机器学习发现众多新的计算原理以支持基本运动检测

为什么我们的大脑在意微小的运动位移

每当你接住一个球、注意到一辆经过的汽车，或只是看着风中摇动的树叶时，你的视觉系统都在悄悄解决一个艰难的问题：从视网膜上不断变化的光图案中，要判断事物的运动方向。几十年来，科学家们主要依赖几种经典理论来解释神经细胞如何检测运动。本研究借助受生物启发的机器学习提出了一个更大胆的问题：对于简单神经回路来说，感知运动的方式是否比我们以前想象的多得多？

关于视觉运动的经典观点

早期关于运动视觉的工作提出，方向敏感的神经元充当微小的时间计算器。在一种传统方案中，来自相邻空间点的输入在其中一个被延迟后进行比较，这样沿首选方向移动的信号会同时到达并相加，而相反方向的运动则不会。另一种经典模型则将来自感受野对侧的快速兴奋与延迟抑制相对立，抵消对非偏好方向运动的响应。尽管这些机制影响深远，但它们主要关注时间差异，仍然未能说明是否存在其他回路策略能够达到相同效果。

让进化搜索回路空间

为探索这个问题，作者构建了详尽的视网膜和视觉皮层神经元计算模型，并设置了一个进化搜索。从随机连线和突触特性开始，遗传算法不断变异回路参数，并选择那些在判定移动条纹和漂移光栅方向上表现最好的模型。重要的是，供给运动检测器的单个输入细胞本身并不具方向选择性；只有它们的集体组织和动力学才能产生有调谐的输出。这种自动化探索发现了许多不同的回路布局，其性能可与或超过经典模型，同时始终保持在来自解剖学和生理学的生物学现实约束之内。

通往相同运动感知的多条路径

搜索表明，即使输入的时间相同，输入空间布局的简单差异也能产生强烈的方向调谐。例如，将突触前细胞安排为其感受野沿偏好运动轴逐渐增大，或在方向上缓慢旋转，可以使它们在一个方向的运动下响应在时间上对齐而在相反方向不对齐。抑制细胞响应的周围区域同样表现出强大作用：通过在不同输入间改变周围抑制的强度、尺寸或速度，模型可以雕刻出精确的时间窗口，使得信号仅在偏好方向运动时对齐。即便是突触权重不均而输入滤波器相同的情况，也能让回路具备方向选择性，尽管这种策略的效果不如利用感受野结构的方案。

运动回路的隐性构建模块

尽管成功回路种类繁多，它们的行为可以提炼为一小组“计算原语”——可重复使用的算法构建模块。其中一些对应经典的延迟-比较和基于抑制的方案。其他则是新的，比如依赖空间和周围相互作用将多重输入的峰值在时间上对齐的机制，或通过抑制的暂时中断或响应幅度的变化来携带方向信息的方案。当加入抑制性输入时，又出现了更多变体，包括传统抑制模型的“反向”形式，以及在关键时刻抑制短暂下降以让兴奋性信号突出的模式。这些原语不仅在详尽的视网膜节细胞模型中重现，也出现在皮层金字塔细胞和简化的两输入玩具回路中，表明它们并不依赖于特定的细胞类型或连线图。

噪声世界中的鲁棒运动感知

研究还考察了这些机制在运动混乱、不规则速度变化的真实场景下的表现。依赖输入感受野大小变化的回路，尤其是中心区的大小变化，表现出惊人的鲁棒性：即使刺激随机加速或减速，它们仍能准确地传递运动方向。相比之下，主要依赖周围特性细微差异或其他精细时序关系的模型在相同条件下往往丧失选择性。这表明新发现的一些策略可能特别适合在自然场景中实现可靠的运动感知。

这对理解大脑意味着什么

通过让机器学习自由探索简单神经回路如何检测运动，这项工作表明大脑并不局限于一两种感知运动的技巧。相反，许多不同的回路构型会归结为少数底层的计算思想，这些思想可以用真实的生物组件来实现。对非专业读者而言，结论是：大脑中的运动检测比以前认为的更灵活且结构更简洁：一小组核心运算通过重复使用与重组，就能解释不同脑区与物种中广泛存在的多样运动敏感细胞。

引用: Poleg-Polsky, A. Machine learning discovers numerous new computational principles supporting elementary motion detection. Nat Commun 17, 3424 (2026). https://doi.org/10.1038/s41467-026-70288-4

关键词: 运动检测, 方向选择性, 神经回路, 视网膜与皮层, 神经科学中的机器学习