Api che circondano un'ape regina contrassegnata da un punto sul dorso. Shutterstock

La vita di un'ape mellifera dipende dal fatto che raccolga con successo il nettare dai fiori per fare il miele. Decidere quale fiore è più probabile che offra il nettare è incredibilmente difficile.

Farlo bene richiede di soppesare correttamente i segnali sottili sul tipo di fiore, l'età e la storia: i migliori indicatori che un fiore potrebbe contenere una minuscola goccia di nettare. Sbagliare è nella migliore delle ipotesi una perdita di tempo, e nella peggiore significa esporsi a un predatore letale nascosto tra i fiori.

In una nuova ricerca pubblicato oggi su eLife il nostro team racconta come le api prendono queste decisioni complesse.

Un campo di fiori artificiali

Abbiamo sfidato le api con un campo di fiori artificiali realizzati con dischetti colorati di cartoncino, ognuno dei quali offriva una minuscola goccia di sciroppo di zucchero. I "fiori" di diversi colori variavano nella loro probabilità di offrire zucchero, e differivano anche nel modo in cui le api potevano giudicare se il fiore finto offrisse o meno una ricompensa.

Mettiamo piccoli segni di vernice innocui sul dorso di ogni ape e filmiamo ogni visita che un'ape fa al mazzo di fiori. Abbiamo quindi utilizzato la visione artificiale e l'apprendimento automatico per estrarre automaticamente la posizione e la traiettoria di volo dell'ape. Da queste informazioni, potremmo valutare e cronometrare con precisione ogni singola decisione presa dalle api.

Abbiamo scoperto che le api hanno imparato molto rapidamente a identificare i fiori più gratificanti. Hanno rapidamente valutato se accettare o rifiutare un fiore, ma sorprendentemente le loro scelte corrette sono state in media più veloci (0.6 secondi) delle loro scelte sbagliate (1.2 secondi).

Questo è l'opposto di quello che ci aspettavamo.

Di solito negli animali – e anche nei sistemi artificiali – una decisione accurata richiede più tempo di una decisione imprecisa. Questo è chiamato il compromesso velocità-precisione.

Questo compromesso si verifica perché determinare se una decisione è giusta o sbagliata di solito dipende da quante prove abbiamo per prendere quella decisione. Più prove significa che possiamo prendere una decisione più accurata, ma la raccolta di prove richiede tempo. Quindi le decisioni accurate sono generalmente lente e le decisioni imprecise sono più veloci.

Il compromesso tra velocità e precisione si verifica così spesso in ingegneria, psicologia e biologia che potresti quasi definirlo una "legge della psicofisica". Eppure le api sembravano violare questa legge.

Gli unici altri animali noti per superare il compromesso velocità-precisione sono umani e primati.

Come può allora un'ape, con il suo minuscolo ma straordinario cervello, esibirsi alla pari dei primati?

Le api evitano il rischio

Per smontare questa domanda ci siamo rivolti a un modello computazionale, chiedendoci quali proprietà dovrebbe avere un sistema per battere il compromesso velocità-accuratezza.

Abbiamo costruito reti neurali artificiali in grado di elaborare input sensoriali, apprendere e prendere decisioni. Abbiamo confrontato le prestazioni di questi sistemi decisionali artificiali con le api reali. Da questo abbiamo potuto identificare ciò che un sistema doveva avere se voleva superare il compromesso.

La risposta stava nel dare risposte "accetta" e "rifiuta" diverse soglie di evidenza limitate nel tempo. Ecco cosa significa: le api accettano un fiore solo se, a prima vista, lo sono sicuro è stato gratificante. Se avevano qualche incertezza, la rifiutavano.

Questa era una strategia avversa al rischio e significava che le api avrebbero potuto perdere alcuni fiori gratificanti, ma ha concentrato con successo i loro sforzi solo sui fiori con le migliori possibilità e le migliori prove di fornire loro lo zucchero.

Il nostro modello computerizzato di come le api prendevano decisioni rapide e accurate corrispondeva bene sia al loro comportamento che ai percorsi noti del cervello delle api.

Il nostro modello è plausibile per come le api siano decisori così efficaci e veloci. Inoltre, ci fornisce un modello su come potremmo costruire sistemi, come robot autonomi per l'esplorazione o l'estrazione mineraria, con queste caratteristiche.

Circa l'autore

Andrea Barron, Professore, Università di Macquarie

Questo articolo è ripubblicato da The Conversation sotto una licenza Creative Commons. Leggi il articolo originale.

ING