Forskare vid Nagoya University i Japan har funnit att kooperativ jakt, där två eller flera rovdjur samarbetar för att fånga byten, inte kräver sofistikerade kognitiva processer i hjärnan. Snarare kan samarbete uppstå på grundval av en enkel uppsättning regler och erfarenheter.
Dessa fynd har inte bara viktiga konsekvenser för att förstå utvecklingen av samarbetsbeteende bland djur, utan de kan också hjälpa till att utveckla kollaborativa system för artificiell intelligens (AI). Sådana system har potential att fungera som virtuella följeslagare i taktiska träningssituationer, såsom lagsporter och körsimuleringar. Studien publicerades i eLife och leddes av Kazushi Tsutsui, Kazuya Takeda och Keisuke Fujii.
Tidigare forskning har kopplat kooperativ jakt till däggdjur som uppvisar komplexa sociala beteenden, som lejon och schimpanser. Liknande beteenden har dock även hittats hos arter med mindre avancerade kognitiva förmågor, som krokodiler och fiskar. Detta tyder på att en enklare mekanism kan vara ansvarig för denna form av samarbete.
För att undersöka detta pussel skapade Tsutsui och hans medarbetare en beräkningsmodell där AI-agenter lär sig att jaga tillsammans med hjälp av djup förstärkningsinlärning. Djup förstärkningsinlärning är en process där beteenden förstärks genom att de belönas efter att de har utförts.
Forskare tränar algoritmer för att lära sig genom interaktion med omgivningen och ta emot belöningar för specifika handlingar. Genom att använda djupa neurala nätverk kan dessa algoritmer bearbeta indata som position och hastighet och fatta autonoma beslut.
Programmerade med förstärkningsinlärningsförmåga, lärde AI-rovdjursagenter att samarbeta i jakten genom att interagera med miljön genom en sekvens av tillstånd, handlingar och belöningar, med målet att välja åtgärder som maximerar framtida belöningar. Rovdjursagenterna samarbetade på grund av effektiviteten i deras handlingar och förväntan på en belöning (bytet) som skulle delas mellan gruppen efter en framgångsrik jakt.
Under simuleringarna uppvisade AI-rovdjuren distinkta och kompletterande roller, liknande beteendet hos djur som ägnar sig åt kooperativ jakt. Till exempel skulle en agent jaga bytet, medan en annan skulle lägga ett bakhåll. När antalet rovdjur ökade, ökade framgångsfrekvensen och tiden som krävdes för jakter minskade.
I ett sista test spelade AI-agenter rollen som rovdjur och mänskliga deltagare agerade som bytesdjur. Trots initiala svårigheter, som förvirring orsakad av oväntade mänskliga rörelser, arbetade de utbildade AI-agenterna tillsammans och fångade deras mänskliga byte. Detta visar hur framgångsrik kooperativ jakt inte kräver komplexa kognitiva processer och antyder att rovdjur i den verkliga världen också kan lära sig att samarbeta genom en enkel uppsättning beslutsregler.
"Våra rovdjursagenter lärde sig att samarbeta med hjälp av förstärkningsinlärning, utan att kräva komplexa kognitiva mekanismer som liknar teorin om sinnet," sa Tsutsui. "Detta tyder på att kooperativ jakt kan utvecklas inom ett bredare spektrum av arter än man tidigare trott."
Forskargruppen förväntar sig att deras upptäckter kommer att leda till nya fältstudier om beslutsfattande i rovdjur-bytesdynamik. Dessutom visar detta projekt på potentialen att utveckla kooperativa AI-system, vilket kan ha positiva effekter inom andra domäner som kräver samarbetslösningar, såsom autonom körning och trafikledning.
Mer information: Kazushi Tsutsui et al, Kollaborativ jakt på artificiella medel med djup förstärkningsinlärning, eLife (2024). DOI:10.7554/eLife.85694
Journalinformation: eLife
Tillhandahålls av Nagoya University
