Конкурс «Био/Мол/Текст»-2025/2026

Эта работа опубликована в спецноминации «Искусственный интеллект в биологии» конкурса «Био/Мол/Текст»-2025/2026.

Генеральный партнер конкурса — международная инновационная биотехнологическая компания BIOCAD.

---

Партнер номинации — компания Центральный университет в лице совместной с институтом AIRI Лаборатории ИИ, анализа данных и моделирования.

---

«Книжный» спонсор конкурса — «Альпина нон-фикшн»

Начнем с истории

Птицы — потомки тероподовых динозавров: группы рептилий, включавшей таких хищников, как тираннозавр [1] (рис. 1). Около 150 миллионов лет назад, в позднем юрском периоде, мелкие пернатые динозавры, такие как археоптерикс (Archaeopteryx), начали развивать черты, характерные для современных птиц, включая перья и способность к полету. После мел-палеогенового вымирания (66 млн лет назад) птицы (класс Aves) стали единственными выжившими представителями теропод, заняв разнообразные экологические ниши [2]. Эта эволюционная траектория подчеркивает их адаптивность, позволившую процветать в условиях глобальных изменений.

Несмотря на их эволюционные заслуги, ученые в XIX–XX веках недооценивали птиц и считали их мозг примитивным [3]. Во-первых, мозг птиц довольно маленький по сравнению с, например, мозгом млекопитающих. Во-вторых, без слоистой коры. В-третьих, вследствие наблюдения за сельскохозяйственными птицами ученые тех лет предположили, что мозг птиц способен только на примитивные формы поведения.

Последние десятилетия перевернули это представление. Исследования показали, что птицы — от цыплят и голубей до ворон и попугаев — демонстрируют сложные когнитивные функции: эпизодическую память (episodic-like memory) [4], изготовление орудий (tool manufacture / use) [5] и даже способность к оценке состояний других особей и прогнозированию на этой основе их намерений (theory of mind) [6]. Что еще сильнее будоражит умы исследователей — эти способности возникли независимо от млекопитающих и реализуются мозговым субстратом, организованным совершенно иным путем, несмотря на 320 миллионов лет независимой параллельной эволюции [7].

Птицы оказались особенно ценны для исследований в области ИИ, потому что их когнитивные способности возникли независимо от млекопитающих и при этом реализуются на компактном, энергоэффективном мозге. Это делает их естественной моделью для одной из главных целей современного ИИ: получать сложное адаптивное поведение при ограниченных ресурсах, небольших обучающих выборках и постоянных изменениях среды. Поэтому обзор исследований на птицах мы подаем не как набор необычных фактов, а как принципы, которые уже сегодня переносятся в алгоритмы оптимизации обучения и управления ИИ.

Конечно, сейчас изучать динозавров для того, чтобы проследить эволюционные предпосылки формирования когнитивных способностей птиц, довольно затруднительно. В то же время, любому исследователю хочется хотя бы раз в жизни иметь возможность посмотреть на «главного героя» своих научных трудов в деле. Сделать это становится еще труднее, если этот герой исчез.

Некоторые изощренные исследователи реализуют свои проекты на базе открытий 19 или начала 20 века, совершенно не используя достижения последних 10 лет. Еще одна характерная черта многих научных работ — создание экспериментальной установки из подручных средств. Фактически так и была предпринята попытка воссоздать не динозавра, но хотя бы его походку.

Как из курицы сделать динозавра?

Дело в том, что походка динозавров несколько отличалась от походки современных птиц. Из-за довольно увесистого хвоста центр тяжести у динозавров был смещен. Поэтому для исследователей дело оставалось за малым — сместить центр тяжести. Они решили прикрепить к курице экспериментальную установку, которая стала утяжелять птицу со стороны отсутствующего тяжелого хвоста (рис. 3). Экспериментальной установкой служило крепление, внешне напоминающее самый обыкновенный вантуз, но со своей задачей оно справлялось блестяще. Центр тяжести был смещен, походка птицы изменилась [9].

При чем же здесь искусственный интеллект?

Подобная организация опорно-двигательного аппарата птиц позволяет им довольно успешно перемещаться, прыгая с ветки на ветку, и также успешно ходить, величаво проплывая сквозь толпу восхищенных зрителей. Оказалось, чтобы реализовать этот механизм, природой у птиц был задуман не один, а два вестибулярных аппарата (рис. 4). Первый, как и у млекопитающих, расположен в ухе, а второй — в области пояснично-крестцового отдела позвоночника птиц или сложного крестца. Однако в зарубежной литературе вестибулярный аппарат в «спине» чаще называют пояснично-крестцовым органом (LSO — lumbosacral organ). Это наблюдение и дало начало созданию роботов на основе птичьей довольно смешной походки.

При моделировании на искусственных агентах схожей опорно-двигательной системы оказалось, что акселерометр в области бедра (аналог спинного вестибулярного аппарата птиц) был более точным и быстрым в определении момента касания искусственной ноги с поверхностью, чем сенсор, расположенный на голове робота. Вероятно, такая система может давать независимую от головы сенсорную информацию, особенно необходимую для балансирования на ветке или при приземлении. Похоже, что использование подобных сенсорных систем в области «спины» для двуногих роботов может играть решающую роль для улучшения их стабильной и довольно точной походки (рис. 5).

Это исследование явно дает подсказку для разработки архитектуры автономных ИИ-систем — как именно современный робот или дрон взаимодействуют с окружением за счет оценки состояния (state estimation) и правильной компоновки сенсорных систем. Птичья стратегия подсказывает инженерный принцип: критически важные сигналы для устойчивости и контакта с опорой выгодно собирать не только «в голове» (камеры, IMU на корпусе), но и ближе к «точке взаимодействия» с опорой. Для ИИ это означает практический выигрыш в задачах обучения ходьбе: алгоритмам проще учиться, когда наблюдения информативны и приходят с меньшей задержкой.

«Отчего люди не летают так, как птицы?» (А. Н. Островский, пьеса «Гроза»)

Говорят, что у людей есть три вещи, которые решительно волнуют каждого интеллигентного человека. Удивительное наблюдение заключается в том, что и в раннем детстве, и в старости эти три вещи крайне стабильны: космос, море и небо. Так, птичий полет не может оставить равнодушным практически никого. Раньше птицы служили музами для ученых в области аэродинамики, а сейчас кажется, что основные законы открыты, но есть возможность улучшить то, что и так неплохо летает.

Сегодня «улучшать» значит не столько менять профиль крыла или длину хвоста, сколько учиться у птиц архитектуре сенсомоторного контроля. То есть тому, как они оценивают состояние собственного тела в среде и превращают поток сенсорных сигналов в устойчивые действия. Именно здесь биология напрямую превращается в подсказку для систем ИИ. Какие сигналы анализировать в первую очередь, где помещать сенсоры и какие вычисления необходимы для стабильного полета с минимальными затратами.

Оценивая поведение птиц при полете, можно заметить, что сначала происходит довольно грубое ориентирование по Солнцу или магнитному полю; вблизи целевого объекта птицы реализуют довольно целенаправленное поведение, основанное на анализе знакомых ориентиров (landmarks, рис. 6). Так был разработан алгоритм Pigeon-Inspired Optimization (PIO), фактически вдохновленный биологическими системами [6]. Считается, что при решении многих пространственных задач животные прибегают к выбору наиболее оптимальных маршрутов. Схожий принцип и был реализован в разработке данного алгоритма [12].

В области ИИ это соответствует стратегии «от грубого к точному» и классическому компромиссу «исследование/применение», когда система сначала исследует пространство возможных решений, а затем использует наиболее перспективные области, уточняя выбор. Именно так устроены многие современные подходы, от иерархического обучения с подкреплением до одновременной локализации и построения карты и планирования маршрутов, а также двухэтапной оптимизации, где глобальный поиск дополняется локальным уточнением. На этом фоне оптимизация, вдохновленная голубями, не является совпадением: она формализует ту же схему, в которой происходит движение к глобально перспективным областям, а затем осуществляется переход к «центру масс» для ускоренной доводки и повышения точности. В прикладном смысле это важный вывод для ИИ: наблюдаемое у птиц поведение помогает описать стратегию, которая повышает скорость сходимости и устойчивость к локальным минимумам в задачах обучения и планирования.

С каждым годом работ, посвященных разработке биологически-правдоподобных алгоритмов, становится всё больше. Не так давно был разработан робот с машущими крыльями, конструкция и управление которого реализованы по аналогии с полетом птиц (рис. 7).

Очевидно, что любые беспилотные аппараты могут быть использованы совершенно в разных целях, начиная с мониторинга состояния сельскохозяйственных культур и заканчивая расширением возможностей географической съемки труднодоступных регионов. В отличие от «летающих животных», способность таких беспилотников приземляться сильно ограничены. Вновь вдохновленные птичьим полетом, инженеры начали разработку беспилотных аппаратов с системами управления, сосредоточенными на точных и быстрых маневрах. Такой беспилотный аппарат был разработан и в статье Crash‑perching on vertical poles with a hugging‑wing robot [15], опубликованной в журнале Communications Engineering. В статье описан беспилотник-планер с «обнимающими» крыльями. При столкновении с вертикальной опорой беспилотник может «обхватывать» дерево с помощью складных крыльев, тем самым успешно закрепляясь на поверхности (рис. 8).

В отличие от классических летательных аппаратов, «птичьи» (с машущим полетом) роботы работают в режиме нестационарной и сильно нелинейной аэродинамики, где даже небольшие изменения скорости, порыва ветра или фазы взмаха заметно меняют подъемную силу и другие параметры. Поэтому ключевым становится не только проектирование механики, но и обучение систем управления, способных в реальном времени корректировать траекторию по данным с сенсоров. Здесь сходятся несколько направлений ИИ: обучение с подкреплением для маневров и устойчивости, имитационное обучение по траекториям и стратегиям, наблюдаемым у птиц, а также гибридные схемы, где обучаемый модуль формирует быстрые высокоуровневые поправки, а модельно-ориентированное управление и явные ограничения обеспечивают устойчивость и проверку допустимости. Такой подход также помогает уменьшить разрыв между симуляцией и реальным полетом, который для «птичьих» систем особенно критичен.

Поучительные истории

Басня Эзопа «Ворона и кувшин» описывает довольно незатейливую историю про жаждущего ворона, который проявил свою находчивость и понимание свойств предметов. Ворон, увидев воду на дне сосуда, не смог дотянуться до нее клювом, после чего начинал бросать внутрь камешки, что в дальнейшем привело постепенному увеличению уровня воды.

Эта басня легла в основу одной из научных парадигм, которую часто стали называть «Эзопов тест» (Aesop’s Fable paradigm / Water displacement task). Эзопов тест направлен на исследование принципов наглядно-действенного мышления. В тесте проверяют способность испытуемого понимать причинно-следственные связи. Различные вариации методики тестирования позволяют выявить «ключевые точки», от которых испытуемый отталкивается при решении задачи. Наиболее многочисленные работы проводили на врановых птицах, где было показано, что в ряде задач птицы демонстрируют предпочтения тонущих объектов плавающим, при выборе из двух цилиндров с водой и песком, выбирают первый. Тем не менее, в более сложных тестах (ширина цилиндра, U-образный сообщающееся сосуды) вороны часто ошибаются.

Этот тест также провели на роботе iCub, обучая его выбирать подходящие объекты и выполнять последовательность действий, которая приводит к подъему уровня воды и достижению поставленной цели (рис. 9). Оказалось, что причинно-следственные физические законы могут быть не «запрограммированы», а выведены агентом самостоятельно через накопление полученного опыта [16] (cumulative learning). Робот многократно взаимодействует с объектами: бросает разные предметы в воду, наблюдает, поднимется ли уровень. Алгоритм Q-learning использует формулу обновления ценности действия:

Q(s, a) ← Q(s, a) + α[r + γ⨉maxQ(s′, a′) − Q(s, a)],

где: s — текущее состояние (тип объекта, положение уровней воды и т. п.); a — выбранное действие (например, бросить тяжелый или легкий предмет); r — немедленная награда (вода поднялась — хорошо; нет — плохо); s′ — новое состояние после действия; α — скорость обучения; γ — коэффициент дисконтирования будущей награды.

Сначала Q-значения практически случайны, но по мере повторения, то есть по мере накопления опыта (по сути, такой же, как у врановых при решении данной задачи), робот начинает выбирать действия, которые приводят к желаемому результату, и обобщать знания, формируя причинно-следственные связи.

На старте эксперимента выбор робота случайный, он пробует всё подряд. Далее происходит этап обучения, вычисляются награды и штрафы за проделанное действие. После обучения робот способен классифицировать новые объекты за счет накопленного опыта.

Для современных ИИ-систем проблема «понимания элементарных физических законов» сводится не к запоминанию ответов, а к построению внутренних моделей с оценкой причинно-следственных связей, то есть того, какие действия с какими объектами к каким эффектам приводят. Эзопов тест — модель, позволяющая оценить наглядно-действенное мышление, — ценна тем, что она разделяет поверхностное правило «угадал правильный объект» и понимание механизма: агент должен научиться выбирать действия, которые изменяют состояние среды прогнозируемым образом. Поэтому перенос «Эзопова теста» в робототехнику (как в задачах с iCub) является не «дрессировкой робота», а тестом для ИИ на способность извлекать правила из опыта и переносить их на новые условия.

Заключение

Искусственный интеллект уже уверенно вошел в повседневную практику исследователей. Его применяют для анализа белковых структур [18], обработки и оценки изображений [19], [20], интерпретации больших массивов данных и автоматизации рутинных этапов работы [21], [22]. Вместе с тем, все более перспективным направлением становится не только «масштабирование» вычислений, а заимствование принципов, выработанных биологическими системами, — начиная с простого полета и ходьбы, заканчивая принципами наглядно-действенного мышления. Ученые предпринимают попытки понять, как мозг и поведение живых организмов ежесекундно решают сложные задачи восприятия, обучения и формирования причинно-следственных связей с затратой наименьших ресурсов. К сожалению, работ, которые системно строят мост между нейробиологией, этологией и ИИ, пока относительно немного, однако именно они могут дать непропорционально большой эффект [23]. Биологические системы достигают высокой эффективности при ограниченных ресурсах, а значит, их принципы способны подсказать более экономичные и устойчивые решения для современных алгоритмов и устройств.

Птицы — одна из самых изобретательных эволюционных ветвей. Их мозг способен решать довольно сложные когнитивные задачи. Птицы показали, каким образом можно достичь инженерно точных решений для полета и навигации. Биология не может дать сразу массу готовых решений для сиюминутного использования в области ИИ, но может стать базой для поиска ключевых принципов, которые можно экстраполировать в совершенно разных сферах. Чем точнее мы описываем реальные биологические механизмы в биологии, тем надежнее получаются разрабатываемые технологии.

Вклад исследований на птицах в развитие ИИ заключается не в буквальном копировании отдельных фокусов живой природы, а в выделении общих, повторяющихся принципов организации поведения. К ним относятся многоуровневые стратегии поиска и планирования, быстрая оценка текущего состояния, обеспечивающие устойчивое управление, а также подход embodied intelligence, когда «тело» и система управления рассматриваются как единое целое. Наконец, важен акцент на обучении через активное взаимодействие с окружающим миром, а не только на обработке готовых данных. В совокупности эти идеи помогают создавать ИИ-агентов, которые не ограничиваются классификацией сигналов, а способны надежно действовать в реальной среде, адаптируясь к неопределенности и изменениям. Точно так же, как и мы!

Литература

1. Король, королева, император — как тираннозавра поделили на три вида и почему передумали;
2. Нэйш Д., Барретт П. Динозавры. 150 000 000 лет господства на Земле. М.: «Альпина нон-фикшн», 2018. — 492 с.;
3. Крушинский Л. В. Эволюция и поведение животных. М.: изд-во МГУ, 1986.;
4. Nicola S. Clayton, Anthony Dickinson. (1998). Episodic-like memory during cache recovery by scrub jays. Nature. 395, 272-274;
5. Nathan J Emery, Nicola S Clayton. (2009). Tool use and physical cognition in birds and mammals. Current Opinion in Neurobiology. 19, 27-33;
6. Joanna M. Dally, Nathan J. Emery, Nicola S. Clayton. (2010). Avian Theory of Mind and counter espionage by food-caching western scrub-jays (Aphelocoma californica). European Journal of Developmental Psychology. 7, 17-37;
7. Пернатые гении: кто сказал, что птицы глупы?;
8. Erich D. Jarvis, Onur Güntürkün, Laura Bruce, András Csillag, Harvey Karten, et. al.. (2005). Avian brains and a new understanding of vertebrate brain evolution. Nat Rev Neurosci. 6, 151-159;
9. Bruno Grossi, José Iriarte-Díaz, Omar Larach, Mauricio Canals, Rodrigo A. Vásquez. (2014). Walking Like Dinosaurs: Chickens with Artificial Tails Provide Clues about Non-Avian Theropod Locomotion. PLoS ONE. 9, e88458;
10. O. Güntürkün, M. Stacho, F. Ströckens. (2020). The Brains of Reptiles and Birds. Evolutionary Neuroscience. 159-212;
11. Darío Urbina-Meléndez, Kian Jalaleddini, Monica A. Daley, Francisco J. Valero-Cuevas. (2018). A Physical Model Suggests That Hip-Localized Balance Sense in Birds Improves State Estimation in Perching: Implications for Bipedal Robots. Front. Robot. AI. 5;
12. Yangqi Lei, Zhikun She, Quan Quan. (2025). Pigeon-Inspired UAV Swarm Control and Planning Within a Virtual Tube. Drones. 9, 333;
13. Shruti Goel. (2014). Pigeon optimization algorithm: A novel approach for solving optimization problems. 2014 International Conference on Data Mining and Intelligent Computing (ICDMIC);
14. Cai J., Sangli V., Kim M., Sreenath K. (2024). Learning-based Trajectory Tracking for Bird-inspired Flapping-Wing Robots. ArXiv;
15. Mohammad Askari, Michele Benciolini, Hoang-Vu Phan, William Stewart, Auke J. Ijspeert, Dario Floreano. (2024). Crash-perching on vertical poles with a hugging-wing robot. Commun Eng. 3;
16. Ajaz Ahmad Bhat, Vishwanathan Mohan, Giulio Sandini, Pietro Morasso. (2016). Humanoid infers Archimedes' principle: understanding physical relations and object affordances through cumulative learning experiences. Journal of The Royal Society Interface. 13;
17. Haibin Duan, Xiaobin Xu. (2022). Create Machine Vision Inspired by Eagle Eye. Research. 2022;
18. От структуры к функции: революция ИИ в белковом дизайне;
19. Лицо генетики: как искусственный интеллект распознает синдромы по фотографиям;
20. Глаза прогресса: как глубокое обучение помогает видеть невидимое для человека;
21. Аптамеры: назад в будущее. Старая концепция в новой технологической реальности;
22. ПсИИхогенетика: есть ли в моем геноме ответ — или только вероятности?;
23. Благодетельный круг: искусственный интеллект как ключ к тайнам нашего мозга.