具体来说，他们在云南澄江化石地里发现了两种最古老的脊椎动物化石：海口鱼和某种昆明鱼。这些只有几厘米长的小生物生活在距今 5.18 亿年前的海洋中。通过高倍电子显微镜观察，研究人员在它们的头部发现了四个明显的黑色斑点。

（来源：Nature）

你可能听说过有些蜥蜴有第三只眼睛，但是寒武纪的这些小鱼竟然有两对功能完整的眼睛。一对较大的眼睛长在头部两侧，就像现代鱼类一样。另一对较小的眼睛则位于头部正上方，排列在中间位置。这种独特的布局让这些远古生物几乎拥有 360° 的全景视野。

（来源：Nature）

当这条小鱼在远古海洋中游动时，侧面的眼睛负责观察前方和两侧的景物，而头顶的眼睛则专门负责监视上方的动静。这种视觉系统就像在头部安装了四个高清摄像头，让它们能够及时发现来自各个方向的危险。在充满掠食者的寒武纪海洋里，这种能力无疑是生存的重要保障。

而针对上述黑色斑点进行化学成分分析之后，确认里面含有丰富的黑色素，并观察到了保存完好的黑色素体，对于这些微小的结构来说，它们也存在于现代动物眼睛之中，主要负责吸收多余的光线。而在每个黑色斑点的中央，研究团队都发现了一个椭圆形的水晶体结构，这证明这些古老的鱼不仅可以感光，还可以像现代相机一样形成清晰的图像。

（来源：Nature）

为何现代的大多数脊椎动物只有两只眼睛，而这些鱼却有四只眼睛呢？本次研究指出，这四只眼睛事实上有着共同的起源。在胚胎发育的过程中，它们其实是来自脑部前端的同一组细胞。随着时间的拉长，在同一条进化道路上，不同种类的动物却做出了不一样的选择。

对于七鳃鳗等原始鱼类来说，它们仍然保留着一定的第三只眼睛功能。而大多数哺乳动物头顶的眼睛则有着不同的命运，它们完全退化成为了负责生物钟调节的松果体。这种变化也反映了生物从被动防御到主动捕食的生存方式上的变化。渐渐地，当这些鱼从猎物摇身一变成为猎人的时候，由于深度视觉和立体视觉的需求的增加，使得头顶的眼睛逐渐变得不再重要，这大概也是用进废退法则在古生物上的体现。

（来源：Nature）

五亿年前的寒武纪是生命大爆发的时期，海洋中突然出现了各种各样的生物。与此同时，这个时期也是掠食者与猎物之间疯狂竞赛的开端。彼时，海洋中甚至生存着长达一两米的巨型掠食物比如奇虾和鳃曳动物，它们无一例外都长有复杂的视觉系统。

在面对这些庞然大物的时候，本次研究中的鱼可能只能依靠视觉来躲避危险。本次研究中的化石证据显示，它们经常成群成群地出现，事实上这可能是一种古老的群体防御行为，就像今天的沙丁鱼群一样，数量本身可能就是最好的保护。

就本次研究中的小鱼来说，四只眼睛可以提供 360° 全方位的视野，再加上群体生活智慧的加持，让这些柔弱的小生物在危险的远古海洋中找到了专属的生存之道。

就研究意义来说，本次成果或将改写人类对于视觉进化历史的认识，能够为仿生视觉技术的创新提供新的灵感。如若现代机器人也能像这些远古小鱼一样拥有全景视觉，也许可以带来更多的技术革新。它对于当代科技的启示在于，通过解析四眼视觉系统的工作原理，或可将其借鉴到AI技术和机器人技术之中。

譬如，自动驾驶汽车可以借鉴这种小鱼的全景视觉概念，利用多个摄像头的协同工作来实现 360° 无死角的环境情况感知。再譬如，在医疗领域人们正在开发仿生眼睛，旨在帮助视觉障碍者重见光明，而基于本次成果来理解原始生物的眼睛工作原理，能够为设计更加高效的人工视觉系统带来参考。毕竟，自然界历经五亿年打磨的智慧方案，往往会比人类专家的初版方案要精妙得多。

此外，这一成果也将为古生物学界带来新的思考，例如可以通过重新审视其他化石标本，来寻找更多四眼动物的证据。同时，基因学家也可以探索如何去控制眼睛发育的基因网络，看看为何有些眼睛退化，而有些眼睛保留了遗传密码，最终这些都将帮助人类更多地还原生命演化的完整图景。

参考资料：

1.https://www.nature.com/articles/s41586-025-09966-0

排版：olivia

方燚告诉 DeepTech：“BIOARC 仅需相当于传统 Transformer 模型约二十分之一的参数量，即可实现更好的性能。从创新性角度看，这可能是首次采用数据驱动的方式，系统探索并确定适用于生物序列建模的最优架构。以往的设计多基于直觉和经验，而我们首次实现了通过自动化搜索来发现高效架构。”

那么，BIOARC 是怎么做到的？我们都知道假如一名人类设计师要设计一栋房子，那么至少在设计师的草图上，房间的大小、位置和连接方式都可以变化。BIOARC 也是这样，它可以把 AI 模型拆为几种基础的板块。

第一个板块是卷积神经网络，其非常擅长捕捉局部特征，就像放大镜一样可以看清楚 DNA 上的片段模式；第二个板块是 Transformer，其非常擅长理解长远距离的关联，就像望远镜一样可以看清楚基因中相隔很远的区域是如何互动的；第三个板块是 Hyena 和 Mamba，它们是两种比较新的模型，能够更加高效地处理超长序列。

BIOARC 所使用的模型比当前流行的大型生物 AI 模型要小很多，但是表现却更加优秀。在一些 DNA 任务上，BIOARC 模型的大小只有传统模型的二十分之一，但是效果却能得到显著提升。这说明：不是模型越大越好，而是结构越合适越好。

比如，在处理 DNA 序列的时候，BIOARC 发现高性能模型常常呈现出一种三层结构：先使用 Hyena 块捕捉长距离关系，再使用 Transformer 块理解复杂上下文，最后使用卷积神经网络块来提取关键局部特征。这种组合就像先观看整幅地图，再分析重要区域，最后聚焦的关键地标，一步步地理解整个序列的能力。

BIOARC 不仅能够设计模型，还可以充当顾问的角色。科学家们经常面临新的任务：比如分析某种病毒的 RNA，或者预测某个罕见蛋白质的结构。以前，他们得自己尝试很多模型，不仅费时而且费力。现在，他们只需要把任务描述输入 BIOARC 系统，它就能从知识库中找到类似的任务，并推荐之前表现最好的几种模型结构，从而可以大大节约研究时间和实验时间。

同时，BIOARC 内部还有一个智能助理系统，能够理解那些科学家使用自然语言描述的任务，然后进行语义匹配，而非只进行简单的关键词搜索。这意味着即使你描述得不太专业，它也能明白你的需求，并能找到最相关的历史案例和模型方案。

（来源：https://arxiv.org/abs/2512.00283）

我们当前使用的 AI 大多使用的是 Transforme 模型，它最初是为处理人类语言而设计的。但是，生物数据比如 DNA 序列或蛋白质结构，和人类语言是完全不同的。前者不像句子那样有着明确的单词和语法，而是由一系列化学密码组成，其间隐藏着复杂的空间结构和远程关联、

举个简单的例子，在英文句子中单词“猫”后面常接“抓老鼠”，这种关系是局部的和有顺序的。但是，在 DNA 中一个基因的启动区域可能和几千个碱基意外的另一个区域发生相互影响之后，才可以启动生命活动。如果直接使用处理语言的 AI 模型去读 DNA，就像使用英文语法去理解一段音乐乐谱一样，虽然都是符号，但是规则完全不同，效果自然也就不好。

（来源：https://arxiv.org/abs/2512.00283）

而本次技术则具有广泛的应用前景。任何涉及蛋白质或 DNA 序列分析的场景都可能受益，例如对特定物种的 DNA 进行分类，或预测蛋白质结构。此外，由于此次发现的架构具有一定可解释性，未来亦有望帮助揭示更多潜在的生物学规律。

谈及本次技术和 AlphaFold 等已有工具的关系，方燚表示：“AlphaFold 属于生成式模型，需将序列映射到潜空间进行结构生成。我们的工作则能帮助构建更优的序列编码器，从而更有效地将蛋白质或 DNA 映射到统一的表征空间中，与现有工具形成功能上的互补与增强。”

（来源：https://arxiv.org/abs/2512.00283）

他继续说道：“关于后续研究计划，我们希望将当前方法拓展到更多模态上。目前工作集中于 DNA 和蛋白质序列，下一步计划将其应用于基因表达值序列等数据类型。另一个方向是，当前研究主要针对单模态架构，未来我们也将探索多模态架构，例如在同一模型中处理多种数据类型，并研究不同模态间是否存在最优的架构组合方式。”

参考资料：

相关论文 https://arxiv.org/abs/2512.00283

运营/排版：何晨龙