在视觉神经科学领域，理解生物如何感知运动是核心课题之一。长期以来，关于昆虫视觉系统中初级运动检测（Elementary Motion Detection, EMD）的认知主要基于Hassenstein-Reichardt探测器（HRD）模型。然而，这一经典模型是否涵盖了生物视觉处理的所有可能性，一直存在争议。

近期发表于《自然-通讯》的一项研究中，研究团队利用机器学习手段，通过训练人工神经网络来模拟果蝇的视觉运动检测过程。研究人员构建了一个能够处理动态视觉输入的计算模型，并将其与果蝇视叶神经元的生理记录数据进行比对。通过这种数据驱动的方法，研究团队成功识别出多种不同于传统HRD模型的计算原理。

研究结果表明，生物视觉系统在处理运动信号时，并非仅依赖单一的计算路径。机器学习模型展示了多种能够实现鲁棒运动检测的替代性计算架构，这些架构在面对复杂背景噪声和光照变化时，表现出与生物神经元高度一致的适应性。这些发现揭示了神经系统在演化过程中，可能通过多种计算策略的协同作用，实现了对环境运动的高效捕捉。

该研究不仅为解释果蝇视网膜及视叶的复杂功能提供了新的理论支撑，也为人工智能领域中低功耗、高效率的仿生运动检测算法设计提供了重要的生物学灵感。通过解析这些“隐藏”的计算原理，科学家们能够更好地理解生物视觉系统如何以有限的神经资源处理海量信息。

文献参考：Deister, F.M., et al. Machine learning discovers numerous new computational principles supporting elementary motion detection. Nature Communications (2026).