生命體一直以來都是技術靈感的來源：鳥類仿生學幫助人類設計出首個飛行器，而帶刺的種子則被 Velcro 魔術貼仿用。當前，仿生學正用于機器人和計算機視覺等各種尖端技術。

仿生學的另一個當代應用是人工智能 (AI)。通過AI，機器可擁有天然的認知功能，如學習和解決問題。人工神經網絡 (ANNs) 進一步推動仿生學發展，受生物大腦的啟發創造出計算系統。

模仿相對簡單的生物大腦系統能有多智能？事實證明，由于生物的不斷進化，即使是相對簡單的生命體大腦在遇到事關生存的任務時，也會變得非常智慧。

對于蛾子來說，這意味著嗅覺。即使蛾子的大腦只有針頭大小，卻可高效地習得新氣味。蛾子通過嗅覺捕食和求偶，這是關乎物種生存的兩項關鍵任務。

華盛頓大學的研究人員根據蛾子的大腦結構開發出一種神經網絡——MothNet。

“蛾子嗅覺網絡是可以被學習的最簡單生物神經系統之一。”

Charles B.Delahunt、Jeffrey Riffell和J. Nathan Kutz《可學習的生物機制：煙草天蛾嗅覺學習計算模型及其在神經網絡中的應用》(Biological Mechanisms for Learning: A Computational Model of Olfactory Learning in the Manduca sexta Moth, with Applications to Neural Nets)

《麻省理工科技評論》(MIT Technology Review) 中的文章“為什么蛾子的腦子比 AI 智能” 這樣描述 MothNet 模仿的生物系統：“蛾子的嗅覺學習系統相對簡單并且神經學家對它也比較了解。它由五個不同網絡組成，可從依次向下一個系統傳遞信息。”

MothNet模擬蛾子的大腦結構進行設計。

圖片來源：Delahunt andKutz。

不同于識別氣味，研究人員利用監督式學習通過 15 到 20 張包含 0 到 9 數字的圖片訓練 ANN 識別手寫數字。訓練示例來自 NMIST（Modified National Institute of Standards and Technology）機器學習領域訓練和測試中常用數字的數據庫。以下是MNIST數據庫中的部分示例：

MINST數據庫示例。

圖像來源：Wikipedia, CC4.0.

他們發現 MothNet 的學習速度比機器更快。僅僅通過幾個培訓示例，MothNet 便“習得”了數字識別，準確率高達 75% 到 85%。而一般卷積神經網絡則需要幾千個訓練示例才能獲得 99% 的準確率。

開發更好的機器學習算法

研究人員發現，以下三個特性使得蛾子的生物系統在學習時非常高效，這有助于開發新的機器學習算法：

它會在每個步驟中過濾信息，并將最關鍵的信息傳遞到系統中的下一階段，以實現快速學習。雖然 5 個不同網絡中第 1 個網絡的觸角上擁有近 30,000 個接收器，但第二個網絡只有 4,000 個單元。當信息到達系統的最后一個網絡時，神經元的數量僅剩下幾十個。

過濾流程還可從信號中去除噪音。前兩個網絡之間的稀疏層可充當有效的噪音過濾器，保護下游神經元不受“觸角”接收的噪音信號干擾。

最后，腦部成功得到了“回報”，通過稱為真蛸胺的化學神經傳遞素識別出氣味，強化了神經線路的成功連接。活動連接針對分配的數字得到了強化，而其他連接則逐漸減弱。

綠色線高亮顯示 MothNet（人工神經網絡）中的通路，藍色線是生物通路。