蒼蠅沒有立體視覺，憑什麼能精準躲開你的手？

夏天揮手去拍一隻果蠅，十有八九撲空，牠總能在千鈞一髮之際拐個彎溜走。這個腦袋只有針尖大、神經元數量還不到人類百萬分之一的小東西，是怎麼在雜亂的三維空間裡高速穿梭、還幾乎從不撞牆的？

一支科學團隊最近給出了一個相當漂亮的答案：果蠅靠的是「運動」本身。

我們的眼睛（還有果蠅的複眼）本質上都是把三維世界「拍扁」成一張二維影像的相機。可要在空間裡活動，大腦必須知道每樣東西離自己有多遠。

人類主要靠一個巧妙的辦法：兩隻眼睛分開一段距離，看到的畫面略有差異，大腦透過比對這點差異來判斷遠近，而這就是立體視覺。可果蠅不行。牠的複眼解析度極低，兩眼間距又太小，靠雙眼視差估算距離既不準也不可靠。

那牠到底靠什麼？

答案是一個所有人都體驗過、卻很少留意的現象：運動視差。

坐在飛馳的高鐵上往窗外看，近處的電線桿、護欄「唰唰」地向後飛掠，而遠處的山幾乎紋絲不動。同樣的道理，當你在空間中移動時，近處的物體在視網膜上劃過得快，遠處的物體劃過得慢。這種因為自身運動而產生的、遍布整個視野的影像流動，科學家稱之為「光流」（optic flow）。

對果蠅來說，這簡直是天賜的禮物：牠幾乎無時無刻不在飛行，自身的運動會源源不斷地自動產生光流，而光流裡恰恰編碼著關於距離的豐富資訊。

不過有個前提：光流分兩種。原地打轉時產生的「旋轉光流」，遠近物體劃過的速度是一樣的，幫不上忙；只有沿直線飛行時產生的「平移光流」，才真正攜帶了深度資訊。有意思的是，果蠅飛行時會主動把轉向壓縮成短促的「急轉彎」，其餘時間盡量保持直線飛行，相當於自動把有用的平移光流最大化了。

為了搞清楚大腦怎麼把光流翻譯成距離，研究者做了一件很「科幻」的事：把果蠅固定在一個半球形投影螢幕的中央，給牠播放各種虛擬三維場景，同時用雙光子鈣成像技術，即時監測牠視覺系統裡成百上千個運動偵測神經元的活動。

這些神經元叫 T4 和 T5 細胞，是果蠅視覺裡最基礎的「運動偵測器」每個只對某一個方向的運動敏感，密密麻麻地鋪滿整個視野，像一張感光的網。

真正精彩的發現在這裡。

研究者讓虛擬場景裡的「牆」由遠及近地逼近果蠅，觀察神經元怎麼反應：

- 當牆很遠時，它的影像在視網膜上移動得慢，只有牆所在位置的少數幾個神經元被點亮；
- 當牆很近時，影像飛快掠過，相鄰的一大片神經元幾乎同時被活化。

問題是，單個神經元其實很快就「飽和」了，就像音量已經開到最大，物體再近，它也喊不出更大的聲。所以光看某一個神經元使了多大勁，是判斷不出近距離的。

大腦的妙招是：不看單個神經元有多興奮，而是把一大片神經元的活動加在一起（科學家稱為「空間整合」）。物體越近，被同時點亮的神經元越多，總和就越大。於是，距離資訊不是藏在「叫得多響」裡，而是藏在「多少個在叫」裡它被翻譯成了活動在視野裡鋪開的面積。

這個訊號還相當穩健：無論果蠅飛得快慢、場景明暗如何變化，它都能穩定地反映遠近。研究者甚至發現，這個訊號更像是在直接編碼「距離」本身，而不是單純的光流速度，飛得越快神經元反應反而越弱，這和純光流的預期正好相反。

研究者進一步用電生理記錄（膜片鉗）找到了下游的「讀表人」：一類叫 HSE 的寬視野神經元。它天生就在做「把一大片運動訊號彙總起來」的事，正好完成上面說的空間整合。實驗證實，牆離得越近，這個神經元的電位就越高

相關不等於因果。為了證明這套機制真的被用來導航，研究者祭出了最有說服力的一招：用破傷風毒素讓 T4、T5 神經元徹底「失聲」，製造出一批「運動盲」的果蠅，再用五台攝影機記錄牠們在真實空間裡的自由飛行。

結果非常戲劇化：正常果蠅在快撞到牆之前會主動減速、靈巧避開，能連續飛行好幾公尺不出事；而運動盲果蠅完全不會在接近牆壁時減速，超過一半的飛行軌跡都以「全速撞牆」告終。

反過來，研究者僅憑這些運動神經元的活動，配合果蠅的飛行路線，就成功重建出了周圍環境的幾何結構。

長久以來，人們以為 T4、T5 這類基礎運動偵測器只負責一件小事：幫助昆蟲穩定飛行姿態。這項研究揭示了它們被嚴重低估的一面，這張「運動之網」裡，其實完整編碼著周圍環境的三維結構。

更深一層的啟示是：感知深度，未必需要一套專門的、複雜的「測距迴路」。僅僅是在感覺通路的最早期，把簡單的運動訊號在空間上加總起來，就足以從「自己的運動」裡提煉出三維幾何。這可能是神經系統一種通用而經濟的策略，也為機器人和電腦視覺如何用最小的算力實現深度感知，提供了一個來自蒼蠅的靈感。

下次再沒拍到那隻果蠅，也許可以稍微釋懷一點，畢竟，牠腦子裡裝著一張你看不見的、用運動畫出來的三維地圖。

聲明：本文使用生成式AI輔助編輯


撰文：潘嘉丞


參考文獻：Prech, S., Schmidt-Hamkens, S., Zuidinga, B., Leonte, M. B., Groschner, L. N., Borst, A., & Haag, J. (2026). "Motion-based depth estimation in Drosophila". bioRxiv, 2026-05.

留言

張貼留言