꿀벌의 삶은 꿀을 만들기 위해 꽃에서 꿀을 성공적으로 수확하는 데 달려 있다. 꿀을 제공할 가능성이 가장 높은 꽃을 결정하는 것은 매우 어렵다.

제대로 하려면 꽃의 종류, 나이 및 역사에 대한 미묘한 신호를 정확하게 측정해야 한다. 꽃에 작은 꿀 한 방울이 포함될 수 있는 가장 좋은 지표이다. 잘못하는 것은 기껏해야 시간 낭비이며 최악의 경우 꽃 속에 숨어 있는 치명적인 포식자에게 노출되는 것을 의미한다.

최근 eLife에 발표된 새로운 연구에서 동료들과 나는 꿀벌이 어떻게 이러한 복잡한 결정을 내리는지 보고한다.

조화의 들판

우리는 색색의 카드 디스크로 만든 인공 꽃밭으로 꿀벌에게 도전했다. 각각의 카드에는 설탕 시럽이 조금씩 제공되었다. 색이 다른 "꽃"은 설탕을 제공할 가능성이 다양했고, 가짜 꽃이 보상을 제공하는지 여부를 꿀벌이 얼마나 잘 판단할 수 있는지도 달랐다.

우리는 각 벌의 뒷면에 작고 무해한 페인트 자국을 찍고 꽃꽂이를 방문하는 벌의 모든 방문을 촬영했다. 그런 다음 컴퓨터 비전과 머신러닝을 사용하여 벌의 위치와 비행 경로를 자동으로 추출했다. 이 정보를 통해 우리는 꿀벌이 내린 모든 결정을 평가하고 정확하게 시간을 정할 수 있었다.

우리는 꿀벌이 가장 보람 있는 꽃을 식별하는 법을 매우 빨리 배운다는 것을 발견했다. 그들은 꽃을 받아들일지 거부할지를 빠르게 평가했지만, 당혹스럽게도 그들의 올바른 선택은 잘못된 선택(1.2초)보다 평균적으로 더 빨랐다(0.6초).

이것은 우리가 기대했던 것과 정반대이다.

일반적으로 동물, 심지어 인공 시스템에서도 정확한 결정은 부정확한 결정보다 오래 걸린다. 이를 속도-정확도 절충이라고 한다.

결정이 옳은지 그른지를 결정하는 것은 일반적으로 그 결정을 내리는 데 필요한 증거의 양에 달려 있기 때문에 이러한 상충 관계가 발생한다. 더 많은 증거는 우리가 더 정확한 결정을 내릴 수 있다는 것을 의미하지만 증거 수집에는 시간이 걸린다. 따라서 정확한 결정은 일반적으로 느리고 부정확한 결정은 더 빠르다.

속도-정확성 절충은 공학, 심리학 및 생물학에서 너무 자주 발생하므로 거의 "정신 물리학의 법칙"이라고 부를 수 있다. 하지만 꿀벌은 이 법칙을 어기는 것 같았다.

속도-정확성 트레이드 오프를 능가하는 것으로 알려진 유일한 다른 동물은 인간과 영장류이다.

그렇다면 작지만 놀라운 뇌를 가진 꿀벌이 영장류와 동등한 성능을 발휘할 수 있는 방법은 무엇일까?

꿀벌은 위험을 피한다.

이 질문을 분석하기 위해 우리는 시스템이 속도-정확도 트레이드 오프를 극복하기 위해 어떤 속성을 가져야 하는지를 묻는 계산 모델로 전환했다.

우리는 감각 입력을 처리하고, 학습하고, 의사 결정을 내릴 수 있는 인공 신경망을 구축했다. 우리는 이러한 인공 결정 시스템의 성능을 실제 꿀벌과 비교했다. 이것으로부터 우리는 트레이드 오프를 이겨내려면 시스템이 갖추어야 할 것이 무엇인지 식별할 수 있었다.

대답은 "수락" 및 "거부" 응답에 서로 다른 시간 제한 증거 임계값을 제공하는 데 있다. 그것이 의미하는 바는 다음과 같다. 꿀벌은 한눈에 꽃이 보람이 있다고 확신하는 경우에만 꽃을 받아들였습니다. 불확실성이 있으면 거부했다.

이것은 위험을 회피하는 전략이었고 꿀벌이 보람 있는 꽃을 놓칠 수 있음을 의미했지만, 설탕을 제공할 가능성이 가장 높고 증거가 가장 좋은 꽃에만 성공적으로 노력을 집중했다.

꿀벌이 어떻게 빠르고 정확한 결정을 내리는지에 대한 우리의 컴퓨터 모델은 그들의 행동과 알려진 꿀벌 뇌의 경로 모두에 잘 매핑되었다.

우리 모델은 꿀벌이 어떻게 그렇게 효과적이고 빠른 의사 결정자인지에 대해 그럴듯하다. 또한 이러한 기능을 갖춘 탐색 또는 채광을 위한 자율 로봇과 같은 시스템을 구축하는 방법에 대한 템플릿을 제공한다.

이미지 출처: Dustin Humes / Unsplash