你有没有打过苍蝇？不管你挥得多快、用什么工具，它似乎总能在最后一毫秒侧身闪走，令人沮丧。这个问题除了打扰睡眠，也同样在神经科学界悬置了几十年：按照经典神经处理模型，高速运动中，苍蝇的视觉应该是模糊一片，该怎么看清疾速扑来的威胁？
2026 年 5 月 5 日，发表在《自然·通讯》（Nature Communications）上的一篇论文，给出了一个颠覆性的答案。
英国谢菲尔德大学（University of Sheffield）与伦敦玛丽女王大学（Queen Mary University of London）联合哥伦比亚大学的研究团队，在家蝇的视觉神经回路中发现了一个此前从未被描述过的机制：突触高频跳跃（synaptic high-frequency jumping）。这个机制不仅解开了苍蝇的闪避之谜，也为 AI 和机器人领域的工程师们提供了一套全新的机器视觉方案。
苍蝇视觉的老问题到底是什么？
苍蝇的复眼由成百上千个独立的小眼拼接而成，每个小眼都有自己的光感受器。从结构上看，这套系统的分辨率远不及人眼，传统研究认为，家蝇体内光感受器的闪光融合频率大约在 230 Hz 左右，这是描述视觉系统能分辨连续闪烁的上限指标。
问题在于：苍蝇在飞行中的快速转身（也叫“扫视”，saccade）会产生极高的角速度，头和身体的急转使视网膜上的图像在极短时间内大幅移位。根据经典神经科学的推算，这类快速运动理应让苍蝇的视觉陷入一片模糊，就像你在黑暗中用慢速快门拍一张照片，拍出来的大概率是模糊一片。
学界为此甚至提出了“扫视盲”（saccadic blindness）这一说法，即动物在扫视期间视觉会暂时失效。这在人类身上是部分成立的，快速眼动时，我们确实对闪烁不敏感。
但苍蝇呢？如果它在高速飞行中真的短暂失明，又怎么能在手掌拍下的瞬间精准闪避，难道靠的是运气？这个逻辑上的裂缝，就是这项研究的起点。
发现“涡轮增压”：突触高频跳跃
谢菲尔德大学神经科学研究所的研究团队，以多年积累的形态动力学信息处理理论框架为基础，对家蝇（Musca domestica）的视觉神经回路展开了系统性研究。
他们综合动用了多种实验手段：用同步辐射 X 射线成像对固定样品做高精度光学结构分析，用电子显微镜测量光感受器微绒毛（microvilli，光子采样单元）的数量和排列，用高速红外显微镜在活体苍蝇上实时追踪光感受器的微观运动，再以胞内微电极直接记录光感受器和大单极细胞（Large Monopolar Cell，LMC）在不同视觉刺激下的电压响应，最后在所有实验数据的基础上构建完整的神经回路多尺度计算模型。
关键的发现出现在光感受器（R1-R6 细胞）到大单极细胞的突触传递环节。研究人员给苍蝇呈现模拟自然飞行中扫视运动的高对比度、快速闪烁光刺激，同时用胞内微电极记录下游大单极细胞的响应。结果发现，下游响应信号不仅跟上了光感受器的输出，还以一种奇特的方式把信号“搬”到了更高的频率段。
具体来说，当光感受器产生相对平滑、缓慢上升或下降的电压信号时，大单极细胞的输出却变成了一连串尖锐、极快的双相瞬态信号（biphasic transients），准确锁定在每一次光强变化的上升沿和下降沿。这种把慢信号转化成高频脉冲串的行为，被研究团队命名为“突触高频跳跃”。
数字层面的结果同样令人震惊。光感受器的有效信号带宽在高对比度扫视刺激下约达 440 Hz，已是经典测量值 230 Hz 的近两倍；经过突触高频跳跃之后，大单极细胞的有效信号带宽进一步延伸到约 1,000 Hz，是经典闪光融合频率的四倍以上。
大单极细胞的神经信息传输速率达到约 4,100 bits/s，光感受器约为 2,500 bits/s，两者均为目前文献中报道的最高神经信息速率，约是此前在丽蝇中测得数据的两倍以上。
行为实验同样印证了这一速度：苍蝇能在 13 到 20 毫秒内做出同步响应，甚至在光感受器的响应信号尚未达到峰值之前就已经开始行动。用论文主要作者米科·尤索拉（Mikko Juusola）教授的话来说：“视觉并不受限于昆虫大脑处理信息的速度。相反，大脑会自动提速以跟上身体，消除延迟，确保信息尽可能快速地流动。”
背后的物理机制：不只是“更快的神经”
这套机制最神奇的地方在于，它是一个多层次协同的系统工程。
家蝇的复眼并非静态摄像头。研究发现，每个光感受器的感光结构（rhabdomere，即视网膜小节）会在受到光刺激时发生超快速的轴向和侧向微观运动：沿光轴方向收缩和伸长，同时做活塞式侧移。
这种“光机械微扫视（photomechanical microsaccade）”持续地重塑和重新定位感受野，使采样范围随视觉刺激动态变化。传统模型把 R1-R6 光感受器视为静止的、视野固定的采样单元，实验数据却证明，它们其实是主动运动的采样器，能够通过自身的微运动锐化视觉信息，减少运动模糊。
每个感光结构含有约 41,000 到约 74,000 个不等的微绒毛，视眼内位置而定，每根微绒毛是一个独立的光子采样单元，吸收一个光子后触发一次“量子碰撞”，之后进入不应期，恢复后才能再次采样。
正是这种“随机-量子-不应期”采样机制，使得对快速、高对比度闪烁光的采样效率远优于慢速随机噪声：研究中使用低对比度高斯白噪声刺激时，光感受器和 LMC 的信息速率仅为高对比度扫视刺激下的二分之一到三分之一。
更关键的变换发生在第一视觉突触。光感受器通过组胺能突触将信号传递给 LMC，使 LMC 产生超极化响应，同时，LMC 向光感受器发回去极化的兴奋性反馈。在普通状态（低速、低对比度刺激）下，这套回路表现得和经典模型差不多，信号平稳传递，频率范围有限。
但当扫视式快速刺激到来时，突触处的动力学发生了某种相变：光感受器的信号瞬变触发了高频量子组胺释放，LMC 对这些快速的上升沿和下降沿产生极敏锐的双相瞬态响应，有效把信号频率平移到了更高的载波频带，从而绕过了经典突触传输的频率瓶颈。
论文将这套结构称为“形态动力学神经叠加”架构。形态动力学指的是神经元物理结构本身随活动状态快速改变；“叠加”则指多个来自相邻小眼、视野略有偏差的光感受器汇聚到同一个 LMC，形成超完备的时空编码。
这一架构的精妙之处在于：苍蝇无须被动接受扫视带来的运动模糊，它们可以主动利用身体运动来增强视觉采样。每一次身体的急转，反而成为神经系统切换到“高速档”的触发信号。
要想“看”得更清楚，具身智能得学学苍蝇
如果只停留在对昆虫神经生理学的描述显然不够，研究团队明确指出，这套机制对人工智能和机器人工程有直接的启示价值。
当前主流 AI 视觉系统的工作方式，本质上更像慢速快门照片：固定帧率、大规模数据处理、被动感知。无论是自动驾驶汽车还是机器人导航，这类系统都依赖强大的计算集群，耗电量大、响应延迟高、对突发动态场景适应性差。苍蝇的方案则完全不同，它们的传感和行动紧密耦合。视觉系统成了随身体运动实时调整采样策略的主动探测器。信息处理的效率不来自更大的计算量，而来自在正确的时刻处理正确的信息。
论文共同作者，哥伦比亚大学的奥雷尔·A·拉扎尔（Aurel A. Lazar）教授进一步对这一理念作出了阐释：“自然告诉我们，智能不来自处理更多的数据，而是在正确的时间处理正确的数据。通过将运动直接整合进计算，生物系统实现了超凡的效率。”
伦敦玛丽女王大学的拉尔斯·奇特卡（Lars Chittka）教授也指出：“苍蝇看世界不像摄像机拍快照。它们的视觉与行动紧密交织，用运动本身来锐化感知、加速神经处理。理解生物如何实现这种预测性、低延迟感知，可能为人工视觉和类脑计算工程提供全新思路。”
具体的工程路径上，这项发现可能在几个方向上产生推动作用。在神经形态计算领域，英特尔的 Loihi 芯片、IBM 的 TrueNorth 等项目已在尝试模拟神经元的脉冲式信号处理，而突触高频跳跃机制提供了一个更精确的突触动力学模型，有望启发硬件工程师改变设计思路，制造出在快速变化场景下能量效率更高的视觉处理芯片。
在机器人感知领域，目前的机器人相机多为被动感知，引入“主动扫视”机制，让机器人用微小的受控运动来增强感知的时空分辨率，就可能在无需提升计算功耗的前提下大幅改善动态场景的处理能力。
对于自动驾驶而言，快速变化的交通场景对视觉系统的实时性要求极高，相比依靠固定帧率摄像头加大量算法后处理，利用车辆自身运动（如转弯、加速）对视觉采样策略进行动态优化，是一个更值得深入探索的思路。
重塑认知框架：大脑如何用运动思考
这项研究还触碰到一个更基础的神经科学问题。传统神经处理模型把大脑视为被动的信号接收和处理器：感觉信号从外部输入，经固定通路传递，最终生成输出。
但这项研究支持的框架截然不同：神经系统的处理效率，本质上来自感知-行动的主动循环。苍蝇的视觉是光感受器微运动、扫视行为、突触动力学和神经反馈共同编排的集体表演。运动不是干扰因素，反而成为编码策略的核心组成部分。
这和近年来认知科学领域兴起的具身认知框架不谋而合：智能不在于大脑内部的符号操作，而在于有机体与环境的持续交互。约尼·塔卡洛（Jouni Takalo）博士（论文第一作者之一，负责生物物理统计模型的构建）表示，我们的模型展示了数千个微小传感器如何协同工作来重塑视觉信号。通过团队合作，这些传感器可以即时将关注点转移到最需要的地方，让昆虫即使在野外高速运动中也能做出快速、可靠的反应。
整个研究让人不由得对生物进化的效率产生敬畏。家蝇的大脑重量以毫克计算，神经元数量不到百万，却在 4,100 bits/s 的信息速率和 1,000 Hz 的视觉带宽上，轻松超越了人类目前大多数人工视觉系统的性能功耗比。不靠算力堆砌，它靠的是几亿年演化出的、将物理运动和神经计算融为一体的精妙架构。
这或许才是对 AI 工程师最具颠覆性的启示：下一代高效智能系统的突破口，可能不在于更大的模型、更多的参数，我们或许需要从根本上重新思考感知和行动的关系。
参考论文：
https://www.nature.com/articles/s41467-026-72509-2
运营/排版：何晨龙
注：封面/首图由 AI 辅助生
热门跟贴