Mindezidáig ezt a képességet csak embereknél és magasabbrendű állatoknak mutatták ki. A tény, hogy a kisméretű aggyal rendelkező méhek képesek ilyen tanulásra, új fejlődési távlatokat nyithat a mesterséges intelligencia kutatásában. A kutatásból az is kiderül, hogy a méhek és az emberek alapvetően különböző komputációs stratégiát használnak ehhez a tanuláshoz, és az emberek által használt stratégia lehet az egyik fő oka az állatvilágban kiemelkedő kognitív képességeik kifejlődésének. 

A Dr. Aurore Avarguès-Weber (University of Toulouse, France), Dr. József Fiser (Central European University, Hungary) és Dr. Adrian Dyer (RMIT University, Australia)  által vezetett nemzetközi kutatócsoport először használt teljesen azonos kísérleti paradigmát a méhek és emberek automatikus tanulásának vizsgálatára. A kutatók a kísérlet első részében mindkét csoportnak ugyanazokat a több egyszerű forma segítségével kialakított képeket mutatták, melyeket a szemlélőknek egy, a kutatás szempontjából lényegtelen kategorizációs feladat keretében két csoportra kellett bontaniuk.  Az ezt követő tesztszakaszban mind az emberek, mind a méhek ugyanazokat a teszteket végezték el, amelyekben két kép közül kellett kiválasztaniuk a számukra ismerősebbnek tűnőt. Ezeket a teszteket úgy tervezték meg, hogy  a válaszokból kiderült, hogy az első részben a minden célzott tanítás nélkül látott képek mely statisztikai tulajdonságai maradtak meg az emberek illetve a méhek memóriájában.  

“Automatikusan tanulni úgy, hogy nagy mennyiségű kép bizonyos statisztikai tulajdonságait analizálva tudat alatt azonosítsuk a képek közös absztrakt struktúráját, egy olyan tulajdonság, amit eddig csak emberben és néhány magasabbrendű állatfajnál mutattak ki.” mondja Avarguès-Weber. “Egyben ez az alapvető gondolat a “mély-tanulás” elve mögött, ami a mesterséges intelligencia kutatásban  jelenleg kibontakozó hatalmas előretörést motiválta. A mi eredményeink azt mutatják, hogy a méhek is ezt a stratégiát használjak, ami ennek az automatikus statisztikai tanulásnak a hatékonyságát és univerzalitását jelzi.” 

Dyer szerint “Az emberek gyakran elámulnak a méhecskék elképesztő navigációs és vizuális formafelismerő képességein.  Mostani eredményeink után már látjuk, hogy ezeket a komplex feladatokat az emberek által is használt vizuális statisztikai tanulás egy egyszerűbb formája segítségével végezték el, ami alapvető kapcsolatban van a mesterséges tanuló algoritmusokban alkalmazott módszerekkel.” 

“Nagyon meglepődtünk, mikor láttuk, hogy a méhek, csakúgy, mint az emberek, az általuk látott új vizuális információ elkódolására egy komplex belső reprezentációt fejlesztettek automatikusan, és ezt a reprezentációt sikeresen használták a rákövetkező különböző újfajta tesztekben,” jegyezte meg Fiser az eredményekről. “Még ennél is jobban elképedtünk mikor kiderült, hogy a méhek és az emberek alapvetően különböző komputációs módszerrel érték el ezen reprezentációk kifejlesztését.  A méhek soha nem váltak automatikusan érzékennyé a vizuális elemek között lévő predikciós kapcsolatokra, tehát arra, hogy egy vizuális elem feltűnésekor mi az esélye, hogy egy másik elem fel fog tűnni. Ezzel ellentétben, az emberek kora csecsemő koruk óta állandóan automatikusan kódolják és használják ezt az információt.” 

A két faj között talált különbségek fontosságát magyarázva Fiser így folytatta: “Ez azért izgalmas, mert a különböző információk közötti predikciós kapcsolatokról már nagyon régen megállapították elméletileg, hogy azok alapvető komputációs előfeltételei bármilyen komplex tudás hatékony elsajátításának. Ezáltal, a kutatásaink eredményei nemcsak azt mutatják meg, hogy milyen messzire lehet jutni bonyolult problémák megoldásában kicsi agyakkal és egyszerű metódusokkal, de azt is, hogy mi lehet egy kulcsfontosságú összetevő a magasabbrendű tanulási képességek kifejlődésében.”