Abelhas cercando uma abelha rainha marcada com um ponto nas costas. Shutterstock

A vida de uma abelha depende de colher com sucesso o néctar das flores para fazer mel. Decidir qual flor tem maior probabilidade de oferecer néctar é incrivelmente difícil.

Acertá-lo corretamente exige ponderar dicas sutis sobre o tipo de flor, idade e história – os melhores indicadores de que uma flor pode conter uma pequena gota de néctar. Errar é, na melhor das hipóteses, uma perda de tempo e, na pior das hipóteses, significa exposição a um predador letal escondido nas flores.

Em novas pesquisas publicado hoje na eLife nossa equipe relata como as abelhas tomam essas decisões complexas.

Um campo de flores artificiais

Desafiamos as abelhas com um campo de flores artificiais feito de discos coloridos de cartolina, cada um oferecendo uma gotinha de calda de açúcar. “Flores” de cores diferentes variavam em sua probabilidade de oferecer açúcar e também diferiam em quão bem as abelhas podiam julgar se a flor falsa oferecia ou não uma recompensa.

Colocamos marcas de tinta minúsculas e inofensivas nas costas de cada abelha e filmamos cada visita que uma abelha fazia ao arranjo de flores. Em seguida, usamos visão computacional e aprendizado de máquina para extrair automaticamente a posição e a trajetória de voo da abelha. A partir dessa informação, pudemos avaliar e cronometrar com precisão cada decisão tomada pelas abelhas.

Descobrimos que as abelhas aprenderam muito rapidamente a identificar as flores mais gratificantes. Eles avaliaram rapidamente se deveriam aceitar ou rejeitar uma flor, mas surpreendentemente suas escolhas corretas foram em média mais rápidas (0.6 segundos) do que suas escolhas incorretas (1.2 segundos).

Isso é o oposto do que esperávamos.

Normalmente em animais – e mesmo em sistemas artificiais – uma decisão precisa leva mais tempo do que uma decisão imprecisa. Isso é chamado a compensação velocidade-precisão.

Essa troca acontece porque determinar se uma decisão é certa ou errada geralmente depende de quanta evidência temos para tomar essa decisão. Mais evidências significam que podemos tomar uma decisão mais precisa – mas coletar evidências leva tempo. Portanto, decisões precisas geralmente são lentas e decisões imprecisas são mais rápidas.

A troca de velocidade e precisão ocorre com tanta frequência em engenharia, psicologia e biologia que você quase poderia chamá-la de “lei da psicofísica”. E, no entanto, as abelhas pareciam estar quebrando essa lei.

Os únicos outros animais conhecidos por vencer a troca de velocidade e precisão são humanos e primatas.

Como pode então uma abelha, com seu cérebro minúsculo, mas notável, ter um desempenho igual ao dos primatas?

Abelhas evitam riscos

Para desmontar essa questão, recorremos a um modelo computacional, perguntando quais propriedades um sistema precisaria ter para vencer a troca de velocidade e precisão.

Construímos redes neurais artificiais capazes de processar informações sensoriais, aprender e tomar decisões. Comparamos o desempenho desses sistemas de decisão artificiais com as abelhas reais. A partir disso, poderíamos identificar o que um sistema precisava ter para vencer o tradeoff.

A resposta está em dar respostas de “aceitar” e “rejeitar” diferentes limiares de evidência com limite de tempo. Aqui está o que isso significa – as abelhas só aceitaram uma flor se, à primeira vista, elas fossem certo foi gratificante. Se eles tivessem alguma incerteza, eles a rejeitavam.

Esta foi uma estratégia avessa ao risco e significou que as abelhas podem ter perdido algumas flores recompensadoras, mas concentrou seus esforços com sucesso apenas nas flores com a melhor chance e melhor evidência de fornecer-lhes açúcar.

Nosso modelo de computador de como as abelhas estavam tomando decisões rápidas e precisas mapeou bem tanto seu comportamento quanto os caminhos conhecidos do cérebro da abelha.

Nosso modelo é plausível de como as abelhas são tomadores de decisão tão eficazes e rápidos. Além do mais, ele nos dá um modelo de como podemos construir sistemas – como robôs autônomos para exploração ou mineração – com esses recursos.

Sobre o autor

André BarronProfessor, Macquarie University

Este artigo foi republicado a partir de A Conversação sob uma licença Creative Commons. Leia o artigo original.

ing