתאים את מערכת הראייה שלהם למאפיינים הסטטיסטיים של העולם שבו הם פועלים.
בסופו של דבר, עבודתם של מאבודי ועמיתיו מזכירה לנו שיעור חשוב בענווה. במשך מיליוני שנות אבולוציה, הטבע כבר פתר רבות מהבעיות המורכבות ביותר שאנו מנסים לפצח במעבדותינו. בתוך מוחה הזעיר של הדבורה, חבויים עקרונות חישוב אלגנטיים ועוצמתיים, הממתינים שנפענח אותם. על ידי הקשבה לזמזום העדין של הטבע, ייתכן שנמצא את המפתח לבניית הדור הבא של מכונות חכמות באמת.
המחקר:
תגובות