Le connectome de la drosophile de Google fait tourner Doom, mais ce n’est pas un cerveau numérique

Google a contribué à publier un connectome de drosophile contenant 166 700 neurones, et des programmeurs ont rapidement relié cet ensemble de données à Doom et Super Mario 64. Le connectome de drosophile de Google inclut également le cordon nerveux ventral de l’insecte, qui joue un rôle comparable à celui d’une moelle épinière chez les vertébrés. Cette étendue fait de l’ensemble de données une carte inhabituellement complète entre les entrées sensorielles, les voies neuronales et les sorties motrices.

Les démonstrations de jeux sont apparues quelques jours après l’annonce de Google du 3 septembre. Leur rapidité a créé un récit irrésistible : des scientifiques ont cartographié un cerveau, en ont publié la structure, puis des ingénieurs ont immédiatement fait jouer ce cerveau à des jeux vidéo. Pourtant, l’expression « un cerveau de mouche qui joue à Doom » masque la limite centrale.

Ces projets n’installent pas un cerveau biologique fonctionnel dans un ordinateur. Ils combinent une connectivité anatomique réelle avec des dynamiques neuronales approximatives, des entrées sensorielles synthétiques et des commandes de jeu choisies par les développeurs. Le résultat est une expérience convaincante, mais pas une copie numérique d’une mouche vivante.

Cette distinction compte au-delà de la curiosité d’internet. La connectomique, l’étude des schémas complets de câblage neuronal, passe de l’anatomie statique à des simulations capables de générer des comportements. L’expérience Doom révèle à la fois le potentiel de cette transition et la grande quantité de modélisation dissimulée entre la structure et l’intelligence.

Le connectome de drosophile de Google cartographie ensemble le cerveau et le corps

Le changement important ne tient pas seulement au fait que les chercheurs ont cartographié un autre cerveau de mouche, mais qu’ils ont relié un cerveau mâle complet à son système moteur central.

Google Research, le HHMI Janelia Research Campus, l’Université de Cambridge et d’autres collaborateurs ont produit le nouvel ensemble de données. Leur carte complète du câblage contient plus de 166 000 neurones et environ 125 millions de contacts synaptiques.

Un connectome recense les neurones et les connexions qui les relient. Il ressemble à un schéma électrique, même si les neurones biologiques communiquent par des mécanismes bien plus complexes que de simples fils électroniques.

L’ensemble de données MaleCNS couvre le cerveau central, les lobes optiques et le cordon nerveux ventral. Ce dernier transmet des signaux entre le cerveau et une grande partie du corps de la mouche. Son inclusion permet aux chercheurs de suivre les voies allant des entrées visuelles, auditives et olfactives vers les sorties motrices.

L’ensemble de données se distingue donc des cartes limitées à une région cérébrale ou à un cerveau central isolé. Les chercheurs peuvent désormais examiner un réseau anatomique continu, du traitement sensoriel jusqu’au contrôle du corps.

Google indique que ce travail est le fruit d’une collaboration de dix ans. Les chercheurs ont d’abord découpé le tissu nerveux en sections extrêmement fines et capturé des images au microscope électronique de chaque section. Des systèmes d’apprentissage automatique ont ensuite aidé à assembler ces images planes en structures neuronales tridimensionnelles.

Une technique importante reposait sur des réseaux de remplissage par propagation. Ces réseaux neuronaux convolutionnels partent d’un emplacement dans l’image et prédisent quels pixels environnants appartiennent au même objet biologique.

La reconstruction automatisée n’a pas éliminé le travail humain. Des spécialistes du HHMI Janelia ont examiné et corrigé les formes neuronales, puis ajouté les annotations nécessaires à l’interprétation du réseau. Google reconnaît que la vérification et l’annotation exigent encore des années de travail d’experts.

La page du projet MaleCNS donne accès aux types cellulaires, aux recherches de connectivité, aux visualisations, aux téléchargements et aux informations de publication. Sa chronologie indique que MaleCNS v1.0 est devenu publiquement accessible le 8 juin, avant la publication de l’article associé le 3 septembre.

Cette chronologie aide à expliquer pourquoi les démonstrations de jeux sont apparues si vite après l’annonce de Google. Les développeurs n’ont pas reconstruit 166 700 neurones en un week-end. Ils ont obtenu un accès public à un graphe existant, lisible par machine, et ont construit autour de lui des interfaces expérimentales.

La carte fournit également aux chercheurs un nouveau point de comparaison avec les ensembles de données sur les mouches femelles. Les scientifiques peuvent examiner quels circuits restent semblables d’un individu à l’autre et quelles structures diffèrent selon le sexe.

Ces différences comptent pour des comportements tels que la parade nuptiale, l’agressivité et le traitement sensoriel. Toutefois, une différence anatomique ne permet pas à elle seule d’établir comment un circuit particulier produit un comportement. Elle indique où les chercheurs peuvent mener des expériences plus ciblées.

Le connectome de drosophile de Google est donc à la fois une réussite et un instrument. Sa plus grande valeur scientifique réside dans les questions qu’il rend vérifiables, non dans son nombre brut de neurones.

Pourquoi le connectome de drosophile de Google est arrivé si vite à Doom

Doom est devenu un test immédiat parce qu’un connectome ouvert peut être traité comme un graphe informatique, avant même que les scientifiques comprennent chaque circuit qu’il contient.

L’ingénieur logiciel Alex Wormuth a présenté DOOMFLY après l’annonce de la recherche. Le projet transmet les images du jeu à une simulation fondée sur l’intégralité du réseau MaleCNS v1.0 conservé.

La méthodologie DOOMFLY publiée par le projet indique 166 700 neurones, 25 582 938 arêtes orientées et 124 177 617 contacts synaptiques. Ces chiffres décrivent le graphe informatique conservé utilisé par la simulation.

Chaque tic de jeu de Doom fournit des informations d’image à des entrées visuelles simulées. Le système convertit l’image en signaux pour 3 335 entrées sensibles à la luminosité et 811 entrées de couleur déduites.

Ces entrées ne reproduisent pas l’œil d’une mouche avec une précision biologique complète. Le développeur décrit les coordonnées visuelles et les réponses aux couleurs comme des substituts. Les photorécepteurs simulés utilisent également un comportement de décharge simplifié.

L’activité circule ensuite dans le réseau dérivé du connectome. Lorsque la tension modélisée franchit un seuil, un neurone simulé se déclenche. Le câblage contraint les trajets possibles de cette activité, tandis que des équations conçues déterminent son évolution dans le temps.

Des neurones descendants sélectionnés deviennent des commandes de jeu. Les différences d’activité modélisée de DNp20 font tourner le joueur. La fréquence de décharge de DNpe017 produit le mouvement, tandis qu’une impulsion de ce neurone déclenche l’arme.

Ces choix créent une boucle fermée. Doom fournit une image, le modèle produit une activité, les neurones choisis contrôlent le jeu, et l’image suivante revient vers le modèle.

Les dégâts ajoutent une couche supplémentaire. Les coups non mortels stimulent deux cellules dopaminergiques PPL101 modélisées pendant un intervalle défini. Le projet considère cette intervention comme un signal de renforcement négatif destiné à encourager l’évitement des dégâts.

C’est pourquoi les descriptions d’un « cerveau de mouche entraîné » exigent de la prudence. Le système comprend un mécanisme de renforcement, mais son interface publique a également décrit certaines étapes de l’expérience comme ne comportant aucun apprentissage. Observer une activité changeante ne suffit pas à établir l’existence d’un comportement appris.

Un modèle doit s’améliorer selon une mesure définie avant que les chercheurs puissent raisonnablement revendiquer un apprentissage. Des mesures utiles pourraient inclure le temps de survie, la fréquence des dégâts, les performances de navigation ou les résultats obtenus face à des réseaux de contrôle aléatoires.

Le comportement initial paraît beaucoup moins spectaculaire que le titre ne le suggère. Le contrôleur simulé peut foncer dans des murs, tourner sans but ou tirer loin des ennemis. Ces échecs ne sont pas surprenants, car le connectome n’a jamais évolué pour interpréter les pixels de Doom.

Doom attend également un ensemble compact de commandes conçues par des humains. Le système nerveux d’une mouche produit des mouvements impliquant les ailes, les pattes, la tête et les pièces buccales. Convertir quelques neurones simulés en commandes d’avancer, de tourner et de tirer impose une interface artificielle.

L’attrait de Doom reste compréhensible. Le jeu de 1993 possède un code moteur ouvert, de faibles exigences matérielles, un retour rapide et une longue histoire de portages inhabituels. Il offre un environnement familier pour tester des systèmes informatiques non conventionnels.

Ici, toutefois, Doom ne tourne pas sur le connectome comme si le réseau était un processeur. Un ordinateur conventionnel exécute toujours le jeu et la simulation neuronale. Le connectome fournit la topologie d’une partie du système de contrôle.

Cette différence distingue DOOMFLY des projets classiques « Peut-il faire tourner Doom ? ». La question notable n’est pas de savoir si des neurones de mouche peuvent exécuter des instructions de jeu. Elle est de savoir si une connectivité d’origine biologique peut soutenir un comportement utile dans une simulation conçue.

Le câblage est biologique, mais le contrôleur est conçu

La tension principale réside entre un graphe anatomique réel et les décisions artificielles nécessaires pour faire se comporter ce graphe dans un logiciel.

MaleCNS indique aux chercheurs quels neurones sont connectés et où se produisent de nombreuses synapses chimiques. Il ne fournit pas un enregistrement complet de l’activité de chaque neurone au cours de la vie d’une mouche.

Un connectome statique omet également d’importantes variables biologiques. Différentes synapses peuvent présenter des forces, des propriétés temporelles, des types de récepteurs et des modulations différents. Les états chimiques internes peuvent modifier la réponse d’un même câblage.

Les connexions électriques, les neuromodulateurs, les hormones et les interactions avec le corps compliquent encore le tableau. Une liaison structurelle ne peut pas spécifier entièrement ce qui se produit lorsqu’un animal vivant reçoit un stimulus.

DOOMFLY doit combler ces lacunes par des hypothèses. Les développeurs attribuent des dynamiques de tension simplifiées, des effets de neurotransmetteurs, des comportements au repos, des règles d’adaptation et des transformations sensorielles. Chacun de ces choix modifie la sortie du modèle.

La correspondance des commandes introduit une autre couche d’interprétation. DNp20 et DNpe017 sont des neurones descendants biologiquement pertinents, mais les associer à des actions dans Doom reste une décision des développeurs. Leur activation ne signifie pas naturellement « appuyer sur la touche de tir ».

Le projet lui-même qualifie clairement ces lectures de commandes conçues plutôt que de commandes naturelles validées. Cette précision est essentielle, car le résultat animé peut sembler plus biologiquement complet qu’il ne l’est réellement.

Cette distinction ressemble à l’écart entre une carte routière et une simulation de trafic. Une carte routière contraint les itinéraires possibles, mais elle ne détermine pas la vitesse des véhicules, les destinations, les embouteillages ou les décisions des conducteurs.

Un connectome fournit une contrainte bien plus dense et plus déterminante. La simulation a néanmoins besoin de règles régissant la transmission des signaux, la temporalité, l’encodage sensoriel et la sélection des actions.

La démonstration Super Mario 64 illustre le même problème. Des rapports attribuent cette expérience distincte à la développeuse Jessica Paquette. Comme dans Doom, le jeu reçoit des actions dérivées d’une activité neuronale modélisée plutôt que des commandes choisies par l’esprit intact d’une mouche.

Les informations publiques sur l’implémentation de Mario restent plus limitées que la documentation détaillée de DOOMFLY. Elle doit donc être considérée comme une démonstration expérimentale, et non comme une preuve indépendante que le connectome soutient une capacité générale à jouer aux jeux vidéo.

Faire tourner les deux jeux ne démontre pas non plus un apprentissage par transfert. Un ensemble de données de câblage partagé peut prendre en charge différentes interfaces, car les développeurs peuvent lui associer différents encodeurs sensoriels et différentes correspondances d’actions.

Cette flexibilité est utile pour l’exploration. Elle permet aux programmeurs de tester comment une activité contrainte par le connectome évolue selon les environnements. Elle peut toutefois également susciter des comparaisons trompeuses avec des agents d’intelligence artificielle entraînés à maximiser les scores dans les jeux.

Un agent conventionnel d’apprentissage par renforcement ajuste ses paramètres en fonction d’un objectif de récompense. Son processus d’entraînement vise directement de meilleures performances. Une simulation de connectome peut plutôt privilégier la plausibilité biologique, l’interprétation des circuits ou la génération d’hypothèses.

Ces objectifs ne se recoupent que partiellement. Un système peut être scientifiquement intéressant tout en jouant mal. À l’inverse, un agent de jeu très performant peut révéler peu de choses sur les systèmes nerveux.

C’est là que le cadrage viral devient productif. Voir un contrôleur dérivé d’une mouche évoluer dans Doom oblige les chercheurs à identifier chaque passerelle manquante entre anatomie et comportement.

Le connectome de la mouche des fruits de Google fournit la structure biologique. Le jeu fournit un environnement mesurable. La simulation qui les relie expose les hypothèses qui doivent être testées ensuite.

Le véritable test scientifique est la prédiction, pas le jeu

Un modèle fondé sur un connectome devient scientifiquement utile lorsqu’il prédit des comportements biologiques que les chercheurs peuvent tester chez de vraies mouches.

Les performances dans un jeu fournissent un retour immédiat, mais elles ne constituent pas le standard de validation le plus rigoureux. Doom a été conçu pour des joueurs humains, tandis que les mouches des fruits ont évolué autour du vol, de la marche, de l’alimentation, de la parade nuptiale et de l’évitement des menaces.

Un meilleur test consiste à demander si des interventions modélisées prédisent de véritables changements neuronaux ou comportementaux. Les chercheurs pourraient stimuler une voie sensorielle dans la simulation, identifier l’activité en aval et comparer cette prédiction à des enregistrements en laboratoire.

Ils pourraient aussi inhiber un neurone de manière computationnelle avant de mener une expérience biologique correspondante. Une concordance suggérerait que le modèle capture un élément significatif du circuit.

Le système nerveux central complet améliore ces possibilités. Les chercheurs peuvent suivre un stimulus au-delà du cerveau jusqu’aux voies descendantes qui influencent le mouvement. Les cartes antérieures limitées au cerveau ne pouvaient pas représenter cet itinéraire complet.

Les scientifiques utilisent déjà des connectomes de mouches des fruits pour étudier la vision, le goût, la navigation et le comportement social. Le nouveau jeu de données masculin offre des possibilités directes d’étudier les circuits spécifiques au sexe et de comparer les voies correspondantes entre individus.

Une précédente carte du cerveau femelle contenait près de 140 000 neurones et plus de 50 millions de synapses. Publiés en 2024, ces travaux portaient sur le cerveau central de la femelle adulte plutôt que sur le système nerveux masculin complet et connecté.

Comparer ces ressources n’est pas une compétition de chiffres plus élevés. Différents jeux de données peuvent employer des règles d’inclusion, des méthodes de segmentation et des définitions des connexions différentes. Leur valeur scientifique dépend de leur couverture, de leurs annotations, de leur précision et de leur adéquation à une question donnée.

La couverture du connectome masculin liée au corps rend la recherche sensorimotrice particulièrement intéressante. Elle peut aider les scientifiques à étudier comment les signaux traversent plusieurs régions avant d’atteindre des neurones associés au mouvement.

De récents travaux computationnels vont dans cette direction. Un projet de recherche sur la locomotion a utilisé un modèle graphique dérivé d’un connectome pour contrôler un corps de mouche simulé. Ce cadre s’aligne davantage sur le système moteur naturel de l’animal qu’un jeu de tir à la première personne.

Même ces simulations incarnées restent des approximations. Les muscles, la mécanique des articulations, le retour sensoriel, les contacts avec l’environnement et l’état interne influencent tous le mouvement. Un connectome ne peut pas remplacer ces systèmes à lui seul.

Le programme de recherche le plus solide reliera plusieurs formes de preuves. L’anatomie identifie les voies possibles. Les enregistrements neuronaux révèlent l’activité. Les expériences comportementales établissent les conséquences. Les modèles computationnels testent si les différentes pièces s’expliquent mutuellement.

Doom apporte un environnement d’expérimentation visible et reproductible, mais son importance scientifique dépend des questions expérimentales qui y sont associées. Une collision contre un mur signifie peu de chose sans hypothèse, condition de contrôle et comparaison mesurable.

Les chercheurs devraient comparer le modèle MaleCNS à des alternatives. Il pourrait s’agir de connectomes mélangés aléatoirement, de réseaux réduits, de graphes aléatoires ou de réseaux neuronaux ordinaires disposant de budgets computationnels similaires.

Si le câblage authentique produit systématiquement un comportement distinct ou plus biologiquement plausible, ce résultat soutiendrait la valeur de la structure dérivée du connectome. Si les graphes aléatoires obtiennent des performances similaires, la topologie anatomique pourrait apporter moins que prévu.

La reproductibilité compte également. DOOMFLY publie du code et des notes méthodologiques, ce qui permet à d’autres d’inspecter les hypothèses et de reproduire les expériences. Des réplications indépendantes peuvent révéler si les résultats dépendent de paramètres cachés ou de correspondances d’entrée particulières.

La démonstration virale a donc créé un défi utile. Les développeurs peuvent faire évoluer le réseau dans des jeux, mais les neurosciences doivent déterminer si ces mouvements révèlent réellement quelque chose sur une mouche.

L’IA a accéléré la cartographie, mais elle n’a pas recréé un esprit

Qualifier le projet de cerveau alimenté par l’IA risque de confondre trois éléments distincts : le logiciel de reconstruction, les données anatomiques et une simulation comportementale.

Google a utilisé l’apprentissage automatique pour aider à reconstruire les formes neuronales à partir d’images de microscopie électronique. Ces systèmes traitaient un problème de vision par ordinateur impliquant la segmentation de volumes d’images gigantesques.

Les chercheurs avaient toujours besoin d’une relecture et d’annotations humaines. Les systèmes automatisés peuvent fusionner accidentellement des neurones distincts ou diviser un neurone en plusieurs fragments. De petites erreurs de reconstruction peuvent fausser la connectivité déduite.

Google a continué à développer des systèmes qui réduisent cette charge manuelle. Ses travaux sur les neurones synthétiques génèrent des géométries neuronales artificielles pour entraîner des modèles de reconstruction.

L’entreprise affirme que cette approche améliore la vitesse et la précision de son système de reconstruction PATHFINDER. Cependant, une segmentation plus rapide ne crée pas automatiquement une simulation plus réaliste du fonctionnement neuronal.

Le jeu de données MaleCNS est le produit d’une reconstruction assistée par IA. DOOMFLY est une simulation distincte construite à partir de ce produit. Ses neurones modélisés n’héritent pas d’une intelligence simplement parce que l’apprentissage automatique a aidé à en tracer les formes.

Cette distinction est importante pour évaluer les affirmations sur les cerveaux numériques. Une reconstruction géométriquement précise d’un neurone décrit son anatomie. Un modèle neuronal dynamique estime son activité. Un modèle cognitif devrait expliquer la perception, la mémoire, l’apprentissage et l’action.

Aucune couche ne garantit la suivante. Un câblage précis peut tout de même produire une activité inexacte si la simulation repose sur de faibles hypothèses physiologiques. Une activité précise dans un circuit peut ne pas expliquer le comportement à l’échelle de l’animal entier.

La comparaison avec l’humain clarifie les limites. Google note que cartographier les quelque 86 milliards de neurones du cerveau humain reste hors de portée des capacités actuelles. L’échelle n’est qu’un obstacle parmi d’autres.

Un connectome humain exigerait encore des informations sur les propriétés synaptiques, les états moléculaires, la plasticité, le développement et l’interaction avec le corps. Même une carte structurelle parfaite ne recréerait pas automatiquement la mémoire personnelle ni la conscience.

Le projet sur la mouche des fruits est précieux précisément parce qu’il rend ces problèmes plus gérables. Les chercheurs peuvent tester des idées sur des réseaux entiers chez un animal au comportement sophistiqué et au système nerveux relativement compact.

Le jeu de données fournit aussi une plateforme pour améliorer les méthodes computationnelles. Les ingénieurs peuvent étudier le traitement de graphes, la simulation clairsemée, la visualisation, le stockage et l’apprentissage soumis à des contraintes biologiques à une échelle substantielle.

Ces gains techniques peuvent soutenir des projets plus vastes impliquant le poisson-zèbre et des portions de cerveaux de souris. Google collabore déjà à des initiatives de cartographie chez les vertébrés, notamment sur des jeux de données associant structure neuronale et activité enregistrée.

Associer structure et activité est une étape cruciale. Une carte statique indique aux scientifiques où les signaux pourraient circuler. L’activité enregistrée montre quelles voies s’activent dans des conditions particulières.

La pression restante repose sur les concepteurs de modèles. Ils doivent documenter où s’arrêtent les preuves biologiques et où commencent les hypothèses d’ingénierie. Sans cette distinction, des visualisations soignées peuvent transformer un logiciel exploratoire en affirmations exagérées.

DOOMFLY traite cette question mieux que de nombreux résumés viraux. Sa documentation qualifie la dynamique neuronale d’approximative, les entrées visuelles de substituts et les sorties de contrôle de mécanismes conçus.

Cette franchise ne rend pas le projet moins intéressant. Elle identifie sa véritable réalisation : un développeur peut désormais télécharger le graphe d’un système nerveux central entier et l’intégrer dans une boucle logicielle inspectable.

Trois signaux montreront si la démonstration devient une science utile

La prochaine phase devrait être évaluée selon l’apprentissage mesurable, la validation biologique et la reproduction indépendante, et non selon le nombre de jeux connectés à MaleCNS.

Le premier signal est une amélioration comportementale cohérente. DOOMFLY a besoin de métriques prédéfinies qui évoluent au fil de l’entraînement tandis que les systèmes de référence restent comparables.

Le temps de survie offre une mesure possible. Les chercheurs pourraient également suivre les dégâts par minute, la diversité des mouvements, l’évitement des ennemis ou la progression dans un environnement contrôlé.

Les résultats devraient apparaître avec plusieurs graines aléatoires et conditions de départ. Une seule exécution réussie peut résulter de l’aléa du jeu, de choix d’initialisation ou d’une correspondance de contrôle favorable.

Des tests d’ablation rendraient les preuves plus solides. Les développeurs pourraient supprimer la stimulation dopaminergique, mélanger certaines connexions ou remplacer le connectome par un graphe aléatoire apparié.

Si l’apprentissage disparaît lorsque la structure biologiquement pertinente est perturbée, le modèle devient plus informatif. Si chaque réseau progresse de la même manière, le résultat en dit davantage sur la boucle d’entraînement.

Le deuxième signal est l’accord expérimental avec des mouches vivantes. Les concepteurs de modèles devraient choisir des prédictions de circuits que les neuroscientifiques peuvent tester par imagerie, stimulation ou intervention génétique.

Un résultat utile pourrait identifier les neurones qui répondent après un événement visuel défini. Un autre pourrait prédire comment l’inhibition d’une voie descendante modifie le mouvement.

Un échec resterait informatif si les chercheurs le publient clairement. Il pourrait révéler des poids synaptiques manquants, des hypothèses erronées sur les neurotransmetteurs ou une modélisation incomplète des systèmes sensoriels.

Une réussite ne validerait pas l’intégralité de la mouche numérique. Elle soutiendrait un mécanisme précis dans des conditions précises, ce qui est la manière dont les neurosciences computationnelles fiables progressent.

Le troisième signal est la reproduction indépendante. D’autres équipes devraient pouvoir exécuter le graphe public, reproduire les réponses neuronales et comparer des dynamiques alternatives.

Des benchmarks partagés seraient utiles. Ils pourraient définir les entrées sensorielles, les sorties attendues, les besoins en calcul et les mesures biologiques sans contraindre chaque projet à la même pile logicielle.

Le jeu de données public rend cette collaboration possible. Le défi consiste à conserver suffisamment de détails méthodologiques pour distinguer une véritable réplication d’une autre démonstration visuellement similaire.

Super Mario 64 et de futures expérimentations dans des jeux peuvent encore contribuer. Des environnements différents sollicitent la navigation, le timing, la mémoire et la sélection d’actions de manières différentes. Ils sont particulièrement utiles lorsque chaque environnement correspond à une hypothèse formulée.

Davantage de jeux à eux seuls affaibliraient le signal. Une succession de portages divertissants pourrait encourager des affirmations de plus en plus larges sans améliorer le modèle sous-jacent.

Les développeurs, les chercheurs en IA et les travailleurs du savoir devraient s’y intéresser, car MaleCNS montre ce que des données scientifiques ouvertes peuvent permettre. Une ressource de recherche lisible par machine peut passer de la publication à l’expérimentation publique presque immédiatement.

Cette rapidité accroît également la charge d’interprétation. Toute personne suivant des projets complexes comme celui-ci doit conserver les articles, les modifications de code, les hypothèses et les résultats contradictoires. Une base de connaissances consultable peut maintenir ces matériaux reliés à mesure que les preuves évoluent.

Le connectome de la mouche des fruits de Google a déjà réussi en tant qu’infrastructure. Il offre une ressource anatomique détaillée et accessible couvrant les régions sensorielles, le cerveau et les voies motrices.

La question de savoir s’il deviendra un outil fiable de prédiction comportementale reste ouverte. Il faudra suivre les courbes d’apprentissage contrôlées, les validations en laboratoire et les comparaisons reproductibles avec d’autres réseaux.

La bonne question n’est plus de savoir si un connectome de mouche peut être intégré à Doom. C’est clairement possible. La question plus difficile est de savoir si son comportement nous apprend quelque chose qu’un contrôleur classique ne pourrait pas nous révéler.