本次介紹的為於2025年6月份所發表的文章 “Lateralised memory networks may explain the use of higher-order visual features in navigating insects”，該文章主要探討高階視覺特徵 (higher-order visual features) 或者說所謂的「風景」是如何被記住與利用的。

螞蟻怎麼記得回家的路？

在很多實驗裡，螞蟻只要走過一次從巢穴到食物的路，下次就能憑「風景」回家。 研究者發現，螞蟻並不是記每一個像素，而是依賴比較抽象的視覺特徵： 例如「場景中有多少特定形狀在視野左邊、右邊」這種分佈資訊。

行為學中有一個常用的量：質量分數位置 (fractional position of mass, FPM) 大致可以想像成：「如果把眼前看到的特定形狀當成重量，它的重心落在視野的哪一側、哪個角度」。

當研究者改變牆上圖形的位置或形狀，只要讓 FPM 跟訓練時差不多，螞蟻就會朝相似的方向走。依此，似乎螞蟻在腦中算出了一個幾何重心。問題在於從已知的神經解剖來看，昆蟲大腦中處理視覺記憶的蕈狀體 (mushroom bodies, MBs) 所接收到的訊號，其實比較像視網膜的直接視覺輸入，大致保留空間位置，不像已經被高階模組轉換為重心坐標。

這就引出一個核心問題：

「 昆蟲真的需要一個專門算FPM的高階視覺模組？ 還是說，這種高階特徵其實可以自然地從既有神經網路裡湧現？」

螞蟻的大腦如何自己生出高階視覺？

研究者建立了一個模擬昆蟲蕈狀體構造的模型，目的是測試：螞蟻在導航中看似使用的 FPM 這種高階特徵，是否其實不需要大腦額外計算，而能自然從雙側記憶架構中生成。

模型採用360°全景視野輸入，左右視野分別投射到大腦的左右半側，每側的 Kenyon cells (KCs) 隨機且稀疏地接收視覺訊號，由抑制神經元確保活化比例固定。

學習過程使用反 Hebbian (anti-Hebbian) 規則：看得越多的圖越不新奇，讓 MBONs (mushroom body output neurons) 的輸出成為一種新奇度 (novelty) 指標。

導航決策依兩個量：

一是視圖整體新奇度是否低，二是左右新奇度是否平衡。

研究發現，真正能挑出螞蟻行為所對應方向的，是同時滿足這兩點的視角。

更重要的是在簡化情況下可證明：