零訓練、零獎勵、零一行行為代碼 —— 166,700 粒神經元嘅果蠅腦圖
一開機就識行路梳毛食糖
但「冇訓練」呢三個字,做嗰間公司自己份報告寫明係假
重點摘要
- MaleCNS v1.0 有 166,700 粒神經元、11,710 種神經元類型
- Eon Systems 報告寫明身體控制器用 imitation learning 訓練
- 91% 準確率出自 Shiu 等人 2024 年論文，扣除部分實驗後係 84%
- Doomfly 到 9 月 12 日第 6,385 回合仍 fail 晒驗證關卡
- 直接量熱顯示剝出嘅果蠅腦代謝輸出約 256 納瓦
2026 年 9 月 3 日,Google 同 HHMI Janelia 公開咗史上神經元數目最多嘅完整腦圖 —— 一隻雄性果蠅,166,700 粒神經元,由複眼一路駁到六條腿。
三日之後,有人攞咗去打 Doom。跟住係 Mario 64、Minecraft、Beat Saber。全網瘋傳嘅講法係:呢個腦冇訓練過、冇獎勵訊號、冇人寫過一行行為代碼,一開機就識行路、梳毛、食糖。
呢篇文要問兩件事。第一,呢個講法係咪真?唔係 —— 而否定佢嘅唔係我,係做嗰間公司自己份技術報告。
第二,亦都係更重要嗰條:咁到底有幾多行為,係真係寫咗喺線路結構本身入面?呢條問題有答案,有數字,而且答案比 headline 更加有趣。
由論文到 Doom,中間隔咗三日
2026 年 9 月 3 日,HHMI Janelia 研究園區、Google Research 同劍橋 MRC 分子生物學實驗室聯合喺《Cell》出咗一篇論文:第一個雄性果蠅完整中樞神經系統連接組。唔係腦嘅一部分,係成個腦、加埋兩隻複眼嘅視葉、再加埋成條腹神經索(相當於脊髓),中間用一條完整嘅頸部神經連住。
呢個係史上第一次,你可以喺一張圖入面,由一粒感光細胞一路追到一條腿嘅運動神經元。
做呢件事嘅代價:七部 eFIB-SEM 電子顯微鏡跑咗十三個月。論文入面寫得好白:「我哋偵測到 4,600 萬個突觸前位點連住 3.12 億個突觸後位點,precision/recall 係 0.82/0.81。」
跟住嘅嘢,先係真正嘅故事。
因為數據 6 月 8 日 已經放咗出嚟,9 月 3 日只係論文見報。中間三個月,有心玩嘅人早就 download 咗。觸發成個浪潮嘅係公關,唔係數據。
第一個要拆嘅嘢:市面上有兩張果蠅腦圖
幾乎所有報道都寫「Google 掃咗果蠅個腦,而家佢識玩 Doom、Mario、Minecraft」。但實情比呢句亂好多。
世界上而家有唔止一張完整嘅成年果蠅腦圖,由唔同嘅團隊、用唔同性別嘅果蠅、喺相隔接近兩年嘅時間做出嚟。
| FlyWire | MaleCNS v1.0 | |
|---|---|---|
| 性別 | 雌性 | 雄性 |
| 覆蓋範圍 | 只有腦 | 腦 + 視葉 + 腹神經索 |
| 神經元 | 139,255 | 166,700 |
| 突觸 | 約 5,450 萬 | 1.25 億條連接 |
| 發表 | 《Nature》2024 年 10 月 2 日,一次過九篇 | 《Cell》2026 年 9 月 3 日 |
| 主力 | 普林斯頓(Mala Murthy、Sebastian Seung)+ 劍橋 MRC LMB(Gregory Jefferis) | Janelia FlyEM + Google Research + 劍橋 MRC LMB |
| 邊個攞咗嚟玩 | Eon Systems 用呢張 | Wormuth 嘅 Doom、Mario 64 |
而「有冇腹神經索」呢一點,喺今次個問題上面係致命嘅。FlyWire 淨係得個腦。腦係落命令嘅地方,但真正控制六條腿點樣郁嘅電路,喺腹神經索入面。你用一張淨係得腦嘅圖去問「佢點解識行路」,你係喺一張冇腳嘅圖度搵腳。
仲有第三個數據集叫 BANC —— 又一隻雌性,但今次腦連埋腹神經索都有,經 Codex 平台出。
我最初以為 Minecraft 嗰個 demo 用錯咗連接組,可以攞嚟寸下啲標題黨。查完之後係我錯。
片主自己喺影片簡介度兩個數據集都有列明:「Real connectome data used in this project: BANC v888: FlyWire Consortium, Princeton Neuroscience Institute … / MaleCNS v1.0: HHMI Janelia, University of Cambridge, MRC Laboratory of Molecular Biology, Google Research」。
即係佢真係用咗 Google/Janelia 嗰張,啲標題大致冇錯。而佢用嘅 FlyWire 一邊其實係 BANC v888,又唔係 FAFB/FlyWire 本身。
呢件事值得留低,因為佢正正示範緊本文由頭到尾嘅問題:呢個題目每一層都比 headline 複雜,包括「捉 headline 錯」嗰一層。
「冇訓練」呢三個字,做嗰間公司自己份報告寫明係假
而家講返最多人 share 嗰個版本。
2026 年 3 月,一間叫 Eon Systems 嘅三藩市公司公布,佢哋將 FlyWire 連接組接上一個 MuJoCo 物理引擎模擬嘅果蠅身體,closed the loop。片段入面隻數碼果蠅:靠味覺線索行向食物、身上積咗虛擬灰塵就停低梳毛、梳完再行、然之後食嘢。(要準確啲:Eon 原文寫嘅係「the fly uses invisible taste cues to navigate」—— 嗅覺佢哋話「可以同樣咁做」,但個 demo 入面冇。)
佢哋自己嘅公布咁寫:
「It's crazy that this worked. The uploaded fly has 91% behavior accuracy with only 4 things: the graph of connections; the weights as determined by the number of synapses connecting those neurons; a map of excitatory and inhibitory neurons; leaky-integrate-and-fire.」
互聯網收到嘅版本就係:冇訓練、冇獎勵、冇寫過一行行為代碼,隻腦一開機就識做返隻果蠅。
問題係,兩日之後佢哋出嘅技術報告,親自否定咗呢個講法。以下全部係佢哋自己份報告嘅原文:
「Fly walking was implemented using slight modifications to existing NeuroMechFly controllers, trained to imitate the walking behavior of the fly.」
「These mappings can be somewhat arbitrarily chosen by hand (as is our case), or learned with reinforcement learning…」
「The behaviors shown lean heavily on the body model's existing controllers, many of the mappings between brain and body were chosen by hand rather than derived from the connectome…」
「Finally, our results should not yet be interpreted as a proof that structure alone is sufficient to recover the entire behavioral repertoire of the fly in a scientifically rigorous way.」
拆返開嚟講,準確嘅情況係咁:
| 部件 | 有冇訓練過? |
|---|---|
| 個腦模型本身 | ✅ 真係冇。冇訓練、冇獎勵、冇可塑性,純粹係連接圖 + 突觸數目 + 興奮/抑制符號 + leaky integrate-and-fire。 |
| 個身體嘅運動控制器 | ❌ 用 imitation learning 學真果蠅行路學返嚟。 |
| 腦連去身體嗰個介面 | ❌ 工程師逐條手揀。唔係由連接組推導出嚟。 |
| 長期記憶 | ❌ 做唔到。LIF 模型冇可塑性規則 —— 佢哋原文:「This fly cannot form long-term memories atm.」 |
所以標題寫「一隻冇訓練過就識行路嘅腦」,講個腦係啱嘅,講成個系統就係錯嘅。
仲有個細節值得講:嗰個「91% behavior accuracy」根本唔係 Eon 自己度出嚟嘅數。嗰個係 Shiu 等人 2024 年《Nature》論文入面,一個冇身體嘅腦模型嘅驗證數字 —— 喺 164 個過往實驗預測(抑制同激活實驗)入面,模型同真實生物數據吻合率 91%。嗰個係「電路預測同已發表實驗吻合程度」,唔係「一隻虛擬果蠅行得幾似」。
而既然講到呢度,公平起見我要連埋隔離嗰句都引埋。同一篇《Nature》,91% 嗰句之後緊接一句:
「Excluding our optogenetic split-GAL4 experiments…, in which the vast majority of cell types did not elicit MN9 activation, the accuracy of the model is 84%.」
即係話 91% 呢個數,係俾一大堆「真陰性」推高咗嘅。扣返轉頭係 84%。我唔想一邊寸人哋 relabel 個數,一邊自己又淨係引高嗰個。
Eon 份報告其實寫得好誠實,佢哋開場自己都認:「The current system is an integration effort」—— 即係整合現成嘅腦模型同現成嘅虛擬身體。
失真係喺傳播過程入面發生嘅,唔係喺實驗室入面。一句有 caveat 嘅句子傳到第三手,啲 caveat 就冇咗。呢個 pattern,睇財報睇得多嘅人應該好熟。
順帶一提:Eon Systems 冇任何同儕審查論文,連 bioRxiv preprint 都冇,最高質素嘅來源就係佢自己個 blog。但佢個 team 入面有 Philip Shiu —— 就係 2024 年《Nature》嗰個全腦模型嘅第一作者。學術界做出個模型嗰個人,而家喺間 startup 度。呢點係真嘅,亦都值得記住。
但你個問題本身係好問題 —— 有啲嘢真係寫咗喺線路入面
拆穿完個 headline,我哋返去個真正嘅問題:到底有幾多行為,係純粹由線路結構本身生出嚟?
答案係:唔係全部,但比大部分人估嘅多好多。而且有三個例子,證據硬到可以逐粒神經元指出嚟。
行路嘅節奏,喺三粒神經元嘅拓撲入面
2025 年 9 月一份 bioRxiv 預印本做咗件事:攞成個雄性腹神經索連接組(4,604 粒神經元、3,780,908 個突觸)行一個 firing-rate 模擬,然之後跑「計算充分性篩選」,睇最少要幾多粒神經元先可以產生行路節奏。
結果反覆收斂到三粒:兩粒興奮性(E1 = IN17A001、E2 = INXXX466),一粒抑制性(I1 = IN16B036),全部都係左前腿神經纖維網入面嘅局部中間神經元。
機制好簡單:DNg100 推 E1,E1 激發 E2,互相放大;E2 再招 I1 出嚟,延遲一陣之後抑制返兩粒興奮性神經元。但 I1 冇收到 DNg100 嘅直接輸入,所以當 I1 嘅推力一鬆,E1 就解除抑制,又再嚟過。一個三粒細胞嘅震盪器。
而呢句先係重點,原文:「no neuron had intrinsic bursting or other longer-timescale membrane properties」——「the walking rhythm can be generated by a network oscillator mechanism.」
即係話:個節奏唔喺任何一粒神經元嘅生物物理性質入面。佢喺三粒神經元點樣駁埋一齊呢件事入面。呢個就係字面意義上嘅「寫咗喺線路度」。
一、未經同儕審查。單一 bioRxiv 預印本,而我引嘅仲係 v1(2026 年 4 月已經出咗 v2)。
二、失敗咗一半。論文自己寫:「Our DNg100 simulations did not produce the tripod inter-leg coordination pattern characteristic of hexapod walking」—— 節奏有咗,但六條腿點樣夾,整唔出。
三、最要命嗰點:「冇內在爆發特性」係模型嘅設定,唔係發現。論文原文係「the walking rhythm can be generated by a network oscillator」,跟住即刻補一句:「However, it is also possible that cells in the circuit are intrinsically bursting.」
即係話,你冇俾啲神經元內在震盪能力,然後發現個震盪嚟自網絡 —— 呢個推論有少少循環。我上面寫「節奏唔喺生物物理入面」係講得過重咗。準確嘅講法係:拓撲本身足以產生節奏,但唔代表真果蠅就係咁做。
四、嗰三粒神經元由頭到尾冇喺活果蠅身上驗證過。佢哋做嘅光遺傳實驗只係驗證咗 DNg100 推得郁速度同步頻,冇碰過 E1/E2/I1。而且 DNg100 唔係唯一驅動者(DNb08 一樣得),佢本身亦早就係已知嘅行走命令神經元。
梳毛嘅先後次序,係一條抑制階梯,唔係一條鏈
果蠅身上落咗灰塵,佢會照一個固定次序清潔自己:眼 > 觸角 > 腹部 > 翼 > 胸部。
Seeds 等人 2014 年喺《eLife》證明咗呢個次序點嚟。原文:「motor programs that occur first suppress those that occur later. Cleaning one body part reduces the sensory drive to its motor program, which relieves suppression of the next movement…」
關鍵係佢哋點樣排除咗「一條鏈」嘅解釋。佢哋喺冇灰塵嘅情況下,人工激活其中一個清潔模組,再急速關掉,睇下會唔會自動觸發下一個。結果:「activation and subsequent acute deactivation… did not directly elicit the next module.」
所以個次序唔係「做完 A 就叫 B」。係五個程式同時喺度爭,邊個感官驅動最強邊個贏,清乾淨咗驅動就跌,順位落去下一個。個「次序」係打出嚟嘅,唔係排好隊嘅。
論文自己嘅總結:「This provides the first example of an innate motor sequence implemented by the prevailing model for generating human action sequences.」
食糖嗰下,由感官到肌肉只隔四個突觸
糖水掂到果蠅隻腳,佢會伸個口器出嚟。呢個叫 proboscis extension reflex。
2022 年 Shiu 等人喺《eLife》用連接組追晒條線:味覺感覺神經元 → 三層中間神經元 → MN9 運動神經元。四個突觸,完。
而最緊要嗰句係:「Most neurons in this pathway are necessary and sufficient for proboscis extension」—— 條路上面差唔多每一個節點,單獨嚟講都係必要而且充分。
要準確啲講:四個突觸係最短嗰條路。論文亦都寫明「there are multiple routes between sugar GRNs and MN9」—— 佢係一個有平行路徑嘅分層網絡,唔係一條單線。
但即使咁講,一條四層深、每一格都撳得郁成個行為嘅前饋電路,已經係「硬線」最貼近字面嘅樣。
除咗呢三個,仲有一批更加誇張嘅例子 —— 一粒(或者一對)神經元,撳落去就出成個行為:
- MDN(Moonwalker Descending Neuron) ——《Science》2014。原文:「MDN activity is required for flies to walk backward when they encounter an impassable barrier and is sufficient to trigger backward walking under conditions in which flies would otherwise walk forward.」撳一粒,隻果蠅倒後行。
- Fdg 神經元 ——《Nature》2013,論文標題本身就叫「A single pair of interneurons commands the Drosophila feeding motor program」。原文:激活之後「induces the entire feeding sequence」。一對神經元,成套進食程序。
- Giant Fiber 逃生電路 —— von Reyn 等人,《Nature Neuroscience》2014。呢條係覆蓋性嘅:「can override ongoing behavior to force a short takeoff」。無論隻果蠅當時做緊乜,呢條線一著,即刻起飛。由刺激到起跳,Cande 等人 2018 形容係「too fast(~30 ms)」快到佢哋套系統都捕捉唔到。
2024 年《Nature》嘅 Braun 等人潑咗盆冷水:果蠅有約一千三百條下行神經元,而佢哋主要係以群體方式運作。
而且 Cheong 等人(《eLife》2026,DOI 10.7554/eLife.96084)分析腹神經索連接組之後發現:「direct DN-MN connections are infrequent」—— 下行「命令」大部分根本冇掂到運動神經元。佢哋係去推中間嗰層前運動網絡,由嗰層做 pattern generation。
但都唔好過度修正:同一篇 Braun 論文亦寫咗,有 455 條下行神經元最多只收到一條其他 DN 嘅輸入。命令式神經元係真實存在嘅,亦真係有因果充分性 —— 佢哋只係會順手召集一個網絡,唔係被推翻咗。
架構答案係:命令神經元係方向盤,唔係腳踏。真正踩緊嘅係下面嗰個一直喺度轉嘅震盪器。
咁「訓練」去咗邊?—— 演化先係嗰次 training run
如果隻果蠅一出世就識行路、識梳毛、識食嘢,而佢冇學過,咁啲資訊由邊度嚟?
2019 年,冷泉港實驗室嘅 Anthony Zador 喺《Nature Communications》寫咗一篇叫〈A critique of pure learning〉嘅論文,做咗一條好簡單嘅數。
「The human genome has about 3×10⁹ nucleotides, so it can encode no more than about 1 GB of information—an hour or so of streaming video. But the human brain has about 10¹¹ neurons, and more than 10³ synapses per neuron. Since specifying a connection target requires about log₂10¹¹ = 37 bits/synapse, it would take about 3.7×10¹⁵ bits to specify all 10¹⁴ connections… even if every nucleotide of the human genome were devoted to efficiently specifying brain connections, the information capacity would still be at least six orders of magnitude too small.」
所以基因組唔可能逐粒突觸寫低。佢冇位。Zador 將呢個叫做「genomic bottleneck」——「the compression into the genome of whatever innate processes are captured by evolution，as a regularizing constraint on the rules for wiring up a brain.」
基因組入面唔係一張佈線圖。係一套發育規則 —— 一個跑起上嚟會長出腦嘅程式。
而 Zador 對「訓練」呢件事,有一個我覺得係全篇最重要嘅講法:
「In animals, there are two nested optimization processes: an outer 'evolution' loop acting on a generational timescale, and an inner 'learning' loop, which acts on the lifetime of a single individual… natural evolution succeeds only because it can benefit from the enormous amount of data represented by the life experiences of quadrillions of individuals over hundreds of millions of years.」
佢仲補多句:所以人工神經網絡嘅監督式學習,其實唔係動物「學習」嘅對應物;更貼切嘅叫法應該係「supervised evolution」。
用我自己嘅講法拆一次(呢個比喻係我嘅,唔係 Zador 原文,佢嘅原話係「外層演化迴圈 / 內層學習迴圈」):
嗰次訓練 run 跑咗幾億年(Zador 用嘅字係「hundreds of millions of years」),樣本係幾千萬億隻個體嘅一生。個 checkpoint 叫做基因組,壓縮到得 1GB。發育就係載入權重嘅過程。
所以「冇訓練」呢句話,準確嚟講係:你冇睇到嗰次訓練,唔代表冇跑過。你淨係睇到部署。
Zador 舉嘅例子好抵睇:「A squirrel can jump from tree to tree within months of birth, a colt can walk within hours, and spiders are born ready to hunt.」
仲有一個更狠嘅:兩種近親鹿鼠掘嘅洞完全唔同。而「Mice of one species reared by foster mothers of the other species build burrows like those of their biological parents」—— 由另一個物種養大,佢照樣掘返自己親生父母嗰種洞。
有冇人真係試過?有。
2024 年 Shuvaev、Zador 等人喺《PNAS》做咗個實驗:將標準神經網絡壓縮到基因組咁細,睇下未訓練之前有幾大用。
| 任務 | 壓縮倍數 | 未訓練嘅表現 |
|---|---|---|
| MNIST | 322 倍 | 接近完整訓練後嘅水平 |
| MNIST(更狠) | 1,038 倍 | 79% 正確 |
| CIFAR-10 | 92 倍 | 76%(隨機係 10%,完整訓練 89%) |
| Atari BeamRider | 約 3,500 倍 | 「innate performance… remained excellent」 |
一個壓縮咗三千五百倍嘅網絡,喺目標網絡初始化嗰一刻就已經打得。呢個就係「一隻果蠅一羽化就識行路」嘅運算對應物。
免費嘅係目標網絡(p-network):佢一被初始化就有表現,唔使再練。
但嗰個壓縮器(g-network)本身係練出嚟嘅 —— 而且係喺同一個任務上面反覆練:練 p → 壓成 g → 用 g 重新初始化 p → 再嚟。論文摘要用嘅字係「pretraining performance」。
呢點其實幫緊本文個論點(嗰層 g 訓練就係演化嗰層),但如果唔講明,就會俾人一句「你個壓縮根本唔係免費」打返轉頭。
另外兩個佢哋自己報嘅失敗都應該講:MNIST 壓縮出嚟嘅 g 網絡轉去 Fashion-MNIST 完全冇用(原文:「Disappointingly, we observed no enhancement」),摘要都收窄咗做「for complex but not for simple test problems」;而將 g 網絡嘅權重打亂,表現即刻跌返去隨機水平。
log₂(139,255) ≈ 17.1 bits 先可以指定一個目標神經元。× 5,450 萬個突觸 ≈ 9.3×10⁸ bits ≈ 117 MB。
果蠅基因組:180 Mb × 2 bits/base ≈ 3.6×10⁸ bits ≈ 45 MB。
即係話,就算果蠅呢個尺度,基因組都仲係細咗大約 2.6 倍,唔夠位逐粒突觸寫。
但重點係個幅度:人類差成一百萬倍,果蠅差2.6 倍。同一個樽頸,喺兩個尺度差咗接近六個數量級。
而生物喺兩個尺度都唔係用 lookup table。果蠅嘅連接組喺單突觸解析度下個體之間唔一樣 —— 基因組冇攞啲 bits 去寫一張表,佢攞咗去寫發育規則。呢點先係 Zador 論點最強嘅證據。
而呢個領域自己點形容呢件事?Janelia 嘅 Vivek Jayaraman 早喺 2021 年 10 月 26 日(講緊當時嘅 hemibrain,大約 25,000 粒神經元、佔全腦三分一)已經一句講晒:
「Artificial neural networks must learn the simplest things from scratch… but the fly brain comes pre-loaded with circuits for fundamental behaviors.」
「Evolution has done the training for you — and you can see that in the connectome.」
(日期要標清楚:呢句係五年前講 hemibrain 嘅,唔係講今次 MaleCNS。但論點一模一樣,而且佢講得比我好。)
界線喺邊:記憶,冇可能寫喺線路圖入面
上面講咗結構做到啲乜。而家講佢做唔到啲乜 —— 而呢條界線,異常地清晰。
果蠅識學嘢,而且學得極快。1985 年 Tully 同 Quinn 嘅經典實驗:
「Flies received twelve electric shock pulses in the presence of the first odor (CS+) but not in the presence of the second odor (CS−)… Typically, 95% of trained flies avoided the shock-associated odor… Acquisition of learning was asymptotic within one training cycle… still was present 24 h later.」
兩個細節要修返正,因為好多二手講法都寫錯:一個「循環」唔係一分鐘 —— 60 秒係CS+ 氣味加電擊嗰一段,成個循環係 60 秒 CS+ → 45 秒通風 → 60 秒 CS− → 45 秒通風,約 3.5 分鐘。而「十個間隔循環 → 長期記憶」係 Tully、Preat 等人 1994 年《Cell》嘅結果,唔係 1985 年嗰篇 —— 1985 年嗰篇淨係跟到 24 小時。1994 年報嘅長期記憶係「no appreciable decay over 7 days」。
咁呢啲記憶儲喺邊?2020 年 Li 等人喺《eLife》做蘑菇體連接組嘅論文,答得斬釘截鐵:
「Associative memories in the MB are stored as altered synaptic weights between KCs, which represent sensory information, and their target MBONs.」
一段記憶 = 固定線路上面嘅權重改變。
電子顯微鏡連接組 = 一隻果蠅、喺某一刻、嘅線路,唔包括權重。
所以:連接組永遠、原則上、唔可能話到你聽嗰隻果蠅學過啲乜。
Eon Systems 自己認得好爽快:「This fly cannot form long-term memories atm.」佢哋用嘅 leaky integrate-and-fire 根本冇可塑性規則。
2015 年 Cohn、Ruta 等人喺《Cell》仲揭咗多一層:同一個氣味訊號,喺唔同狀態下會被送去唔同嘅行為電路。
「The Drosophila mushroom body functions like a switchboard in which neuromodulation reroutes the same odor signal to different behavioral circuits, depending on the state and experience of the fly… neuromodulators confer functional flexibility to anatomically invariant circuits.」
「anatomically invariant circuits」—— 解剖上一模一樣嘅電路。即係話,兩隻果蠅可以有完全相同嘅線路,但做出完全唔同嘅行為,因為佢哋餓嘅程度唔同、交配狀態唔同、學過嘅嘢唔同。
| 可以由連接組還原 | 必須靠經驗 / 連接組還原唔到 |
|---|---|
| 行走節奏(CPG) | 氣味—電擊聯想學習 |
| 逃生反射 | 氣味—獎勵聯想 |
| 伸口器食糖 | 位置記憶 |
| 梳毛次序同抑制階梯 | 求偶挫敗後嘅行為改變 |
| 求偶歌嘅產生 | 長期記憶 |
| 趨光性、味覺效價、倒後行 | 任何取決於飢餓/飽足/交配狀態/警覺度嘅行為 |
連接組唔會話你知嘅四樣嘢
最有力嘅批評,嚟自圈內人。Louis Scheffer 係 Janelia FlyEM 自己團隊嘅人(hemibrain 論文第一作者),2021 年佢同 Ian Meinertzhagen 喺《Journal of Experimental Biology》(224(21):jeb242740)寫咗篇評論,標題就叫〈A connectome is not enough〉。
「Connectomes derived from electron microscopy (EM), at least with current technology, do not incorporate the identity of the neurotransmitters used by synapses, and neither the identity nor the expression sites of the corresponding receptors. This leaves the sign, strength and time constant of connections unknown.」
「at least with current technology」呢半句要留返 —— 佢哋唔係話呢啲原則上做唔到,係話而家做唔到。
2013 年 Cornelia Bargmann 同 Eve Marder 喺《Nature Methods》講得仲直接:
「[As a result, t]he targets of neuromodulation are invisible to the electron microscope.」
「anatomical inspection fails because each wiring diagram encodes many possible circuit outcomes… Under some modulatory conditions, anatomically 'present' synaptic connections may be functionally silent.」
而 Eve Marder 用一句就總結咗成件事。呢句成日俾人誤引去《Quanta》嗰篇訪問(嗰篇根本冇呢句),真正出處係 Gareth Cook 喺《紐約時報雜誌》2015 年 1 月嘅報道:
「If we want to understand the brain,」Marder says,「the connectome is absolutely necessary and completely insufficient.」
具體係四個缺口:
| 缺口 | 點解重要 | 現狀 |
|---|---|---|
| 符號、強度、時間常數 | 同一張線路,興奮定抑制,結果完全相反 | 要靠機器學習估神經遞質 |
| 電突觸(gap junction) | 細胞之間直接電耦合,唔經化學突觸 | FlyWire 原文:「Our connectome includes only chemical synapses; the identification of electrical synapses awaits a future electron microscopy dataset with higher resolution」 |
| 神經調質 / 神經肽 | 隔空作用,唔止影響相鄰突觸 | 光係神經肽就約 53 種未標註 |
| 可塑性 | 記憶就係住喺呢度 | 連接組係一個時間點嘅快照 |
1986 年用人手逐條追出嚟嘅秀麗隱桿線蟲連接組(302 粒神經元),有記錄電突觸。
2024 年用 AI 自動重建、規模大幾百倍嘅果蠅連接組,做唔到。FlyWire 自己寫:「the identification of electrical synapses awaits a future EM dataset with higher resolution… which are included in the C. elegans connectome.」
規模上去咗,某啲維度嘅解析度反而退返轉頭。
估神經遞質嗰步,錯得幾犀利?
2024 年 Eckstein 等人喺《Cell》發表咗一個由電顯影像預測神經遞質嘅神經網絡。整體成績唔差:
「achieves an accuracy of 87% for individual synapses, 94% for neurons, and 91% for known cell types」
但拆開睇:血清素得 33%。而最精彩嘅失敗,佢哋自己寫出嚟:
「the largest scale misprediction we caught was our network's incorrect mass prediction of Kenyon cells as dopaminergic… guessed dopamine across all Kenyon cell types (FlyWire: 99.9%, HemiBrain: 99.9%) with high confidence (FlyWire: mean, 0.627…, HemiBrain: mean, 0.54…)」
讀法要小心 —— 我第一次都讀錯咗:99.9% 係「被估錯嘅 Kenyon cell 佔比」,唔係信心值。真正嘅平均信心係 0.627 同 0.54。
Kenyon cell 係果蠅學習中樞嘅核心,每邊腦半球約兩千粒(全腦約四千)。佢哋實際係膽鹼能嘅。
即係:個分類器將成個功能上最關鍵嘅細胞類別,99.9% 全部估錯晒,而且唔係擘住眼估 —— 佢係有返咁上下信心噉估錯。
而符號錯嘅代價,遠大過權重錯
呢個有實測數字。Shiu 等人 2024 年《Nature》做咗兩組擾動測試:
翻轉全腦約 24% 神經元嘅符號,假陽性率跳咗十六倍。但將嗰個全局突觸權重參數亂郁三成,九成到九成半嘅預測照樣同預設模型一致(準確率 85–88%,對比預設嘅 91%)。
(準確啲講:佢哋郁嘅係 Wsyn 呢一個全局自由參數,唔係逐條突觸各自亂郁,而且感官輸入有做補償。另外 −30% 嗰次確實整壞咗一樣嘢:水感覺神經元推 MN9 嗰條路明顯退化。)
即係話:連接組最脆弱嗰環,唔係「條線有幾粗」,係「條線係加定係減」。而「加定減」偏偏就係電子顯微鏡影唔到、要靠 AI 去估嗰樣嘢。
玩 Doom 嗰隻:第 6,385 回合,全部驗證關卡 fail
講返啲 demo。而呢一段,我想用番做嗰啲人自己寫嘅嘢 —— 因為佢哋寫得比報道佢哋嘅傳媒誠實好多。
Alex Wormuth 嘅 Doomfly(佢 GitHub 檔案列住 Coinbase 做僱主;所有報道都係引返呢個自述,Coinbase 冇確認過),機制寫喺佢自己個 README 度:
「Each actual ViZDoom frame drives 3,335 R1–R6 brightness inputs and 811 R8 color inputs. Pixel positions and color responses are inferred proxies. Approximate neural dynamics run on 166,700 retained neurons and 25,582,938 directed connections from MaleCNS v1.0… A fixed interface maps DNp20 right-minus-left activity to turning, and DNpe017 activity to movement and firing. These are engineered controller assignments, not established natural motor functions.」
(細心嘅讀者會發現呢度個數同上面差咗五倍:文章開頭講 1.25 億條突觸連接,佢呢度寫 2,558 萬條。兩個都啱 ——《Cell》論文自己解釋咗:「124.2M synaptic contacts defines a graph of 25.6M edges between 166,483 neurons」。一個數係接觸點,一個數係神經元之間嘅邊。)
翻譯:遊戲畫面 → 模擬感光細胞 → 成個連接組傳一次 → 讀兩條下行神經元出嚟 → 佢自己決定咗邊條駁轉彎、邊條駁開槍。最後嗰個對應關係係佢揀嘅,唔係喺果蠅身上發現嘅。佢自己講明。
受傷嗰下嘅處理就真係幾靚:
「Nonfatal damage schedules +4 mV-equivalent current in the two identified PPL101 cells (IDs 11327, 11900)… for exactly 2,000 integration steps (200 ms)… Actual KC and PPL101 spikes drive the existing baseline-centered anti-Hebbian rule on all 4,184 existing KC-to-MBON11 edges」
佢係將果蠅真正嘅厭惡學習電路(多巴胺 → Kenyon cell → MBON 嘅可塑性)夾硬駁咗落 Doom 度。中槍 = 電擊。概念上好靚。
成績呢?佢自己個 README 第一句:
README 第一段:「Status: live experimental training, not demonstrated learned survival. The current v6 candidate failed its visual, conditioning and survival validation gates. Changing weights and longer individual rounds do not establish learning.」
另一份文件 docs/doom-live-training.md:「This public experiment allows people to observe the attempt, including failure.」
到 9 月 12 日,第 6,385 回合,仲係唔掂。
其餘幾個:
- Beat Saber(二千二百萬觀看,全網最紅嗰條片)—— 呢度我要小心啲講。傳媒寫「it's not organically reacting」,但呢句係 PC Gamer 嘅字,唔係作者嘅字,而作者 @_lyraaaa_ 喺原帖係反駁呢個講法嘅:「it is not simply acting out a predefined replay. the motion is generated by the connectome」。不過佢自己亦都認咗一句更加準:「this is so far just the motor cortex overfit to a replay」,同埋「for now it just flails」。而佢用嘅係強化學習 —— 呢點就直接同「冇訓練」四個字撞死。
- Super Mario 64 —— 作者 Jessica Paquette 自己形容啲 code 係「This code is literally 100% vibe coded with GPT Astra」。Mario 不停撼牆。但要公道:呢個項目個 README 自己寫住「There is no training, reward, or goal to collect stars」 —— 即係「冇訓練」係佢自己嘅聲稱,唔係傳媒扭曲。呢個 case 同上面幾個唔同。
- Minecraft —— 片名叫「I Put A Fly's Conscious Brain into Minecraft」。「Conscious」呢個字冇任何支持。(至於用邊個數據集,見第二章 —— 佢兩個都用咗。)
整個生態系嘅 GitHub 索引 awesome-fly,自己寫咗一句 disclaimer,我覺得係成件事寫得最好嘅一句:
「A connectome records neurons and their connections. A simulation adds assumptions about neuron dynamics, sensory input, and motor output. A moving fly, changing weights, or a game demo does not by itself demonstrate biological fidelity or learned behavior.」
做研究嗰班人講咗啲乜?
我寫呢篇文嘅時候,原本擺咗一句幾響嘅話:呢個病毒式浪潮由頭到尾,產出數據嘅科學家一個都冇出過聲。
查完之後,呢句係錯嘅。而佢錯得幾啱時候 —— 因為本文成篇都喺度講「傳播過程點樣整走 caveat」,我自己就差啲整走咗一個。
華盛頓大學嘅 John Tuthill(研究果蠅本體感覺同運動控制)喺 9 月 10 日喺 Bluesky 回覆咗 Beat Saber 嗰條片。佢冇長篇大論,只係寫:「the sphinxes are multiplying」,然後掟咗條 link。
「sphinx」唔係隨口講。佢自己個 lab 出咗篇論文,標題叫〈The digital sphinx: Can a worm brain control a fly body?〉(Brunton、Abe、Hu、Tuthill,2026 年 3 月 bioRxiv,8 月喺《eLife》出 Reviewed Preprint)。摘要形容自己係:
「a cautionary tale about the interpretation of such models」
佢哋做嘅嘢好狠:攞線蟲嘅腦去控制一個果蠅身體,睇下會唔會一樣睇落好似有返咁上下。同一條 thread 入面,計算神經科學家 Kameron Decker Harris 轉發咗。哈佛醫學院嘅 Jim Robinson-Bohnslav 9 月 9 日喺 X 寫:「in all my years of doing neuroscience, I never thought we would end up here」,後面跟住技術批評。而 Monash 嘅研究員 Ariel Zeleznikow-Johnston 早前寫過一篇叫〈No, we haven't uploaded a fly yet〉—— 嗰篇針對嘅係 Eon 三月嗰次,唔係九月啲 demo。
所以正確嘅講法係:科學家有出聲,而且佢哋講嘅嘢同本文一樣。
Tuthill 嗰篇「數碼斯芬克斯」論文,就係呢篇文成篇想講嘅嘢嘅學術版:一個模型郁得好似真嘅,唔等於佢入面嗰套機制係啱。
真正成立嘅觀察係比例:批評係零零星星、散落喺 Bluesky 同 X,而傳播係幾千萬次觀看。而且 MaleCNS 論文自己啲作者(Jefferis、Rubin、Berg 呢啲),我搵唔到佢哋任何一句公開評論。
媒體嗰邊都要講返準:《Science》有報道個數據集本身(9 月 3 日,標題講「124 million contact points」),Phys.org、劍橋、MRC LMB 都有。《The Transmitter》亦都報道過上一浪 —— 2026 年 4 月 2 日 Natalia Mesa 寫嘅〈'Digital sphinx' raises questions about connectome models〉,講 Eon 三月嗰次上傳。
所以準確嘅講法係:嚴肅科學媒體報道咗個數據集同三月嗰次上傳,但冇報道九月啲遊戲 demo。而九月嗰批報道,除咗遊戲科技媒體,仲有加密貨幣媒體同日本媒體。
(另一個細節順手更正:有幾間 aggregator 引咗一句類似「scientists say」嘅 caveat,出處其實係開發者 Evan Sinclair Smith 自己寫嘅:「It's an interactive way to explore a connectome, not evidence of consciousness」。佢 GitHub 自述係喬治亞理工碩士生、喺 Booz Allen 做 AI/ML —— 唔係神經科學家。不過原始出處《Protos》寫嘅係「It's worth noting」,冇寫過「scientists say」;嗰個 attribution 我追唔到源頭。)
256 納瓦
講效率,基本上所有 AI 評論文章都會引一句「果蠅個腦得大約 10 微瓦」。
我搵唔到呢個數任何原始出處。而同一個真正量過嘅數字比,佢高咗差唔多四十倍。
真正嘅數字 2026 年先出嚟(Crossref 同 PMC 顯示網上版 6 月 15 日,期刊期號標 8 月):Panda 等人喺《Cell Reports Methods》用一部專門造嘅奈瓦級生物量熱計,直接量咗單一果蠅腦嘅代謝熱輸出。
「the average metabolic output per brain in 10-day-old female flies… was measured to be ~256 nW」—— 質量標準化後係 ~38.7 nW/μg。
量嘅係剝出嚟嘅腦(「live explanted Drosophila brains」)—— 夾喺一條 750 μm 鐵氟龍毛細管入面,灌住培養液,喺室溫下量(而啲果蠅係 25°C 養大嘅)。冇身體、冇感官輸入、冇行為、冇血液循環。
而且量嘅係總代謝熱 —— 當中大部分係離子泵同蛋白質合成,唔係「運算」。呢篇論文自己定位係一個方法學突破,用嚟做生物能量學同衰老研究。
樣本係單一品系(y sc v)嘅雌性,n = 8。雄性冇直接報,但論文話雌性高約 10–15%,反推大約 220–235 nW。
所以「果蠅腦淨係用 256 納瓦」呢句係啱嘅,但佢唔係「一隻識飛識學嘢嘅果蠅,個腦運作緊嘅功耗」。
至於嗰個「10 微瓦」,誠實嘅講法唔係「呢個數係錯嘅」,而係:我搵唔到原始出處。一個幾可能嘅解釋係佢原本講緊成隻果蠅嘅靜息代謝率 —— 如果係咁,佢就係一個「器官 vs 整隻生物」嘅張冠李戴,而 256 nW ÷ 10 µW ≈ 2.5%,啱啱好落喺我下面估嘅 0.6–2% 附近。
人腦嗰邊要講清楚:Raichle 同 Gusnard 2002 年嘅原文係「the brain represents about 2% of the body weight… accounts for about 20% of the oxygen and, hence, calories consumed by the body」。「20 瓦」係推算出嚟(每日約 2,000 kcal ≈ 97 W,× 20% ≈ 19.4 W),唔係論文引句 —— 而且 2,000 kcal/日 比較接近總能量消耗而唔係基礎代謝率,用基礎代謝計嘅話大約係 16.5 W。
順帶一提,果蠅腦佔全身代謝只係大約 0.6% 到 2%(我自己夾兩份獨立研究估嘅,標明係估算),遠遠細過人腦嗰 20%。人類先係嗰個將大部分能量掟落個腦度嘅怪胎。
咁模擬嗰邊用幾多電?
我原本喺呢度寫咗「冇人公布過」。又係錯嘅 —— 速度係有人公布嘅,只係瓦數冇。
Shiu 等人 2024《Nature》,方法一節:「Simulation of sugar neuron activation takes approximately 5 min per 1,000 ms trial per central processing unit thread.」—— 即係單線程 CPU 大約慢過真實時間 300 倍。
Eon Systems 個 repo eonsystemspbc/fly-brain 有一個 data/benchmark-results.csv,720 行 benchmark,跨六個後端,有 sim_time 同 realtime_ratio 欄。當中 GeNN 後端錄到 realtime ratio 1.94 —— 即係快過真實時間接近兩倍,跑喺一張 RTX 4070 上面。
所以我上面本來想寫嘅「仲未做到令人信服嘅即時運行」,係被佢自己嘅 benchmark 推翻咗。
不過有一樣嘢仍然係真嘅:冇人公布過瓦數。Shiu 冇、Lappalainen 冇、Eon 有跑速冇功耗。Berkeley News 個標題寫「simulate an entire fly brain on a laptop」,正文亦都冇數字。
所以個對比要收窄咁講,而且要標明係數量級講法唔係量度出嚟嘅比率:真嘅(剝出嚟嘅)腦跑 0.26 微瓦。模擬可以跑到接近兩倍真實速度,但係跑喺一張量級幾百瓦嘅 GPU 上面。中間大約九個數量級,而且冇人量過。
Eon 自己亦都有留低一句限制:佢哋腦同身體每 15 毫秒 先同步一次,而「we note that this 15 ms time step may be too slow for some behaviors」。快,但個介面粗。
而呢個能量差距唔係因為工程做得差。係因為生物嘅計算同矽嘅計算,根本唔係同一回事。
「果蠅比 AI 學得快」呢個對比,其實係呃人嘅
另一個成日出現嘅對比:
| 達到水準所需嘅經驗 | |
|---|---|
| 果蠅,氣味—電擊聯想 | 1 個訓練循環(約 3.5 分鐘、內含 12 下電擊)→ 95% 迴避(Tully & Quinn 1985) |
| DQN,Atari | 5,000 萬幀 ≈ 38 日遊戲經驗(Mnih 等,2015 原文) |
| DDQN + 優先回放,Atari | 2 億幀 ≈ 920 小時(Tsividis 等,2017) |
(呢度要更正一個成日被引錯嘅嘢:「2 億幀」嗰個數唔係出自 Mnih 等人 2015。佢哋原文寫嘅係「We trained for a total of 50 million frames (that is, around 38 days of game experience in total)」。「2 億幀 ≈ 920 小時」係 Tsividis 等人 2017 嘅數,而且講緊嘅係另一隻 agent。兩個數其實對得返數 —— 5,000 萬 agent steps × frame-skip 4 = 2 億原始幀 —— 但引嘅時候唔好夾埋。)
睇落好震撼。但做呢個對比嘅研究員自己,喺論文入面就講咗點解對比唔公平:
「Of course, the 10-million (46-hr) and 25-million-frame (115-hr) comparisons are unfair – after all, in addition to having potential cognitive advantages, humans come to these tasks with a working visual system, while the DDQN has to learn a visual system from scratch.」
公道講:佢哋呢句明確排除咗 2 億幀嗰個對比 —— 因為練到嗰個程度,「隻 agent 仲未學識睇嘢」呢個反駁就已經失效。所以呢句唔可以攞嚟幫 920 小時嗰行講嘢。
但佢背後嗰個道理,加倍適用於果蠅。
果蠅嘅蘑菇體係一個已經駁好晒嘅「氣味 → 效價」架構。表徵嘅工夫,喺第一次試驗之前就已經做完。而 DQN 要由原始像素同時學埋知覺同控制。
更加根本嘅係:果蠅嗰個 prior,係五億年演化優化嘅成果 —— 用 Zador 嘅講法,係外層迴圈。
所以誠實嘅講法係:果蠅唔係比強化學習 sample-efficient。果蠅係一個被演化 pre-train 過嘅系統,而我哋淨係數緊 fine-tuning 嗰一小段。
呢句啱啱好就係第五章嘅論點,兜返轉頭。
同 Anthropic 撞埋一齊嘅地方
而家講最有意思嗰個交叉點。
2026 年 9 月(佢自己個網站只標月份冇標日,二手報道話係 9 月 12 日,即 Doomfly 出咗六日之後)—— Anthropic CEO Dario Amodei 發表咗〈We Must Pace the Frontier〉。入面講到 interpretability 嗰段係咁:
「Interpretability — the science of understanding what happens inside AI models — … can be used almost like an fMRI scan, but for the 'brain' of an AI, helping us see the underlying reasons for a given behavior.」
(要標清楚:呢個概念唔係新嘅。佢 2025 年 4 月〈The Urgency of Interpretability〉已經講過同一件事,但用嘅字係「MRI」唔係「fMRI」——「a true 'MRI for AI'」。2026 年 9 月嗰篇自己 hyperlink 返舊嗰篇。)
Anthropic 嘅 interpretability 計劃同 FlyWire / Janelia 嘅連接組計劃,係同一個智力賭注,落喺兩種唔同嘅基質上面:如果我哋可以畫出每一個單元同每一條連接,我哋就可以解釋佢嘅行為。
Anthropic 共同創辦人 Chris Olah 早喺 2021 年就寫過,AI 研究員其實比神經科學家有優勢。佢個小節標題係:「Advantage 2: Not only do you have the connectome, you have the weights!」—— 唔單止有線路圖,連權重都知到十足十,冇任何估算。
Eric Jonas 同 Konrad Kording 喺《PLoS Computational Biology》出咗一篇叫〈Could a Neuroscientist Understand a Microprocessor?〉嘅論文。
佢哋攞咗一塊 MOS 6502 CPU —— 一個完全已知嘅系統,每一粒電晶體、每一條線、每一個功能都有 ground truth —— 然後用神經科學嗰套工具(損毀實驗、相關性分析、連接組式分析)去研究佢。
而最恐怖嗰點唔係「乜都做唔到」。係佢哋做到嘅嘢睇落好似好有道理:原文話啲結果「surprisingly similar to the results found about real brains」—— 但完全冇帶嚟對呢部機點運作嘅理解。
即係話:就算你有完美嘅線路圖,你都可以得出一堆睇落好靚、但其實冇解釋到嘢嘅分析。
但要引得公道:呢篇論文明確反對「所以連接組冇用」呢個讀法。佢哋原文寫:「Note we are not suggesting connectomics is useless, quite the contrary–in the case of the processor the connectome was the first crucial step in enabling reliable, whole-brain-scale simulation.」
即係:連接組係必要嘅第一步,唔係最後一步。同 Marder 嗰句「absolutely necessary and completely insufficient」係同一個意思。
(一個好抵玩嘅細節:Konrad Kording 而家係 Eon Systems 嘅顧問。)
而果蠅,就係呢個賭注嘅對照組。
我哋而家真係有咗一隻動物嘅完整線路圖 —— 166,700 粒神經元,每一條連接。但我哋仍然預測唔到佢下一秒做乜。因為符號要靠估(Kenyon cell 估錯咗 99.9%)、電突觸影唔到、五十幾種神經肽未標註、記憶住喺權重度而權重冇喺圖入面。
Janelia 嘅 Gerry Rubin 喺 FlyWire 出街嗰日同 NPR 講嘅一句,最抵記:
「But it's not like we now have it and we're done.」
投資角度:呢個主題,買唔落手
講到呢度,實有人問:點樣參與?
先分清楚三樣成日被溝埋一齊講嘅嘢。
| 類別 | 係乜 | 例子 |
|---|---|---|
| (a) 數碼連接組模擬 | 普通 GPU/CPU 上面行嘅軟件。冇特殊硬件、冇活細胞 | Eon Systems、Shiu 模型、NeuroMechFly、flyvis |
| (b) 類腦晶片 | 實體脈衝式、事件驅動晶片。係「受腦啟發」,唔係模擬任何一隻動物嘅連接組 | Intel Loihi 2 / Hala Point、IBM NorthPole、BrainChip Akida、SynSense、Innatera |
| (c) 濕件運算 | 真係用活生生神經元做運算 | Cortical Labs CL1、FinalSpark、Koniku |
今次成單嘢,由頭到尾只屬於 (a)。Eon Systems 雖然叫「腦」,但同類腦晶片、同濕件運算冇任何關係 —— 佢跑喺普通 GPU 上面。
有冇得買?幾乎冇。
Intel(INTC)嘅 Loihi 2 / Hala Point 係研究項目 —— Intel 自己個字係「Hala Point is a research prototype」—— 冇商用 SKU、冇收入線。IBM(IBM)嘅 NorthPole 同樣自稱研究原型,截至 2026 年 9 月冇確認商用出貨日期。
但唔好由此推論「類腦硬件冇嘢賣」:SpiNNcloud 標明 SpiNNaker2「commercially available」,Innatera 嘅 Pulsar 微控制器已經出貨、有簽咗嘅 ODM 客同公開售賣條款。只不過兩間都係私人公司。
上市嗰邊,我搵唔到第二隻純 play —— 得 BrainChip Holdings(ASX:BRN;美國 OTCQX 報價:BRCHF)。佢 2026 上半年嘅數:
(市值我原本寫 2.3–2.6 億美元,係錯嘅 —— 嗰個係撈亂咗澳元同美元。按 ASX 公布嘅 A$295,857,269、加 9 月 11 日收 A$0.12、AUD/USD 約 0.7155 換算,係 1.95 至 2.12 億美元。三個損益數字就完全對得返 4D 報表。)
DataM Intelligence 講 2025 年 81.6 億美元。Fortune Business Insights 講 2026 年約 3.32 億美元(注意:佢份報告單位係「USD Thousands」—— 好多人將 332,439 千美元讀成 33.2 億,包括我第一次)。
而唯一一份由下而上、按實際收入計嘅報告 —— Policy2050 2026 年 3 月嗰份 —— 話:2025 年全行實際商業收入大約 5,000 萬美元,2030 年到 1.85 億。
同一份報告仲有一個數,財經讀者應該最想睇:自 2024 年起投入非 GPU AI 運算嘅資金超過 50 億美元 —— 對比 5,000 萬收入,即係 110 比 1 嘅投入產出比。
而 BrainChip 半年 122 萬美元嘅收入,已經係成個行業一個有意義嘅比例。呢句就講晒。
連接組學本身就更加唔係一個 VC 賽道。E11 Bio 同 Arbor Neuroscience(前身叫 Forest Neurotech,2026 年改咗名)都係 Focused Research Organization —— 慈善資助,唔係風投。Zetta AI 做重建服務。Eon Systems 係私人公司,連論文都未有。
而財經角度最應該知嘅一件事,喺呢度
整咗 Doomfly 嗰位 Alex Wormuth,仲整咗第二個項目,叫 Stonkfly。
輸入係市場圖表,接住紙上交易,可選 Coinbase 整合。佢仲搞過一次「俾隻果蠅腦一百蚊去炒 bitcoin」嘅噱頭。
而個項目索引入面對佢嘅描述,得一句:
「profitable learning has not been demonstrated.」
真正嘅 read-across,唔係買邊隻股。
係一個關於 AI 資本開支敘事嘅長期問號:如果結構先係承載能力嘅主要載體,而演化證明咗結構可以壓縮到一個 1GB 嘅基因組入面,咁「不停堆參數、堆算力」呢條路,長遠嚟講有一個根本上更平嘅競爭者。
但「長期」呢兩個字喺度做緊好重嘅工作。果蠅 166,700 粒神經元。老鼠 7,100 萬。人 860 億。而連接組俾你嘅係先天嗰部分,唔係後天嗰部分 —— 偏偏 LLM 所有有經濟價值嘅嘢,全部都喺後天嗰部分。
呢個唔係一個 2026 年嘅交易。呢個係一個你應該知道存在、但唔應該現價買嘅結構性觀察。
隻果蠅做返隻果蠅嗰陣,先係天才
回到最初嗰條問題:點解冇訓練都做到咁多嘢?係咪寫咗喺神經網絡入面?
三句話答完:
「冇訓練」係錯嘅,但錯得唔緊要
做嗰間公司自己份技術報告寫明:身體控制器係 imitation learning 練返嚟嘅,腦同身體之間嘅對應關係係人手揀嘅,而「our results should not yet be interpreted as a proof that structure alone is sufficient」。
個腦模型本身確實冇訓練過。個系統有。
但有啲嘢真係寫咗喺線路入面,而且指得出
行路嘅節奏 —— 一個三粒神經元嘅網絡震盪器,喺模型入面冇一粒有內在爆發特性,個節奏由拓撲本身生出嚟(但要記住:呢個係預印本,而且「冇內在爆發」係設定,唔係量度)。
梳毛嘅次序 —— 一條抑制階梯,眼 > 觸角 > 腹 > 翼 > 胸,而且實驗證明咗唔係一條鏈。作者叫呢個做「第一個由階層抑制實現嘅先天運動序列」—— 「由階層抑制實現」呢半句唔可以省,否則就變咗「第一個先天運動序列」,嗰句係明顯錯嘅。
食糖 —— 最短路徑四個突觸,路上大部分節點都必要而且充分。
呢啲係先天運動程式。佢哋唔係學返嚟嘅,佢哋係長出嚟嘅。
而寫落去嗰個唔係工程師
基因組冇位逐粒突觸寫 —— 人類差咗六個數量級。所以基因組入面唔係佈線圖,係發育規則。
嗰次訓練 run,樣本係幾千萬億隻個體嘅一生,跑咗幾億年。
用 Vivek Jayaraman 一句:「Evolution has done the training for you — and you can see that in the connectome.」
而呢個就係點解隻果蠅玩 Doom 玩到第 6,385 回合都仲係輸。
Doom 唔係果蠅嘅線路被揀選嚟做嘅嘢。連接組俾你嘅係一隻果蠅 —— 一隻極度優秀嘅果蠅 —— 唔係一個通用學習器。
佢做返隻果蠅嗰陣係天才。你叫佢做人,佢就係第 6,385 回合。
喺一堆「攞隻果蠅去打機」嘅項目之中,有個開發者做咗樣唔同嘅嘢。佢叫 Macroblock,起咗個「果蠅天堂」:
「Everyone is doing terrible things to this poor fruit fly, trapping it in black mirror nightmare environments, inflicting max pain, forcing it to play the same beat saber song indefinitely etc, so I'm building a sim where it just gets to fly around forever in fruit fly heaven.」
一個有草、有樹、有生果、冇戰鬥嘅世界。
Eon Systems 自己都寫過類似嘅嘢:「If you're going to build this technology, you have to care about the beings you create with it. That starts now, at the smallest scale.」
冇人知一個模擬嘅果蠅腦有冇任何體驗。大概率係冇。但值得留意嘅係:呢個問題第一次被認真問,係喺 166,700 粒神經元呢個尺度。下一次問,會係老鼠。
