Jak by potvrdil Sheldon Cooper, pozorovat kolektivní chování mravenců je fascinující zážitek. Mravenci žijí ve vysoce organizovaných koloniích a při každodenních činnostech spolupracují na řešení problémů. Jsou to blízcí příbuzní vos a včel, kteří spolupráci dohnali do extrému, i když, jako obvykle, jsou za tím naprosto sobecké důvody. Dnes se výkonné hemžení mravenců stává inspirací pro vývoj systémů umělé inteligence.
Ofer Feinerman, který vede skupinu pro výzkum kolektivního chování mravenců na Weizmann Institute of Science, a jeho kolegové zkoumali, jak si týmy mravenců poradí s různě obtížnými hlavolamy. Dospěli k tomu, že početnější mravenčí týmy v porovnání s menšími týmy, vyřeší složitější problémy a hlavolamy.
Feinerman a spol. provedli sérii terénních experimentů s mravenci druhu Paratrechina longicornis. Je to nesmírně úspěšný mravenec, který zřejmě pochází z tropické Afriky, ale dnes žije po téměř celém lidmi obydleném světě, od Švédska až po Nový Zéland. Je jedním z nejvíce rozšířených mravenců na Zemi, ne-li úplně nejrozšířenější. Ekologický úspěch ho předurčil jako šikovný modelový druh pro experimenty s kolektivním chováním.
Vědci nejprve pomocí 3D tisku vyrobili drobné objekty s přesně definovanou hmotností i tvarem. Ty pak přes noc ponechali v kočičím krmivu, aby nasákly jeho vůní a staly se pro mravence lákavými jako potrava. Pak už jen stačilo tyto atraktivní objekty umístit ve speciálně vyrobených bludištích poblíž mraveniště a sledovat, co se bude dít.
Výsledky experimentů ukázaly, že větší týmy mravenců si obvykle poradily se složitějšími hlavolamy v porovnání s menšími týmy. Rozdíly mezi nimi se ale projevily až ve chvíli, kdy úkoly dosáhly určité úrovně obtížnosti. Jinak řečeno, téměř všechny týmy mravenců zvládaly bez problémů jednoduché úkoly spočívající v přenesení malého nákladu jednoduchým bludištěm. Když ale byly labyrinty složitější a náklad těžší, začaly mít početnější týmy mravenců výraznou převahu.
Badatelé současně porovnávali výkony týmů mravenců s agenty umělých inteligencí, kteří v počítačových simulacích řešili stejné hlavolamy jako mravenci. Jejich chování bylo založeno na fyzikálních a matematických modelech. Jak říká Feinerman, ukázalo se, že jednoduché hlavolamy lze vyřešit pomocí prostých modelů založených na gravitaci. Stačí s bludištěm, uvnitř kterého je testovaný objekt, virtuálně zatřást a objekt virtuálně vypadne ven.
U složitějších hlavolamů ale měli navrch mravenci. Pozoruhodné bylo, že když vědci obohatili své fyzikální modely o strategie vypůjčené od mravenců, virtuální agenti řešili hlavolamy podstatně lépe. Výsledky experimentů opět potvrzují úctyhodnou kolektivní inteligenci mravenčích kolonií, kterou ale ještě bude nutné důkladně prozkoumat. Do budoucna by mravenci mohli inspirovat vývoj pokročilejších systémů umělé inteligence i hejnové robotiky.
Video: Humans Vs Ants
Video: Nest construction by weaver ants: Cognition without a brain
Literatura
Pesticidem rozzuření invazivní mravenci dělají problémy
Autor: Josef Pazdera (28.10.2013)
Minimalistická komanda mravenčích drancířů
Autor: Stanislav Mihulka (05.02.2014)
Tajemství druhové rozmanitosti mravenců v korunách deštného pralesa rozluštěno
Autor: Petr Klimeš (05.04.2015)
Uhranuté mravenčí zombie stráží housenky ostruháčků
Autor: Stanislav Mihulka (09.08.2015)
Mravenci a vodouch inspirovali nepotopitelný kov
Autor: Stanislav Mihulka (09.11.2019)
Včely a mravenci v éře dinosaurů
Autor: Vladimír Socha (10.08.2021)
„Všichni jsme mrtví:“ Kolonie mravenců používají neuvěřitelný trik
Autor: Stanislav Mihulka (14.05.2023)
Mravenci porážejí lidi v kooperativní geometrické hádance
Autor: Stanislav Mihulka (30.12.2024)
Diskuze:
Anata
F M,2026-08-11 13:12:53
Ten druhý odkaz pod článkem, překlad Google již prakticky nepotřebuje ani učesat: https://royalsocietypublishing.org/rsif/article/23/240/20250989/482447/Collective-ant-transport-outperforms-gravity-based
Nové je to nesrovnavání s lidmi, ale přechod a využití u výpočetní techniky.
"ukazujeme, že mravenci řeší široké spektrum hádanek bez předchozí znalosti geometrie, zatímco simulovaný řešitel vyžaduje úpravy parametrů přizpůsobené každému hádance. Naše zjištění zdůrazňují flexibilitu a robustnost kolektivního poznávání ve skupinách mravenců a poskytují rámec pro integraci biologických strategií do umělých systémů řešení problémů."
Nulový model- "Stačí s bludištěm, uvnitř kterého je testovaný objekt, virtuálně zatřást a objekt virtuálně vypadne ven." Zde vystupuje jako "porovnáváme výkon mravenců s jednoduchým nulovým modelem založeným na fyzice, který se spoléhá pouze na gravitaci a šum, a proto postrádá kognitivní funkce." No mi to přijde vtipné.
Pokusů proběhlo více, desítky na každou variantu, takže to není o náhodě. Pokud to někdo nechce číst celé, ale přecejenom ho to zajímá tak směrodatný a vcelku pochopitelný je obrázek 2. U dvou štěrbin (dvojštěrbinový experiment, pardon to muselo padnout) bylo nutno coufat od mraveniště, což jim obecně moc nejde (mají více zbytečných pokusů směrem vpřed) a délky tras byly výrazně delší. Pár pokusů bylo neúspěšných, pro složitější tvary a 2 štěrbiny, mravenci.
Aby ty modely překonaly ty mravence (velké skupiny) tak je nemuseli optimalizovat, ale vyloženě nastavit tak, aby je na to jedno konkrétní řešení navedli, ovšem srovnání je s 90 percentilem.
Už ty modely "Napříč všemi hádankami si neelastické modely s nízkou silou (náhrada pro velké skupiny) vedou stejně dobře nebo lépe než elastické modely s vysokou silou (náhrada pro malé skupiny)." Až na jednu výjimku, kde to "zapadne na místo". Výkonu velkých skupin nedosahují. Vychází z toho nulového modelu, potom i němu přidávají různé ty mravenčí vlastnosti. Potom aplikují to "ladění parametrů".
Ty vlastnosti/"schopnosti": "Zaprvé, neelastické srážky v simulacích odpovídají schopnosti skupin mravenců zůstat po srážkách blízko hranice. Toto chování bylo dříve popsáno jako forma paměti a pozitivně spojeno se zlepšeným výkonem. Zadruhé, působení síly na jeden bod na obvodu zabraňuje průměrování síly a lze jej interpretovat jako použití lokálních, částečných informací" (zahrnuje rotaci) "Zatřetí, častá randomizace bodu působení síly pomáhá systému vyhnout se zaseknutí tím, že neustále zkoumá různé možnosti rotace." napodobují střídání těch leaderů, tedy i příchozích s novými informacemi,+4 "empiricky pozorovaná individuální lokální znalost směru k východu."
Výsledek je ten zde ve článku, je to stále slabší než ty velké skupiny mravenců, tedy ve všestrannosti, jinak je po optimalizaci srovnávají (i ten percentil).
"Zatímco mravenci mohou využívat další, dosud neznámé vlastnosti, dvě zavedené vlastnosti systému jdou nad rámec jednoduché mechaniky a pomáhají výkonu. Zaprvé, v pohledu podobném Isingově teorii zpomalení zátěže snižuje efektivní vazbu mezi agenty, což vytváří dočasné zvýšení šumu; tato přechodná zvýšení stochasticity umožňují velké perturbace, které pomáhají skupině vyhnout se slepým uličkám bez explicitních změn parametrů. Zadruhé, zastavení umožňuje nábor: když je zátěž zaseknutá, připojují se další pracovníci; s rostoucí velikostí skupiny se kolektiv posouvá směrem k průzkumnějším, uspořádanějším stavům, což zvyšuje pravděpodobnost úniku z lokálních pastí"
Ve zkratce když jde do tuhého, zvýší se role náhody a šance, že řešení samo vypadne (i špatné), při úplném zaseknutí se zvýší výpočetní síla a přijdou nové informace.
Diskuze je otevřená pouze 7dní od zvěřejnění příspěvku nebo na povolení redakce
