機器人的「閃避本能」：科學家如何用會放電的神經網路，讓 AI 看懂「有東西正朝我飛來」？
一顆球突然朝你臉上飛來，你甚至來不及「想」，眼睛就先眨了、頭也偏了。這種對「正在逼近的東西」瞬間反應的能力，叫做「擴視感知」（looming perception，感覺到物體正在接近）。動物靠它躲天敵、抓獵物，是演化幾億年磨出來的保命本領。但對機器人來說，這卻出奇地難——現在的自駕車、無人機雖然裝了各種感測器，一到複雜多變的真實環境，判斷「這東西是要撞上我，還是只是從旁邊經過？」還是常常出錯。廣州大學的團隊決定回頭問大腦：生物到底是怎麼做到的？ 研究背景：大腦看「動」的兩個祕訣 生物視覺有兩個關鍵設計。第一，早在 1930 年代科學家就發現，視網膜會把「變亮」（ON）和「變暗」（OFF）拆成兩條平行的神經通道分開處理，像兩條分工的產線。第二，我們眼睛正中央（中央凹，fovea）的感光細胞特別密集、對「動」最敏銳，越往邊緣越稀疏。更重要的是，神經細胞之間是用一個一個「脈衝」（spike，神經放電的訊號）在溝通，而不是像傳統人工智慧那樣把數字「加總再啟動」。這篇研究就是想打造一個真正「像大腦一樣放電」的視覺網路。 主要發現：一個只對「逼近」放電的網路 研究團隊提出的脈衝擴視感知網路（SLoN），由三個仿生零件組成： 1. 相位編碼＋相位延遲：把影片訊號翻譯成脈衝序列，並刻意讓「興奮」與「抑制」訊號在時間上錯開競爭，這個時間差正是製造「只對逼近有感」的關鍵。研究發現相位延遲設在「2 個相位」時效果最好，能清楚分辨「逼近」和「遠離」。 2. ON／OFF 雙通道：分開處理變亮與變暗，對應生物視覺的平行產線。 3. 偏心降採樣：模擬中央凹「中間清楚、邊緣模糊」的取樣方式，用漏積分放電（LIF）神經元計算。 圖一｜SLoN 的仿生視覺處理流程。 連續影像中的亮度變化先被拆分為 ON（變亮）與 OFF（變暗）兩條通道，再經相位編碼轉換為具有時間順序的神經脈衝；接著透過模擬中央視覺較精細、周邊視覺較粗略的偏心降採樣，以及漏積分放電神經元進行整合。當輸入呈現物體朝鏡頭逼近的時空模式時，網路便產生密集放電，形成逼近警報。概念重繪自本文原始文獻之Fig. 1。 (讀圖小撇步：把它想成一條「仿生產線」——左邊把畫面拆成變亮／變暗兩袋訊號，中間翻譯成一串串脈衝，右邊用一群「漏電式」神經元判斷這些脈衝是不是「逼近」的節奏。) 最關鍵的結果是：把各種畫面丟給 SLoN，它只會對「朝鏡頭逼近」的物...
