當大腦放棄精確計算：果蠅用非線性整合破解逼近威脅


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」四個方向的擴張訊號。只要其中一個方向沒有訊號（也就是乘數為零），最終的輸出就會被歸零。這種機制讓 LPLC2 神經元能夠無視複雜背景的平移干擾，只有在物體真正「迎面而來」、造成全方位視野擴張時，才會被點燃。
原文 Figure 2：展示 LPLC2 神經元對不同刺激的反應。圖中顯示面對單向移動物體時的差異，乘法整合能完美過濾掉非迫近的雜訊。

然而，單個神經元的反應總是充滿雜訊且不可靠。果蠅的第二個生存智慧在於「群體編碼」（Population Coding）。大腦並不依賴單一神經元的報告，而是統計「有多少顆 LPLC2 神經元同時被活化」。研究模擬顯示，被活化的神經元數量，與物體在視野中佔據的「立體角大小」（Solid angle）呈現驚人的線性關係。這意味著，果蠅不需要知道物體的真實距離或物理尺寸，它只需要感知「這個威脅在我的視野裡佔了多少地盤」。

這項發現引出了一個更深層的導航核心機制——「視角閾值」（Angular-size threshold）。模型中的巨型纖維（Giant Fiber, GF）是負責下達最終閃避指令的指揮官。研究發現，無論物體是大是小、逼近速度是快是慢，GF 神經元幾乎都會在物體擴大到特定的視野角度時觸發警報。

在模擬測試中，這個觸發點大約是 **34度**。

這是一個演化上的妥協與優化。如果堅持要計算出「剩餘 0.1 秒撞擊」，大腦需要同時解算距離與速度，這需要極高的運算成本。但如果設定一個簡單的規則：「當陰影佔據我視野的 34 度時，立刻轉向」，雖然這犧牲了對距離的絕對感知，但卻換來了極致的反應速度與跨場景的穩健性（Robustness）。無論是快速逼近的貓，還是慢速靠近的障礙物，這套機制都能確保果蠅在最後一刻安全逃脫。
原文Graphical Abstract：從果蠅看到捕食者，到視網膜訊號經過 LPLC2 群體編碼，最後由 GF 單元觸發機器人避障的完整流程

更令人驚嘆的是，這套源自昆蟲的演算法在應用於機器人（TurtleBot）時，展現了比傳統光流演算法更強的適應力。它不需要昂貴的傳感器，也不需要完美的照明條件，甚至在面對紋理單調的物體時——這是傳統機器視覺的噩夢——依然能準確觸發避障。

總結來說，果蠅的視覺導航系統並不是為了滿足物理學家的完美主義而設計的。它放棄了精確的光流微分運算，也犧牲了對絕對距離的測量能力，選擇了由乘法運算與角度閾值交織而成的神經迴路。雖然這看似是一種幾何定義上的簡化，但它換來了在充滿雜訊的真實世界中，那份至關重要的生存機率。

聲明：本文章使用Gemini AI進行整理與初稿，經由人工審核與修正


撰文：周峻廷


參考文章: Zhao, J., Xi, S., Li, Y., Guo, A., & Wu, Z. (2023). A fly inspired solution to looming detection for collision avoidance. iScience, 26(4).

留言

張貼留言