即便技术再先进，一旦置身真实而多变的环境，也难免出错。2026 年 4 月，美国德克萨斯州圣安东尼奥一辆 Waymo 机器人出租车在恶劣天气中驶入积水车道，迫使公司召回约 3800 辆车进行软件修复。

无人受伤，但这起事件凸显了一个更根本的问题：智能不只是“算得快、算得多”。真正的智能还包括：知道该看哪里、关注什么、何时行动，以及在环境变化时如何利用以往经验调整行为。

如今，人工智能研究人员开始转向蜜蜂等昆虫，希望借鉴它们的能力，设计出在复杂世界中能做出更好决策的机器和机器人。

我的研究聚焦蜜蜂如何学习——从识别简单的视觉图案，到掌握更抽象的概念，以及在条件改变时如何灵活调整行为。通过结合行为实验、神经记录（例如测量大脑活动信号）和类脑计算（受动物大脑结构与功能启发的计算方法），目标是揭示：体积微小的大脑如何在复杂环境中导航并高效决策。

我也曾在工业界工作，将这些生物学发现转化为机器人应用，尝试把“蜂群智慧”引入机器智能。

研究显示，蜜蜂在决定是否采集一朵花时，既快速又准确。它们并不依赖完美信息，而是综合感官线索、过往经验以及潜在回报（例如可能获得的花蜜量）来做判断。

许多自主系统同样需要这种能力。探索温室、仓库或灾区的机器人不可能等待“完美数据”再行动。蜜蜂提供了一种以灵活决策和实用捷径为核心，而非依赖庞大算力的模型。

蜜蜂的大脑比芝麻还小，却能完成远距离导航、穿越杂乱环境、识别高价值花朵、避开危险、与巢友交流，并迅速做出决策。它们消耗的能量只是现代计算机的一小部分，却能在极少的经历中学会新的颜色、气味或图案与食物之间的关联。

这使蜜蜂成为一种出人意料却极具价值的蓝图：如何构建低功耗、稳健的人工智能和自主系统，让它们真正适应现实世界。

蜜蜂如何多任务处理

许多人工智能系统被设计成只擅长单一任务，例如图像识别、路径规划或目标检测。而机器人技术的目标更为艰巨：在不可预测的环境中，让紧凑的机器同时处理多项任务，并保持极低能耗。

蜜蜂提供了一个现实可行的范例。在一次觅食飞行中，蜜蜂必须同时完成多项工作：寻找食物、保持方向感、避开威胁，并根据经验不断更新选择，而这一切都依赖于仅约一百万个神经元组成的大脑。

它们通过整合视觉、嗅觉、触觉、振动和气流等多种感官信息来实现这一点。蜜蜂并不会逐一处理每个细节，而是将不同信息流融合，提取对生存最关键的部分。

对机器人技术而言，蜜蜂展示了一个小型系统如何在没有庞大算力的前提下协调多任务。这一原则可为农业机器人、搜救机器人、环境监测设备以及行星探测器等低功耗自主系统的设计提供指导。

蜜蜂还提醒我们：智能不仅取决于“感知到了什么”，还取决于“如何移动去获取和塑造信息”。这一理念被称为“主动感知”，有望改变机器人技术的设计思路。

当蜜蜂接近花朵时，它并不是像相机那样获取一张静态图像，而是通过移动头部和身体、改变观察角度，在眼睛上产生特定的视觉运动模式。这些动作让关键信息更加突出，使蜜蜂能够忽略无关细节。因此，蜜蜂无需记住花朵的完整细节图像，只需学习那些有助于再次识别的关键线索——运动本身成为感知的一部分。

这与许多被动分析图像的机器视觉系统形成鲜明对比。若小型机器人采用类似蜜蜂的策略，就不必处理每一个像素，而是通过自身运动让场景更易理解：例如通过移动位置判断距离、转动机身提升对比度，或利用运动检测障碍物。

由此得到的启示很直接：智能不在于处理所有信息，而在于在合适的时间，用合适的策略找到最有用的信息。

对觅食中的蜜蜂而言，错误决策代价高昂。长途飞行后选错花朵会浪费时间和能量；犹豫过久则可能错失机会，甚至暴露在危险之中。为此，蜜蜂依靠相对简单的神经回路，做出快速、准确且具风险意识的决策。

它们不需要庞大大脑或巨量算力，而是通过精简的神经电路，迅速判断是拒绝一朵花，还是安全降落采集花蜜。

无需地图的导航

导航是蜜蜂启发工程师的另一重要领域。蜜蜂可以从蜂巢飞行数公里到达食物源，再利用视觉地标、距离估计和记忆准确返回巢穴。

受蜜蜂飞行方式启发的新研究表明，微型无人机可以借助极小规模的神经网络实现导航。在一项研究中，一个名为 Bee-Nav 的蜜蜂启发系统，使小型机器人仅凭紧凑的“神经记忆”就能离开“家”并成功返回。

这意味着，未来的无人机或许不再依赖 GPS、精细地图或大型机载计算机，而是通过对关键视图的紧凑记忆和简单的运动规则完成导航。

这类系统在 GPS 信号不可靠的环境中尤其有用，例如森林、隧道、温室或坍塌建筑内部。

未来，从微型无人机到农场机器人，再到环境传感器，许多机器都需要在没有大容量电池或持续云端计算支持的情况下独立运行。像蜜蜂一样，它们需要在有限能量、有限记忆和有限信息的约束下，依靠简单而稳健的导航策略完成任务。

更深层的启示在于：智能并不总是与规模成正比。随着人工智能在日常生活中越来越普及，蜜蜂为应对不断攀升的能耗问题提供了一种优雅的思路。几十年来，人工智能的目标常常是构建接近人类思维的系统，但蜜蜂表明，“聪明”并不必然意味着“庞大”。

通过模仿蜜蜂快速学习、无地图导航以及整合多源信息的能力，我们或许能够打造出更高效、更灵活、更具韧性的技术系统。

本文根据知识共享许可协议转载自 The Conversation。阅读原文。