當大腦放棄精確計算：果蠅用非線性整合破解逼近威脅
https://www.notion.so/2f4256561ff8809db993f60399609f98 在電腦視覺與機器人學的傳統想像中，我們常以為要避免一場災難性的碰撞，必須依賴精密的高等數學。當一台自動駕駛汽車偵測到前方有物體時，它的處理器似乎正瘋狂運轉，解算著光流場的微分方程，試圖算出精確的「剩餘撞擊時間」（Time-To-Contact, TTC）。然而，這種對數學精確性的執著，在生物界看來或許是一種資源的浪費。最新的研究顯示，擁有極高閃避天賦的果蠅，在面對迎面而來的危機時，並非追求微積分上的完美解，而是選擇了一種在運算上更為廉價、卻對雜訊極具抵抗力的策略：「非線性整合」與「數人頭」的群體表決。 要理解果蠅為何做出這種選擇，我們必須先看看傳統工程學是如何處理「迫近偵測」（looming detection）的。在經典的機器視覺中，要判斷一個物體是否即將撞上來，通常會使用「光流發散演算法」（Flow divergence algorithm）。這就像是一位嚴謹的幾何學家，試圖計算視野中每一個像素點向外擴散的速度，並尋找那個擴散的中心點（Focus of Expansion, FOE）。這種方法雖然在數學上無懈可擊，但在現實世界卻脆弱不堪——它需要豐富的紋理細節來計算梯度，一旦遇到缺乏紋理的白牆，或是背景雜訊過多的樹叢，精確的微分計算就會崩潰。 但對於大腦只有針尖大小的果蠅來說，牠們沒有算力去處理複雜的微分方程，卻必須在毫秒級的時間內閃避捕食者。趙俊宇等人的研究團隊揭示了果蠅的獨特解方：牠們的神經迴路不計算「速度場」，而是尋找「特徵的共鳴」。 原文Figure 10：比較傳統光流發散算法與果蠅啟發模型的差異。此圖展示傳統算法如何依賴複雜的數學梯度計算；下圖展示果蠅模型如何透過簡單的神經元投票機制運作。 果蠅的視覺系統中有一群名為 LPLC2 的神經元，它們扮演著關鍵的過濾器角色。這些神經元接收來自上游（T4/T5 細胞）的運動訊號，但它們並不只是簡單地將訊號相加。研究發現，LPLC2 執行的是一種「非線性整合」，具體來說是「乘法運算」。 這是一個極其務實的工程策略。想像一下，如果只是簡單的加法（線性整合），當背景向左移動時，雖然沒有物體逼近，但左側的運動訊號仍會讓神經元產生反應，造成誤判。但如果是乘法運算，系統要求必須同時偵測到「上、下、左、右」四個方向的...
