Forskere ved Nagoya Universitet i Japan har fundet ud af, at kooperativ jagt, hvor to eller flere rovdyr samarbejder om at fange bytte, ikke kræver sofistikerede kognitive processer i hjernen. Samarbejde kan snarere opstå på grundlag af et simpelt regelsæt og erfaring.
Ikke alene har disse resultater vigtige konsekvenser for forståelsen af udviklingen af samarbejdsadfærd blandt dyr, men de kan også hjælpe med at udvikle kollaborative kunstig intelligens (AI) systemer. Sådanne systemer har potentialet til at fungere som virtuelle ledsagere i taktiske træningssituationer, såsom holdsport og køresimuleringer. Undersøgelsen blev offentliggjort i eLife og blev ledet af Kazushi Tsutsui, Kazuya Takeda og Keisuke Fujii.
Tidligere forskning har knyttet kooperativ jagt til pattedyr, der udviser kompleks social adfærd, såsom løver og chimpanser. Imidlertid er lignende adfærd også blevet fundet hos arter med mindre avancerede kognitive evner, såsom krokodiller og fisk. Dette tyder på, at en enklere mekanisme kan være ansvarlig for denne form for samarbejde.
For at undersøge dette puslespil skabte Tsutsui og hans samarbejdspartnere en beregningsmodel, hvor AI-agenter lærer at jage sammen ved hjælp af dyb forstærkningslæring. Dyb forstærkende læring er en proces, hvor adfærd forstærkes ved at blive belønnet efter at have udført dem.
Forskere træner algoritmer til at lære gennem interaktion med miljøet og modtagelse af belønninger for specifikke handlinger. Ved at bruge dybe neurale netværk kan disse algoritmer behandle input som position og hastighed og træffe autonome beslutninger.
Programmeret med forstærkende indlæringsevner lærte AI-rovdyragenter at samarbejde om jagt ved at interagere med miljøet gennem en sekvens af tilstande, handlinger og belønninger med det mål at udvælge handlinger, der maksimerer fremtidige belønninger. Rovdyrsagenterne samarbejdede på grund af effektiviteten af deres handlinger og forventningen om en belønning (byttet), der skulle fordeles mellem gruppen efter en vellykket jagt.
Under simuleringerne udviste AI-rovdyrene forskellige og komplementære roller, der ligner adfærden hos dyr, der deltager i samarbejdsjagt. For eksempel ville en agent jage byttet, mens en anden ville bagholde det. Efterhånden som antallet af rovdyr steg, steg succesraten, og den nødvendige tid til jagter faldt.
I en sidste test spillede AI-agenter rollen som rovdyr, og menneskelige deltagere fungerede som bytte. På trods af indledende vanskeligheder, såsom forvirring forårsaget af uventede menneskelige bevægelser, arbejdede de trænede AI-agenter sammen og fangede deres menneskelige bytte. Dette viser, hvordan vellykket samarbejdsjagt ikke kræver komplekse kognitive processer og antyder, at rovdyr i den virkelige verden også kan lære at samarbejde gennem et simpelt sæt beslutningsregler.
"Vores rovdyr-agenter lærte at samarbejde ved hjælp af forstærkende læring uden at kræve komplekse kognitive mekanismer, der ligner sindets teori," sagde Tsutsui. "Dette tyder på, at kooperativ jagt kan udvikle sig i en bredere vifte af arter end tidligere antaget."
Forskerholdet forventer, at deres opdagelser vil føre til nye feltstudier om beslutningstagning i rovdyr-byttedyrs dynamik. Desuden viser dette projekt potentialet til at fremme samarbejdende AI-systemer, hvilket kan have positive effekter på andre domæner, der kræver samarbejdsløsninger, såsom autonom kørsel og trafikstyring.
Flere oplysninger: Kazushi Tsutsui et al., Kollaborativ jagt på kunstige midler med dyb forstærkningslæring, eLife (2024). DOI:10.7554/eLife.85694
Journaloplysninger: eLife
Leveret af Nagoya University
Sidste artikelTruede migrerende ørne påvirket af krigen i Ukraine, viser ny undersøgelse
Næste artikelUndersøgelse viser, at overskyet vand kan få afrikanske fisk til at udvikle større øjne