一隻正在飛的果蠅，其實「感覺不到真正的風向」：牠的大腦怎麼靠自己轉彎，把答案算出來？

人站在地面上感覺風向，看起來很直覺：風吹過皮膚，我們就知道從哪裡來。但一隻正在飛的果蠅面臨完全不同的問題。牠自己也在移動，翅膀與身體持續改變相對氣流，所以觸角感受到的 airflow 並不等於環境真正的 ambient wind。

May 等人的 bioRxiv 預印本把這個問題拆開：果蠅如何在飛行中知道真正的風向？其 2026 Zenodo 資料與程式碼記錄對應這項分析。結果顯示，牠不是依靠一個「風向感測器」，而是結合自己的運動、optic flow、airflow 與中央複合體中的 self-motion representation，透過主動轉向與速度改變，把外界風場推算出來。這是一個很重要的認知科學概念：感覺不是被動接收世界，而是動物透過自己的行動，讓原本難以觀測的資訊變得可估計。

如果你坐在高速行駛的車裡，把手伸出窗外，你感受到的風主要來自車子的運動，而不是氣象站所說的風向。飛行中的果蠅也是一樣。牠感受到的是 relative airflow，也就是環境風與自身飛行速度的組合。如果不知道自己的運動，就無法直接把兩者分開。因此問題變成一個幾何與神經計算問題：大腦如何同時估計自己的速度與方向，再從感覺到的 airflow 中扣除自我運動，得到外部風？

研究聚焦在果蠅腦中的 central complex，這個區域早已被認為與導航、方向、速度與空間行為有關。最新研究利用雙光子神經影像觀察 PFN 類神經元，發現其 activity pattern 可表示與 self-movement 有關的資訊。當 optic flow 與 airflow 改變時，這些神經元不是簡單記錄單一刺激，而是形成一種整合後的運動表徵。這讓果蠅有機會建立一個共同 reference frame：不是問「風從感覺器官哪邊來」，而是問「相對於我目前怎麼移動，外界風最可能從哪裡來」。

active sensing 的核心概念是，感覺不一定是等資料送上門，而是動物主動做動作來取得更有資訊量的感覺。蝙蝠發出聲波、老鼠動鬍鬚、人轉頭看不清楚的東西，都是典型例子。果蠅研究則提供另一種形式：透過改變飛行方向或速度，讓 airflow 與 optic flow 的關係產生可分析變化。換句話說，牠的轉彎不只是移動，也是一種測量。

許多昆蟲會利用風向尋找氣味來源。氣味被風帶走，如果只知道氣味強弱而不知道風向，很難判斷應該往哪裡飛。因此風向估計不是附加能力，而是 olfactory navigation 的核心。果蠅如果能從自己的 movement estimate 推回 ambient wind，就能把氣味資訊轉成更可靠的方向行為。

很多人直覺以為，大腦就是接收感官已經測好的資料，再做決策。但這項研究顯示，有些資訊並不是感官直接提供的。ambient wind direction 在飛行中並沒有一條專門的神經線路直接輸入。大腦必須把不同來源組合起來，才形成這個變數。這是一個非常典型的 computational neuroscience 問題：神經系統不是只讀取世界，而是在建立 latent variables，也就是從多個訊號推導出真正對行為有用的隱藏狀態。

工程師設計無人機時，很容易想到「如果感測不夠，就再加一個 sensor」。但微型飛行器有重量、耗電、成本與空間限制，不可能無限增加感測器。果蠅提供另一種策略：當一個外部狀態難以直接量，就讓機器主動做一些小動作，增加 observability。例如微型無人機要估計風場，可以透過短暫側移、轉向或速度變化，比較 IMU、光流與相對氣流的變化，再推回外部風。這種方法叫 active perception 或 active sensing，核心不是增加感測器，而是讓控制策略和感知策略一起設計。

但生物啟發很容易被新聞過度簡化。這項果蠅研究沒有直接提出一套商用 drone controller，也沒有證明同樣神經機制可以原封不動移植到機器。真正可轉移的是問題結構：如果一個外界變數被自身運動污染，就可以透過主動改變 movement，把不同來源分離。工程系統是否能從中受益，仍需要重新建模、感測器校正、控制實驗與安全驗證。

教育上，這項研究也能顛覆「五感接收世界」的直覺。學校科學常把感覺系統教成「眼睛看、耳朵聽、鼻子聞」，好像感官只是把外界資訊送進大腦。但我們轉頭看東西、移動身體判斷距離、用手摸表面、走動確認聲音來源，都是因為動作本身會改變感覺。學生如果理解這一點，就會更容易理解 embodied cognition、robotics 與 neuroscience 其實在問同一個問題：智慧怎麼從感覺與行動循環中形成。

果蠅的大腦很小，但導航需要整合方向、速度、風、視覺、氣味與記憶。中央複合體被逐步發現是一個高度結構化的 navigation network，可以建立 heading、travel direction、speed 與 sensory reference frame。小型神經系統之所以重要，就是因為它讓研究者能更完整追蹤從神經元到行為的整條計算鏈。

預印本的證據邊界也必須說清楚。它提出的是一套以神經表徵、感覺輸入與飛行幾何互相約束的計算解釋；在正式同儕審查與獨立重複前，不應把它寫成已經定論的單一機制。Zenodo 的資料與程式碼紀錄有助於其他研究者檢查分析流程、重新運算結果，或測試不同飛行條件下的假設，但資料公開本身不等於所有推論都已被驗證。讀者也應區分：果蠅的相對氣流量測、中央複合體中的表徵，以及「外界風向」這個由模型推回的變數，是不同層次的證據。

若把這個研究轉成工程問題，最合理的下一步不是宣稱昆蟲腦已經給出無人機答案，而是設計可反駁的測試。例如在已知風場中，讓微型飛行器執行預先定義的側移、轉向與加減速，再比較光流、慣性量測與氣流感測能否降低風向估計的不確定性；同時記錄感測器偏差、控制延遲與能源成本。只有當主動動作確實改善估計、且改善幅度大於它帶來的風險與耗能，active sensing 才是可移轉的設計原理，而不只是漂亮的比喻。

這也提供科學教育一個可操作的練習：先讓學生在靜止與移動狀態下感受同一台風扇的氣流，再要求他們畫出「相對風」與「環境風」的向量，最後討論哪些觀測需要額外的自身運動資訊才能解釋。這個練習不必假裝重現果蠅實驗，卻能清楚區分量到的訊號、用模型估計的變數與尚待驗證的推論。當學生知道一個結論如何依賴座標系、感測誤差與行動策略，就更能理解預印本應被讀成可檢驗的工作，而不是未經核對的科技新聞標題。

對後續研究而言，最關鍵的問題是這個推論在不同風速、光照、飛行任務與感覺衝突條件下是否仍成立。研究者可以預先說明哪些結果支持「主動動作提高外界風向可辨識性」，哪些結果會推翻這個說法；也可以比較神經活動、行為選擇與模型預測是否在同一時間尺度上對得起來。這種把可重複量測、替代解釋與失敗條件一併列出的做法，才會讓果蠅的漂亮機制逐步變成可靠的科學知識。

這篇研究最深的工程與認知啟示，可以濃縮成一句話：當世界給你的資料不足，不一定先加更多感測器，也可以先改變自己的行動。對動物而言，這是自然演化出的 sensorimotor strategy；對機器人而言，這可能成為更有效率的控制方法；對人類認知而言，它提醒我們，理解世界從來不是單向輸入，而是我們透過行動不斷重新取得資訊。果蠅真正「算出風向」的地方，不只是腦內神經活動，也包括牠自己在空中做出的那一次轉彎。

來源

• bioRxiv 預印本｜A compact multisensory representation of self-motion is sufficient for computing an external world variable
• Zenodo｜Central Complex representations of self-movement are sufficient to compute wind direction in flight（資料與程式碼）
• Current Biology｜Navigation circuits: Calcium spikes know which way the wind blows