Il connectoma del moscerino della frutta di Google esegue Doom, ma non è un cervello digitale
Google ha contribuito a pubblicare un connectoma del moscerino della frutta contenente 166.700 neuroni, e i programmatori hanno rapidamente collegato il dataset a Doom e Super Mario 64. Il connectoma del moscerino della frutta di Google include anche il cordone nervoso ventrale dell'insetto, che svolge un ruolo paragonabile a quello del midollo spinale nei vertebrati. Questa estensione rende il dataset una mappa insolitamente completa tra input sensoriali, percorsi neurali e output motori.
Le dimostrazioni con i videogiochi sono arrivate pochi giorni dopo l'annuncio di Google del 3 settembre. La loro rapidità ha creato una narrazione irresistibile: gli scienziati hanno mappato un cervello, ne hanno rilasciato la struttura e gli ingegneri hanno immediatamente fatto giocare quel cervello ai videogiochi. Eppure l'espressione "un cervello di moscerino che gioca a Doom" nasconde il limite centrale.
Questi progetti non collocano un cervello biologico funzionante dentro un computer. Combinano connettività anatomica reale con dinamiche neurali approssimate, input sensoriali sintetici e controlli di gioco selezionati dagli sviluppatori. Il risultato è un esperimento convincente, ma non una copia digitale di un moscerino vivente.
Questa distinzione conta oltre la curiosità di internet. La connettòmica, lo studio dei diagrammi completi di cablaggio neurale, sta passando dall'anatomia statica a simulazioni in grado di generare comportamenti. L'esperimento con Doom rivela sia il potenziale di questa transizione sia la grande quantità di modellazione nascosta tra struttura e intelligenza.
Il connectoma del moscerino della frutta di Google mappa insieme cervello e corpo
Il cambiamento importante non è semplicemente che i ricercatori hanno mappato un altro cervello di moscerino, ma che hanno collegato un cervello maschile completo al suo sistema motorio centrale.
Google Research, HHMI Janelia Research Campus, l'Università di Cambridge e altri collaboratori hanno prodotto il nuovo dataset. La loro mappa completa del cablaggio contiene oltre 166.000 neuroni e circa 125 milioni di contatti sinaptici.
Un connectoma registra i neuroni e le connessioni tra di essi. Assomiglia a uno schema circuitale, sebbene i neuroni biologici comunichino attraverso meccanismi molto più complessi dei fili elettronici.
Il dataset MaleCNS comprende il cervello centrale, i lobi ottici e il cordone nervoso ventrale. Quest'ultimo componente trasporta segnali tra il cervello e gran parte del corpo del moscerino. La sua inclusione consente ai ricercatori di tracciare percorsi dagli input visivi, uditivi e olfattivi fino agli output motori.
Il dataset differisce quindi dalle mappe limitate a una regione cerebrale o a un cervello centrale isolato. I ricercatori possono ora esaminare una rete anatomica continua che si estende dall'elaborazione sensoriale al controllo corporeo.
Google afferma che il lavoro è il risultato di una collaborazione durata dieci anni. I ricercatori hanno prima tagliato il tessuto nervoso in sezioni estremamente sottili e acquisito immagini al microscopio elettronico di ciascuna sezione. I sistemi di machine learning hanno poi contribuito ad assemblare quelle immagini piatte in strutture neurali tridimensionali.
Una tecnica importante ha coinvolto le reti di flood-filling. Queste reti neurali convoluzionali partono da una posizione nell'immagine e prevedono quali pixel circostanti appartengono allo stesso oggetto biologico.
La ricostruzione automatizzata non ha eliminato il lavoro umano. Gli specialisti di HHMI Janelia hanno revisionato e corretto le forme neurali, quindi hanno aggiunto le annotazioni necessarie per interpretare la rete. Google riconosce che verifica e annotazione richiedono ancora anni di lavoro da parte di esperti.
La pagina del progetto MaleCNS pubblica fornisce accesso a tipi cellulari, ricerche di connettività, visualizzazioni, download e informazioni sulle versioni. La sua cronologia mostra che MaleCNS v1.0 è diventato pubblicamente disponibile l'8 giugno, prima della pubblicazione dell'articolo associato il 3 settembre.
Questa cronologia aiuta a spiegare perché le dimostrazioni con i videogiochi sono emerse così rapidamente dopo l'annuncio di Google. Gli sviluppatori non hanno ricostruito 166.700 neuroni in un fine settimana. Hanno ottenuto accesso pubblico a un grafo esistente e leggibile dalle macchine, costruendovi attorno interfacce sperimentali.
La mappa offre inoltre ai ricercatori un nuovo punto di confronto per i dataset relativi a moscerini femmina. Gli scienziati possono esaminare quali circuiti rimangano simili tra individui e quali strutture differiscano in base al sesso.
Tali differenze contano per comportamenti che includono corteggiamento, aggressività ed elaborazione sensoriale. Tuttavia, una differenza anatomica da sola non stabilisce come un particolare circuito produca un comportamento. Identifica dove i ricercatori possono condurre esperimenti più mirati.
Il connectoma del moscerino della frutta di Google è quindi sia un traguardo sia uno strumento. Il suo maggior valore scientifico deriva dalle domande che rende verificabili, non dal numero grezzo di neuroni.
Perché il connectoma del moscerino della frutta di Google è arrivato a Doom così rapidamente
Doom è diventato un test immediato perché un connectoma aperto può essere trattato come un grafo computazionale, anche prima che gli scienziati comprendano ogni circuito al suo interno.
L'ingegnere software Alex Wormuth ha presentato DOOMFLY dopo l'annuncio della ricerca. Il progetto indirizza le immagini del gioco verso una simulazione basata sull'intera rete MaleCNS v1.0 mantenuta.
La metodologia DOOMFLY pubblicata dal progetto elenca 166.700 neuroni, 25.582.938 archi diretti e 124.177.617 contatti sinaptici. Queste cifre descrivono il grafo computazionale mantenuto utilizzato dalla simulazione.
Ogni tic di gioco di Doom fornisce informazioni visive agli input simulati. Il sistema converte il frame in segnali per 3.335 input sensibili alla luminosità e 811 input cromatici dedotti.
Questi input non riproducono l'occhio di un moscerino con completa accuratezza biologica. Lo sviluppatore descrive le coordinate visive e le risposte cromatiche come proxy. Anche i fotorecettori simulati utilizzano un comportamento a spike semplificato.
L'attività attraversa poi la rete derivata dal connectoma. Quando la tensione modellata supera una soglia, un neurone simulato scarica. Il cablaggio vincola dove quell'attività può viaggiare, mentre equazioni progettate determinano come cambia nel tempo.
Neuroni discendenti selezionati diventano controlli di gioco. Le differenze nell'attività modellata di DNp20 fanno girare il giocatore. La frequenza di scarica di DNpe017 produce il movimento, mentre uno spike di quel neurone attiva l'arma.
Queste scelte creano un circuito chiuso. Doom fornisce un'immagine, il modello produce attività, i neuroni scelti controllano il gioco e l'immagine successiva torna al modello.
Il danno aggiunge un ulteriore livello. I colpi non letali stimolano due cellule dopaminergiche PPL101 modellate per un intervallo definito. Il progetto tratta questo intervento come un segnale di rinforzo negativo destinato a incoraggiare l'evitamento del danno.
Ecco perché le descrizioni di un "cervello di moscerino addestrato" richiedono cautela. Il sistema dispone di meccanismi di rinforzo, ma la sua interfaccia pubblica ha anche descritto fasi dell'esperimento come prive di apprendimento. Osservare attività in cambiamento non basta a dimostrare un comportamento appreso.
Un modello deve migliorare rispetto a una misura definita prima che i ricercatori possano ragionevolmente affermare che vi sia apprendimento. Misure utili potrebbero includere il tempo di sopravvivenza, la frequenza dei danni, le prestazioni di navigazione o i risultati contro reti di controllo randomizzate.
Il comportamento iniziale appare molto meno drammatico del titolo. Il controller simulato può andare a sbattere contro i muri, girare senza scopo o sparare lontano dai nemici. Questi fallimenti non sono sorprendenti, perché il connectoma non si è mai evoluto per interpretare i pixel di Doom.
Doom richiede inoltre un insieme compatto di controlli progettati per gli umani. Il sistema nervoso di un moscerino produce movimenti di ali, zampe, testa e apparato boccale. Convertire pochi neuroni simulati in comandi per avanzare, girare e sparare impone un'interfaccia artificiale.
L'attrattiva di Doom resta comprensibile. Il gioco del 1993 ha codice del motore aperto, basse richieste hardware, feedback rapido e una lunga storia di port insoliti. Offre un ambiente familiare per testare sistemi di calcolo non convenzionali.
Qui, tuttavia, Doom non gira sul connectoma come se la rete fosse un processore. Un computer convenzionale esegue ancora il gioco e la simulazione neurale. Il connectoma fornisce la topologia per una parte del sistema di controllo.
Questa differenza separa DOOMFLY dai classici progetti "Può eseguire Doom?". La domanda rilevante non è se i neuroni di moscerino possano eseguire istruzioni di gioco. È se una connettività di origine biologica possa supportare comportamenti utili in una simulazione progettata.
Il cablaggio è biologico, ma il controller è progettato
La tensione principale è tra un grafo anatomico reale e le decisioni artificiali necessarie per far comportare quel grafo all'interno del software.
MaleCNS indica ai ricercatori quali neuroni sono connessi e dove si trovano molte sinapsi chimiche. Non fornisce una registrazione completa dell'attività di ogni neurone durante la vita di un moscerino.
Un connectoma statico omette inoltre importanti variabili biologiche. Sinapsi diverse possono avere intensità, proprietà temporali, tipi di recettori e modulazione differenti. Gli stati chimici interni possono modificare il modo in cui lo stesso cablaggio risponde.
Connessioni elettriche, neuromodulatori, ormoni e interazioni con il corpo complicano ulteriormente il quadro. Un collegamento strutturale non può specificare completamente ciò che accade quando un animale vivente riceve uno stimolo.
DOOMFLY deve colmare queste lacune con ipotesi. Gli sviluppatori assegnano dinamiche di tensione semplificate, effetti dei neurotrasmettitori, comportamento a riposo, regole di adattamento e trasformazioni sensoriali. Ogni scelta di questo tipo modifica l'output del modello.
La mappatura dei controlli introduce un ulteriore livello interpretativo. DNp20 e DNpe017 sono neuroni discendenti biologicamente rilevanti, ma associarli alle azioni di Doom resta una decisione degli sviluppatori. La loro attivazione non significa naturalmente "premi il tasto di fuoco".
Il progetto stesso etichetta chiaramente queste letture come controlli progettati anziché comandi naturali convalidati. Questa precisazione è essenziale, poiché il risultato animato può apparire più biologicamente completo di quanto non sia.
La distinzione assomiglia al divario tra una mappa stradale e una simulazione del traffico. Una mappa stradale vincola i percorsi possibili, ma non determina velocità dei veicoli, destinazioni, congestione o decisioni dei conducenti.
Un connectoma fornisce un vincolo molto più denso e rilevante. Tuttavia, la simulazione necessita di regole che disciplinino trasmissione dei segnali, tempistica, codifica sensoriale e selezione delle azioni.
La dimostrazione con Super Mario 64 illustra lo stesso problema. I resoconti attribuiscono quell'esperimento separato alla sviluppatrice Jessica Paquette. Come in Doom, il gioco riceve azioni derivate dall'attività neurale modellata anziché comandi scelti da una mente di moscerino intatta.
Le informazioni pubbliche sull'implementazione di Mario restano più scarse della documentazione dettagliata di DOOMFLY. Dovrebbe quindi essere trattata come una dimostrazione sperimentale, non come prova indipendente che il connectoma supporti una capacità generale di giocare ai videogiochi.
L'esecuzione di entrambi i giochi non dimostra neppure il transfer learning. Un dataset di cablaggio condiviso può supportare interfacce diverse perché gli sviluppatori possono collegarvi codificatori sensoriali e mappature delle azioni differenti.
Questa flessibilità è utile per l'esplorazione. Consente ai programmatori di testare come l'attività vincolata dal connectoma cambi tra ambienti diversi. Tuttavia, può anche creare confronti fuorvianti con agenti di intelligenza artificiale addestrati a massimizzare i punteggi nei giochi.
Un agente convenzionale di reinforcement learning modifica i parametri rispetto a un obiettivo di ricompensa. Il suo processo di addestramento mira direttamente a prestazioni migliori. Una simulazione di connectoma può invece privilegiare la plausibilità biologica, l'interpretazione dei circuiti o la generazione di ipotesi.
Questi obiettivi si sovrappongono solo in parte. Un sistema può essere scientificamente interessante pur giocando male. Al contrario, un agente di gioco di grande successo può rivelare poco sui sistemi nervosi.
È qui che l'inquadramento virale diventa produttivo. La vista di un controller derivato da una mosca che si muove in Doom costringe i ricercatori a identificare ogni collegamento mancante tra anatomia e comportamento.
Il connectoma del moscerino della frutta di Google fornisce la struttura biologica. Il gioco fornisce un ambiente misurabile. La simulazione che li collega espone quali ipotesi debbano essere testate successivamente.
Il vero test scientifico è la previsione, non il gameplay
Un modello basato su un connectoma diventa scientificamente prezioso quando predice comportamenti biologici che i ricercatori possono verificare in mosche reali.
Le prestazioni nel gioco forniscono un riscontro immediato, ma non rappresentano il più solido criterio di validazione. Doom è stato progettato per giocatori umani, mentre i moscerini della frutta si sono evoluti attorno al volo, alla camminata, all'alimentazione, al corteggiamento e all'evitamento delle minacce.
Un test migliore chiede se gli interventi modellati predicano cambiamenti neurali o comportamentali reali. I ricercatori potrebbero stimolare una via sensoriale nella simulazione, identificare l'attività a valle e confrontare tale previsione con registrazioni di laboratorio.
Potrebbero anche silenziare computazionalmente un neurone prima di condurre un esperimento biologico corrispondente. Una concordanza suggerirebbe che il modello cattura qualcosa di significativo del circuito.
Il sistema nervoso centrale completo amplia queste opportunità. I ricercatori possono seguire uno stimolo oltre il cervello e verso le vie discendenti che influenzano il movimento. Le precedenti mappe limitate al cervello non potevano rappresentare questo percorso completo.
Gli scienziati usano già i connectomi del moscerino della frutta per studiare visione, gusto, navigazione e comportamento sociale. Il nuovo dataset maschile aggiunge opportunità dirette per studiare circuiti specifici del sesso e confrontare le vie corrispondenti tra gli animali.
Una precedente mappa del cervello femminile conteneva quasi 140.000 neuroni e oltre 50 milioni di sinapsi. Pubblicato nel 2024, quel lavoro copriva il cervello centrale della femmina adulta anziché l'intero sistema nervoso maschile connesso.
Confrontare queste risorse non è una gara a chi ha i numeri più grandi. Dataset diversi possono adottare regole di inclusione, metodi di segmentazione e definizioni delle connessioni differenti. Il loro valore scientifico dipende da copertura, annotazione, accuratezza e idoneità rispetto a una domanda.
La copertura collegata al corpo del connectoma maschile rende particolarmente interessante la ricerca sensomotoria. Può aiutare gli scienziati a investigare come i segnali attraversino più regioni prima di raggiungere neuroni associati al movimento.
Recenti lavori computazionali vanno in questa direzione. Un progetto di ricerca sulla locomozione ha usato un modello a grafo derivato dal connectoma per controllare un corpo di mosca simulato. Questo contesto è più vicino al sistema motorio naturale dell'animale rispetto a uno sparatutto in prima persona.
Anche tali simulazioni incarnate restano approssimazioni. Muscoli, meccanica delle articolazioni, feedback sensoriale, contatto con l'ambiente e stato interno influenzano tutti il movimento. Un connectoma non può sostituire da solo questi sistemi.
Il programma di ricerca più solido collegherà diverse forme di evidenza. L'anatomia identifica possibili vie. Le registrazioni neurali rivelano l'attività. Gli esperimenti comportamentali stabiliscono le conseguenze. I modelli computazionali verificano se i vari elementi si spiegano a vicenda.
Doom offre una sandbox visibile e ripetibile, ma la sua importanza scientifica dipende dalle domande sperimentali ad essa collegate. Una collisione contro un muro significa poco senza un'ipotesi, una condizione di controllo e un confronto misurabile.
I ricercatori dovrebbero confrontare il modello MaleCNS con alternative. Queste potrebbero includere connectomi rimescolati, reti ridotte, grafi casuali o normali reti neurali con budget computazionali simili.
Se il cablaggio autentico producesse con costanza comportamenti distinti o più biologicamente plausibili, il risultato sosterrebbe il valore della struttura derivata dal connectoma. Se i grafi casuali avessero prestazioni simili, la topologia anatomica potrebbe aggiungere meno del previsto.
Anche la riproducibilità conta. DOOMFLY pubblica codice e note metodologiche, consentendo ad altri di esaminare le ipotesi e ripetere gli esperimenti. Repliche indipendenti possono rivelare se i risultati dipendano da impostazioni nascoste o da specifiche mappature degli input.
La demo virale ha quindi creato una sfida utile. Gli sviluppatori possono far muovere la rete nei giochi, ma le neuroscienze devono stabilire se quei movimenti rivelino qualcosa su una mosca.
L'AI ha accelerato la mappa, ma non ha ricreato una mente
Definire il progetto un cervello alimentato dall'AI rischia di confondere tre elementi distinti: software di ricostruzione, dati anatomici e una simulazione comportamentale.
Google ha usato il machine learning per contribuire a ricostruire forme neurali a partire da immagini al microscopio elettronico. Quei sistemi affrontavano un problema di visione artificiale che coinvolgeva la segmentazione di enormi volumi di immagini.
I ricercatori hanno comunque avuto bisogno di revisione e annotazione umane. I sistemi automatizzati possono unire accidentalmente neuroni separati o dividere un singolo neurone in più frammenti. Piccoli errori di ricostruzione possono distorcere la connettività inferita.
Google ha continuato a sviluppare sistemi che riducono questo carico manuale. Il suo lavoro sui neuroni sintetici genera geometrie neurali artificiali per addestrare modelli di ricostruzione.
L'azienda afferma che questo approccio migliora velocità e accuratezza del proprio sistema di ricostruzione PATHFINDER. Tuttavia, una segmentazione più rapida non crea automaticamente una simulazione più realistica della funzione neurale.
Il dataset MaleCNS è un risultato della ricostruzione assistita dall'AI. DOOMFLY è una simulazione separata costruita su quel risultato. I suoi neuroni modellati non ereditano intelligenza semplicemente perché il machine learning ha contribuito a tracciarne le forme.
Questa separazione conta quando si valutano affermazioni sui cervelli digitali. Una ricostruzione geometricamente accurata dei neuroni descrive l'anatomia. Un modello neurale dinamico stima l'attività. Un modello cognitivo dovrebbe spiegare percezione, memoria, apprendimento e azione.
Nessuno strato garantisce automaticamente quello successivo. Un cablaggio accurato può comunque produrre attività inaccurate se la simulazione usa ipotesi fisiologiche deboli. Un'attività accurata in un circuito potrebbe non spiegare il comportamento dell'intero animale.
Il confronto con l'essere umano chiarisce i limiti. Google osserva che mappare gli all'incirca 86 miliardi di neuroni del cervello umano resta oltre le capacità attuali. La scala è solo uno degli ostacoli.
Un connectoma umano richiederebbe comunque informazioni sulle proprietà sinaptiche, gli stati molecolari, la plasticità, lo sviluppo e l'interazione con il corpo. Persino una mappa strutturale perfetta non ricreerebbe automaticamente memoria personale o coscienza.
Il progetto sul moscerino della frutta è prezioso proprio perché rende questi problemi più gestibili. I ricercatori possono testare idee sull'intera rete in un animale dal comportamento sofisticato e con un sistema nervoso relativamente compatto.
Il dataset offre inoltre una piattaforma per migliorare i metodi computazionali. Gli ingegneri possono studiare elaborazione di grafi, simulazione sparsa, visualizzazione, archiviazione e apprendimento soggetto a vincoli biologici su scala rilevante.
Questi progressi tecnici possono sostenere progetti più grandi che coinvolgono zebrafish e porzioni di cervelli di topo. Google sta già collaborando a iniziative di mappatura dei vertebrati, inclusi dataset che combinano struttura neurale e attività registrata.
Combinare struttura e attività è un passaggio critico. Una mappa statica indica agli scienziati dove i segnali potrebbero viaggiare. L'attività registrata mostra quali percorsi si attivano in condizioni specifiche.
La responsabilità rimanente ricade sui costruttori di modelli. Devono documentare dove finisca l'evidenza biologica e inizino le ipotesi ingegneristiche. Senza questa separazione, visualizzazioni rifinite possono trasformare software esplorativo in affermazioni esagerate.
DOOMFLY gestisce questa questione meglio di molti riassunti virali. La sua documentazione definisce approssimate le dinamiche neurali, proxy gli input visivi e progettati gli output di controllo.
Questa franchezza non rende il progetto meno interessante. Identifica il risultato effettivo: uno sviluppatore può ora scaricare il grafo di un intero sistema nervoso centrale e inserirlo in un ciclo software ispezionabile.
Tre segnali mostreranno se la demo diventerà scienza utile
La prossima fase dovrebbe essere valutata in base ad apprendimento misurabile, validazione biologica e riproduzione indipendente, non al numero di giochi collegati a MaleCNS.
Il primo segnale è un miglioramento comportamentale coerente. DOOMFLY necessita di metriche predefinite che cambino durante l'addestramento, mantenendo al contempo comparabili i sistemi di riferimento.
Il tempo di sopravvivenza offre una possibile misura. I ricercatori potrebbero anche monitorare danno al minuto, diversità di movimento, evitamento dei nemici o avanzamento in un ambiente controllato.
I risultati dovrebbero comparire con più seed casuali e condizioni iniziali. Una singola esecuzione riuscita può dipendere dalla casualità del gioco, dalle scelte di inizializzazione o da una mappatura dei controlli fortunata.
I test di ablazione renderebbero le evidenze più forti. Gli sviluppatori potrebbero rimuovere la stimolazione della dopamina, rimescolare connessioni selezionate o sostituire il connectoma con un grafo casuale equivalente.
Se l'apprendimento scomparisse quando viene compromessa una struttura biologicamente rilevante, il modello diventerebbe più informativo. Se ogni rete migliorasse allo stesso modo, il risultato direbbe di più sul ciclo di addestramento.
Il secondo segnale è la concordanza sperimentale con mosche vive. I costruttori di modelli dovrebbero scegliere previsioni sui circuiti che i neuroscienziati possano verificare tramite imaging, stimolazione o intervento genetico.
Un risultato utile potrebbe identificare quali neuroni rispondano dopo un evento visivo definito. Un altro potrebbe prevedere come il silenziamento di una via discendente modifichi il movimento.
Anche un fallimento resterebbe informativo se i ricercatori lo pubblicassero chiaramente. Potrebbe rivelare pesi sinaptici mancanti, ipotesi errate sui neurotrasmettitori o una modellazione incompleta dei sistemi sensoriali.
Il successo non validerebbe l'intera mosca digitale. Sosterrebbe un meccanismo specifico in condizioni specifiche, ed è così che le neuroscienze computazionali affidabili progrediscono.
Il terzo segnale è la riproduzione indipendente. Altri team dovrebbero poter eseguire il grafo pubblico, riprodurre le risposte neurali e confrontare dinamiche alternative.
Benchmark condivisi sarebbero utili. Potrebbero definire input sensoriali, output attesi, requisiti di calcolo e misurazioni biologiche senza costringere ogni progetto a usare lo stesso stack software.
Il dataset pubblico rende possibile questa collaborazione. La sfida consiste nel preservare abbastanza dettagli metodologici da distinguere una replica autentica da un'altra demo visivamente simile.
Super Mario 64 e futuri esperimenti con i giochi possono comunque contribuire. Ambienti diversi mettono alla prova navigazione, tempismo, memoria e selezione dell'azione in modi differenti. Sono più utili quando ciascun ambiente corrisponde a un'ipotesi dichiarata.
Più giochi da soli indebolirebbero il segnale. Una sequenza di port coinvolgenti potrebbe incoraggiare affermazioni sempre più ampie senza migliorare il modello sottostante.
Sviluppatori, ricercatori AI e knowledge worker dovrebbero interessarsene perché MaleCNS mostra cosa possono rendere possibile dati scientifici aperti. Una risorsa di ricerca leggibile dalle macchine può passare dalla pubblicazione alla sperimentazione pubblica quasi immediatamente.
Questa velocità aumenta anche l'onere dell'interpretazione. Chiunque segua progetti complessi come questo deve conservare articoli scientifici, modifiche al codice, ipotesi e risultati contraddittori. Una base di conoscenza ricercabile può mantenere connessi questi materiali man mano che le evidenze evolvono.
Il connectoma del moscerino della frutta di Google ha già avuto successo come infrastruttura. Offre una risorsa anatomica dettagliata e accessibile che abbraccia regioni sensoriali, cervello e vie motorie.
Resta da vedere se diventerà un motore affidabile per la previsione comportamentale. Occorrerà osservare curve di apprendimento controllate, validazioni di laboratorio e confronti riproducibili con reti alternative.
La domanda giusta non è più se un connettoma di mosca possa essere collegato a Doom. Chiaramente può. La domanda più difficile è se il suo comportamento ci insegni qualcosa che un controller convenzionale non può insegnarci.
