De Caribische dooskwal kan ondanks het ontbreken van een centraal brein leren door middel van associatie. Dit cognitieve vermogen, waarvan eerder werd aangenomen dat er een centraal zenuwstelsel voor nodig was, werd door onderzoekers waargenomen toen de kwallen het botsen tegen iets ‘begrepen’ als een visuele aanwijzing om toekomstige botsingen te voorkomen.
De uitgevoerde experimenten waren zo opgezet dat de natuurlijke omgeving van de kwal werd nagebootst, wat resulteerde in biologisch zinvolle waarnemingen. Verdere studie van de kleine oog-hersencomplexen van de kwal, bekend als rhopalia, zou licht kunnen werpen op de evolutionaire oorsprong van leren. Deze inzichten kunnen ook implicaties hebben voor niet-biologische systemen, mogelijk helpen bij de ontwikkeling van robots die patronen herkennen en bijdragen aan de vooruitgang in kunstmatige intelligentie en machinaal leren.
- Kwallen dagen het traditionele begrip van leren zonder centraal brein uit en geven daarmee evolutionaire inzichten.
- Hun gedecentraliseerde neurale netwerken bieden AI-inspiratie voor gedistribueerde leersystemen en onderwaterrobotica.
- Onderzoek naar leermechanismen van kwallen kan aanpasbare AI-algoritmen verbeteren en de mogelijkheden voor machinaal leren uitbreiden.
Kwallen: een onconventioneel studieobject
Kwallen, die deel uitmaken van het oude phylum Cnidaria, behoren tot de eenvoudigste levensvormen. In tegenstelling tot de meeste andere dieren hebben ze geen gecentraliseerd brein en in plaats daarvan een diffuus netwerk van neuronen, bekend als een zenuwnet, verspreid over hun lichaam. Dankzij dit primitieve zenuwstelsel kunnen kwallen, ondanks hun eenvoud, allerlei complexe gedragingen uitvoeren, zoals eten, paren en obstakels ontwijken. De Caribische dooskwal, een soort van nauwelijks een centimeter lang, heeft onderzoekers onlangs versteld doen staan door associatieve leercapaciteiten aan te tonen.
Deze bevindingen zetten lang gekoesterde opvattingen over cognitie en de noodzaak van hersenen om te leren op losse schroeven. De dooskwal, en mogelijk ook andere cnidaria zoals zeeanemonen, zijn in staat tot associatief leren, een cognitief proces waarvan eerder werd gedacht dat er een gecentraliseerd zenuwstelsel voor nodig was. Deze onthulling opent nieuwe perspectieven op de evolutie van leren en cognitie en suggereert dat deze vermogens zich veel eerder in de levensboom zouden kunnen hebben ontwikkeld dan eerder werd aangenomen.
Implicaties voor kunstmatige intelligentie en neurale netwerken
Inzicht in de leermechanismen van een zo eenvoudig wezen als een kwal kan ingrijpende gevolgen hebben voor onderzoek naar kunstmatige intelligentie (AI) en neurale netwerken. Het gedecentraliseerde zenuwstelsel van de kwal, waarin elk ‘oogbrein’-complex, of rhopalium, onafhankelijk kan functioneren en leren, biedt een uniek model voor gedistribueerde leersystemen.
De studie van neurale netwerken van de oorkwal heeft al inzichten opgeleverd in de regulatie van beweging en de veerkracht van het zenuwstelsel, zelfs wanneer delen van het dier zijn aangetast. Onderzoekers van de Universiteit van Bonn hebben een wiskundig model ontwikkeld om te onderzoeken hoe excitatie van zenuwcellen leidt tot de efficiënte bewegingen van de kwal. Dit onderzoek kan bijdragen aan het verbeteren van de autonome besturing van onderwaterrobots op basis van het zwemprincipe van kwallen, en de principes kunnen ook breder worden toegepast op het gebied van robotica.
Van biologische naar niet-biologische leersystemen
De studie van de leermechanismen van dooskwallen zou dus ook de ontwikkeling van niet-biologische leersystemen kunnen beïnvloeden. Door te begrijpen hoe een eenvoudig organisme als een kwal leert en zijn gedrag aanpast, kunnen we misschien AI-systemen ontwerpen die kunnen leren van de omgeving en zich op een vergelijkbare manier kunnen aanpassen. Dit zou kunnen leiden tot robuustere en beter aanpasbare AI-systemen die kunnen functioneren in complexe en onvoorspelbare omgevingen.
De implicaties van dit onderzoek reiken verder dan de biologie en betreffen ook de technologie, met name kunstmatige intelligentie en machinaal leren. De inzichten die zijn verkregen uit de leermechanismen van de kwal kunnen helpen bij de ontwikkeling van nieuwe algoritmen die leren van niet-traditionele bronnen, waardoor de mogelijkheden voor AI en machinaal leren worden uitgebreid.
Als je dit artikel leuk vindt, lees dan ook:
