Bijen rond een bijenkoningin gemarkeerd met een stip op de rug. Shutterstock

Het leven van een honingbij hangt af van het succesvol oogsten van nectar van bloemen om honing te maken. Beslissen welke bloem het meest waarschijnlijk nectar zal aanbieden, is ongelooflijk moeilijk.

Om het goed te doen, moeten subtiele aanwijzingen over bloemtype, leeftijd en geschiedenis correct worden afgewogen - de beste indicatoren dat een bloem een ​​klein druppeltje nectar kan bevatten. Als je het verkeerd doet, is dat in het beste geval tijdverspilling, en in het slechtste geval betekent het dat je wordt blootgesteld aan een dodelijk roofdier dat zich in de bloemen verschuilt.

In nieuw onderzoek vandaag gepubliceerd in eLife ons team rapporteert hoe bijen deze complexe beslissingen nemen.

Een veld met kunstbloemen

We daagden bijen uit met een veld met kunstbloemen gemaakt van gekleurde schijven karton, die elk een klein druppeltje suikerstroop boden. "Bloemen" met verschillende kleuren verschilden in hun kans om suiker aan te bieden, en verschilden ook in hoe goed bijen konden beoordelen of de nepbloem al dan niet een beloning bood.

We brachten kleine, ongevaarlijke verfstrepen aan op de rug van elke bij en filmden elk bezoek dat een bij aan de bloemenreeks bracht. Vervolgens gebruikten we computervisie en machine learning om automatisch de positie en het vliegpad van de bij te extraheren. Op basis van deze informatie konden we elke beslissing van de bijen beoordelen en nauwkeurig timen.

We ontdekten dat bijen heel snel leerden om de meest lonende bloemen te identificeren. Ze beoordeelden snel of ze een bloem moesten accepteren of weigeren, maar tot hun verbazing waren hun juiste keuzes gemiddeld sneller (0.6 seconden) dan hun foute keuzes (1.2 seconden).

Dit is het tegenovergestelde van wat we verwacht hadden.

Gewoonlijk duurt bij dieren – en zelfs in kunstmatige systemen – een juiste beslissing langer dan een onnauwkeurige beslissing. Dit heet de afweging tussen snelheid en nauwkeurigheid.

Deze afweging vindt plaats omdat bepalen of een beslissing goed of fout is meestal afhangt van hoeveel bewijs we hebben om die beslissing te nemen. Meer bewijs betekent dat we een nauwkeurigere beslissing kunnen nemen, maar het verzamelen van bewijs kost tijd. Nauwkeurige beslissingen zijn dus meestal traag en onnauwkeurige beslissingen zijn sneller.

De wisselwerking tussen snelheid en nauwkeurigheid komt zo vaak voor in techniek, psychologie en biologie, dat je het bijna een "wet van de psychofysica" zou kunnen noemen. En toch leken bijen deze wet te overtreden.

De enige andere dieren waarvan bekend is dat ze de afweging tussen snelheid en nauwkeurigheid verslaan zijn mensen en primaten.

Hoe kan een bij, met zijn kleine maar opmerkelijke brein, dan op hetzelfde niveau presteren als primaten?

Bijen vermijden risico

Om deze vraag uit elkaar te halen, wendden we ons tot een rekenmodel, met de vraag welke eigenschappen een systeem nodig zou hebben om de afweging tussen snelheid en nauwkeurigheid te verslaan.

We hebben kunstmatige neurale netwerken gebouwd die in staat zijn om sensorische input te verwerken, te leren en beslissingen te nemen. We hebben de prestaties van deze kunstmatige beslissystemen vergeleken met die van echte bijen. Hieruit konden we vaststellen wat een systeem moest hebben om de afweging te kunnen maken.

Het antwoord lag in het geven van verschillende tijdgebonden bewijsdrempels voor "accepteren" en "afwijzen". Dit is wat dat betekent: bijen accepteerden alleen een bloem als ze dat in één oogopslag waren zeker het was de moeite waard. Als ze enige twijfel hadden, verwierpen ze het.

Dit was een risicomijdende strategie en betekende dat bijen misschien enkele lonende bloemen hadden gemist, maar het richtte hun inspanningen met succes alleen op de bloemen met de beste kans en het beste bewijs om hen van suiker te voorzien.

Ons computermodel van hoe bijen snelle, nauwkeurige beslissingen namen, kwam goed overeen met zowel hun gedrag als de bekende paden van het bijenbrein.

Ons model is aannemelijk voor hoe bijen zulke effectieve en snelle besluitvormers zijn. Bovendien geeft het ons een sjabloon voor hoe we systemen kunnen bouwen, zoals autonome robots voor verkenning of mijnbouw, met deze functies.

Over de auteur

Andreas Baron, Professor, Macquarie University

Dit artikel is opnieuw gepubliceerd vanaf The Conversation onder een Creative Commons-licentie. Lees de originele artikel.

ING