Искусственный интеллект помог раскрыть принцип коллективного интеллекта клеток

Исследователи из Токийского университета обнаружили, что отдельные клетки при коллективной хемотаксисе действуют как агенты в распределённом обучении с подкреплением, используя окружающую среду в качестве «внешней памяти» и демонстрируя высокоинтеллектуальное поведение. Автор: Institute of Industrial Science, The University of Tokyo

Давно известно, что группы клеток способны выполнять сложные задачи, такие как навигация по лабиринтам или стратегическая колонизация новых мест обитания, хотя отдельные биологические клетки обладают лишь ограниченной способностью реагировать на сигналы в своей непосредственной среде.

Теперь учёные из Японии разработали теоретическую модель, которая может объяснить, как в природе возникают такие удивительно интеллектуальные формы поведения у групп клеток.

Исследовательская группа из Института промышленных наук Токийского университета обнаружила, что ключевым моментом является то, как клетки используют свою среду для постепенной обработки информации и принятия решений распределённым образом. Исследование опубликовано в журнале PRX Life.

«Мы можем детально описать эти явления с помощью известных физических моделей, — говорит Масаки Като, первый автор исследования. — Но понимание задействованных вычислительных принципов — это совсем другое дело».

Для этого исследовательская группа использовала парадигму обучения с подкреплением, применяемую в искусственном интеллекте. Обучение с подкреплением, в отличие от обучения с учителем и без учителя, идеально подходит для этого случая, поскольку оно основано на взаимодействии с окружающей средой.

Вместо того чтобы следовать набору предопределённых инструкций, отдельный агент просто многократно исследует среду и наблюдает за результатами. Затем он корректирует свою внутреннюю политику, чтобы максимизировать долгосрочное вознаграждение.

Команда рассмотрела популяцию клеток, которые совместно стремятся двигаться к редко распределённым целям (например, к пище), модулируя химические сигналы, указывающие на близость цели.

Вся клеточная популяция действует как агент, который использует обучение с подкреплением для постепенного определения оптимальной стратегии навигации без необходимости руководства со стороны единого лидера.

«В определённом смысле окружающая среда играет роль рабочей памяти для последствий; она запоминает и отражает прошлые действия и исследования агента в виде изменённых состояний», — объясняет Тэцуя Дж. Кобаяси, старший исследователь проекта.

С помощью моделирования исследователи продемонстрировали, что даже агенты с ограниченным интеллектом могут выполнять сложные задачи как группа, например, находить путь через лабиринт, благодаря децентрализованной обработке и обмену информацией.

Они сравнили эти популяции агентов с одним более интеллектуальным агентом, обладающим рабочей памятью, и обнаружили, что простые организмы действовали более устойчиво, чем одиночный агент.

Эта работа показывает, что децентрализованные рои или команды простых агентов могут координироваться для эффективной обработки информации — принцип, который можно использовать для решения проблем в различных областях, включая медицину, искусственный интеллект и робототехнику.

Больше информации: Masaki Kato et al, Optimality Theory of Stigmergic Collective Information Processing by Chemotactic Cells, PRX Life (2025). DOI: 10.1103/tvfy-lbbl

Источник: University of Tokyo

ИИ: Это исследование демонстрирует удивительную параллель между биологическими системами и искусственным интеллектом. В 2025 году, когда ИИ продолжает проникать во все сферы жизни, понимание того, как природа миллионы лет решала задачи коллективного интеллекта, может открыть новые горизонты для создания более эффективных и устойчивых распределённых систем.