Google 초파리 커넥톰이 Doom을 실행했지만, 디지털 뇌는 아니다

Google은 16만 6,700개 뉴런을 포함한 초파리 커넥톰의 공개를 지원했으며, 프로그래머들은 빠르게 이 데이터세트를 Doom과 Super Mario 64에 연결했다. Google 초파리 커넥톰에는 척추동물의 척수와 유사한 역할을 하는 곤충의 복신경삭도 포함된다. 이 범위 덕분에 이 데이터세트는 감각 입력, 신경 경로, 운동 출력 사이를 잇는 보기 드물게 완전한 지도에 가깝다.

게임 데모는 Google이 9월 3일 발표한 지 며칠 만에 등장했다. 그 속도는 매력적인 서사를 만들었다. 과학자들이 뇌를 매핑해 구조를 공개했고, 엔지니어들이 곧바로 그 뇌로 비디오 게임을 플레이하게 했다는 이야기다. 하지만 “Doom을 하는 파리 뇌”라는 표현은 핵심적인 한계를 가린다.

이 프로젝트들은 작동하는 생물학적 뇌를 컴퓨터 안에 넣은 것이 아니다. 실제 해부학적 연결성에 근사적인 신경 역학, 합성 감각 입력, 개발자가 선택한 게임 조작 체계를 결합한 것이다. 결과물은 흥미로운 실험이지만, 살아 있는 파리를 디지털로 복제한 것은 아니다.

이 구분은 인터넷 화제를 넘어 중요한 의미를 지닌다. 완전한 신경 배선도를 연구하는 분야인 커넥토믹스는 정적인 해부학에서 행동을 만들어낼 수 있는 시뮬레이션으로 나아가고 있다. Doom 실험은 이러한 전환의 잠재력과 구조와 지능 사이에 숨어 있는 방대한 모델링 작업을 함께 보여준다.

Google의 초파리 커넥톰은 뇌와 몸을 함께 매핑한다

중요한 변화는 연구진이 또 하나의 파리 뇌를 매핑했다는 사실만이 아니라, 완전한 수컷 뇌를 중앙 운동계에 연결했다는 점이다.

Google Research, HHMI Janelia Research Campus, University of Cambridge 및 다른 협력 기관은 새 데이터세트를 구축했다. 이들의 완전한 배선 지도에는 16만 6,000개 이상의 뉴런과 약 1억 2,500만 개의 시냅스 접점이 담겼다.

커넥톰은 뉴런과 뉴런 사이의 연결을 기록한다. 회로도와 비슷하지만, 생물학적 뉴런은 전자 회로의 도선보다 훨씬 복잡한 방식으로 소통한다.

MaleCNS 데이터세트는 중앙 뇌, 시엽, 복신경삭을 아우른다. 마지막 구성 요소는 뇌와 파리 몸의 상당 부분 사이에서 신호를 전달한다. 이를 포함함으로써 연구자들은 시각·청각·후각 입력에서 운동 출력으로 이어지는 경로를 추적할 수 있다.

따라서 이 데이터세트는 뇌의 한 영역이나 분리된 중앙 뇌에 국한된 지도와 다르다. 연구자들은 이제 감각 처리에서 신체 제어까지 이어지는 하나의 연속적인 해부학적 네트워크를 살펴볼 수 있다.

Google은 이 작업이 10년에 걸친 협업의 결과라고 설명한다. 연구진은 먼저 신경 조직을 매우 얇은 절편으로 자르고, 각 절편의 전자현미경 이미지를 촬영했다. 이후 머신러닝 시스템이 이 평면 이미지를 3차원 신경 구조로 조립하는 작업을 도왔다.

중요한 기법 중 하나는 플러드 필링 네트워크였다. 이 합성곱 신경망은 이미지의 한 위치에서 시작해 주변 픽셀 중 어느 부분이 동일한 생물학적 객체에 속하는지 예측한다.

자동 재구성이 사람의 작업을 없애지는 못했다. HHMI Janelia의 전문가들은 신경 형태를 검토하고 수정한 뒤, 네트워크 해석에 필요한 주석을 추가했다. Google은 검증과 주석 작업에 여전히 수년간의 전문가 노력이 필요하다고 인정한다.

공개된 MaleCNS 프로젝트 페이지에서는 세포 유형, 연결성 검색, 시각화, 다운로드 및 릴리스 정보에 접근할 수 있다. 타임라인에 따르면 MaleCNS v1.0은 관련 논문이 9월 3일 공개되기 전인 6월 8일에 공개 이용이 가능해졌다.

이 타임라인은 Google의 발표 직후 게임 데모가 빠르게 등장한 이유를 설명하는 데 도움이 된다. 개발자들이 주말 하나 동안 16만 6,700개 뉴런을 재구성한 것은 아니다. 이미 존재하던 기계 판독 가능한 그래프에 공개 접근권을 얻은 뒤, 그 주변에 실험적 인터페이스를 구축한 것이다.

이 지도는 연구자들에게 암컷 파리 데이터세트와 비교할 새로운 기준점도 제공한다. 과학자들은 개체 간에 어떤 회로가 유사하게 유지되고 어떤 구조가 성별에 따라 다른지 살펴볼 수 있다.

이러한 차이는 구애, 공격성, 감각 처리 등을 포함한 행동에 중요하다. 그러나 해부학적 차이만으로 특정 회로가 행동을 어떻게 만들어내는지는 입증되지 않는다. 대신 연구자들이 더 집중적인 실험을 수행할 수 있는 위치를 알려준다.

따라서 Google 초파리 커넥톰은 성과이자 도구다. 가장 큰 과학적 가치는 원시적인 뉴런 수가 아니라, 이를 통해 검증 가능해지는 질문에서 나온다.

Google 초파리 커넥톰이 Doom에 빠르게 도달한 이유

Doom은 과학자들이 내부의 모든 회로를 이해하기 전에도 공개 커넥톰을 계산 그래프로 취급할 수 있기 때문에 즉각적인 시험 무대가 됐다.

소프트웨어 엔지니어 Alex Wormuth는 연구 발표 후 DOOMFLY를 소개했다. 이 프로젝트는 게임 이미지를 유지된 전체 MaleCNS v1.0 네트워크에 기반한 시뮬레이션으로 전달한다.

프로젝트가 공개한 DOOMFLY 방법론에는 16만 6,700개 뉴런, 2,558만 2,938개의 방향성 엣지, 1억 2,417만 7,617개의 시냅스 접점이 기재돼 있다. 이 수치는 시뮬레이션이 사용하는 유지된 계산 그래프를 설명한다.

각 Doom 게임 틱은 시뮬레이션된 시각 입력에 이미지 정보를 제공한다. 시스템은 프레임을 밝기 감지 입력 3,335개와 추론된 색상 입력 811개에 대한 신호로 변환한다.

이 입력은 파리의 눈을 완전한 생물학적 정확도로 재현하지 않는다. 개발자는 시각 좌표와 색상 반응을 대리 지표라고 설명한다. 시뮬레이션된 광수용체도 단순화된 스파이킹 행동을 사용한다.

그 뒤 활동은 커넥톰에서 파생된 네트워크를 통과한다. 모델링된 전압이 임계값을 넘으면 시뮬레이션된 뉴런이 발화한다. 배선은 그 활동이 이동할 수 있는 위치를 제한하고, 설계된 방정식은 시간이 지나며 활동이 어떻게 변하는지를 결정한다.

선택된 하행 뉴런은 게임 조작으로 사용된다. 모델링된 DNp20 활동의 차이는 플레이어를 회전시킨다. DNpe017의 발화율은 이동을 만들고, 해당 뉴런의 스파이크는 무기를 발사한다.

이러한 선택은 폐루프를 만든다. Doom이 이미지를 제공하면 모델이 활동을 생성하고, 선택된 뉴런이 게임을 제어하며, 다음 이미지가 다시 모델로 돌아온다.

피해는 또 다른 층위를 더한다. 치명적이지 않은 피격은 정의된 시간 동안 모델링된 PPL101 도파민 세포 두 개를 자극한다. 프로젝트는 이 개입을 피해 회피를 유도하기 위한 부정적 강화 신호로 취급한다.

이 때문에 “훈련된 파리 뇌”라는 설명에는 주의가 필요하다. 시스템에는 강화 메커니즘이 있지만, 공개 인터페이스는 실험의 일부 단계를 학습이 없는 상태로도 설명해 왔다. 활동 변화만 관찰하는 것으로 학습된 행동을 입증할 수는 없다.

연구자들이 합리적으로 학습을 주장하려면 모델은 정의된 척도에서 개선을 보여야 한다. 유용한 척도로는 생존 시간, 피해 빈도, 탐색 성능 또는 무작위화된 통제 네트워크와의 비교 결과 등이 있을 수 있다.

초기 행동은 헤드라인보다 훨씬 덜 극적이다. 시뮬레이션된 컨트롤러는 벽에 부딪히거나, 목적 없이 회전하거나, 적과 반대 방향으로 발사할 수 있다. 커넥톰은 원래 Doom 픽셀을 해석하도록 진화한 것이 아니므로, 이러한 실패는 놀랍지 않다.

Doom은 또한 인간이 설계한 간결한 조작 집합을 요구한다. 파리의 신경계는 날개, 다리, 머리, 구기를 통해 움직임을 만들어낸다. 몇 개의 시뮬레이션된 뉴런을 전진, 회전, 발사 명령으로 변환하는 것은 인위적인 인터페이스를 부과하는 일이다.

그럼에도 Doom의 매력은 이해할 수 있다. 1993년 게임은 공개 엔진 코드, 낮은 하드웨어 요구 사항, 빠른 피드백, 그리고 이색적인 포팅의 긴 역사를 지녔다. 비전통적인 컴퓨팅 시스템을 시험하기에 익숙한 환경을 제공한다.

하지만 여기서 Doom은 네트워크가 프로세서인 양 커넥톰 위에서 실행되는 것이 아니다. 일반적인 컴퓨터가 여전히 게임과 신경 시뮬레이션을 실행한다. 커넥톰은 제어 시스템의 한 부분에 토폴로지를 제공한다.

이 차이는 DOOMFLY를 고전적인 “Doom을 실행할 수 있는가?” 프로젝트와 구분한다. 주목할 질문은 파리 뉴런이 게임 명령어를 실행할 수 있는지가 아니다. 생물학적으로 파생된 연결성이 설계된 시뮬레이션 아래에서 유용한 행동을 뒷받침할 수 있는지다.

배선은 생물학적이지만, 컨트롤러는 인위적으로 설계됐다

핵심적인 긴장은 실제 해부학적 그래프와 해당 그래프가 소프트웨어 안에서 동작하도록 만들기 위해 필요한 인위적 결정 사이에 있다.

MaleCNS는 어떤 뉴런이 연결되고 어디에 많은 화학적 시냅스가 존재하는지를 연구자들에게 알려준다. 하지만 파리의 일생 동안 각 뉴런이 보인 모든 활동을 완전하게 기록한 것은 아니다.

정적인 커넥톰은 중요한 생물학적 변수도 빠뜨린다. 시냅스마다 강도, 시간적 특성, 수용체 유형, 조절 방식이 다를 수 있다. 내부 화학 상태는 동일한 배선이 반응하는 방식을 바꿀 수 있다.

전기적 연결, 신경조절물질, 호르몬 및 신체와의 상호작용은 그림을 더욱 복잡하게 만든다. 구조적 엣지만으로는 살아 있는 동물이 자극을 받았을 때 일어나는 일을 완전히 규정할 수 없다.

DOOMFLY는 이러한 공백을 가정으로 메워야 한다. 개발자들은 단순화된 전압 역학, 전달물질 효과, 휴지 상태 행동, 적응 규칙, 감각 변환을 부여한다. 이러한 선택 하나하나가 모델의 출력을 바꾼다.

조작 매핑은 또 다른 해석의 층위를 도입한다. DNp20과 DNpe017은 생물학적으로 관련 있는 하행 뉴런이지만, 이를 Doom 행동에 매핑하는 일은 여전히 개발자의 결정이다. 이들의 활성화가 자연스럽게 “발사 키를 누르라”는 의미는 아니다.

프로젝트는 이러한 판독값이 검증된 자연 명령이 아니라 설계된 조작 체계라는 점을 명확히 표기한다. 애니메이션으로 나타난 결과는 실제보다 생물학적으로 더 완전해 보일 수 있으므로, 이 공개는 필수적이다.

이 구분은 도로 지도와 교통 시뮬레이션의 차이와 비슷하다. 도로 지도는 가능한 경로를 제한하지만, 차량 속도, 목적지, 혼잡도, 운전자의 결정을 정하지는 않는다.

커넥톰은 훨씬 더 밀도 높고 중요한 제약을 제공한다. 그래도 시뮬레이션에는 신호 전달, 타이밍, 감각 부호화 및 행동 선택을 지배하는 규칙이 필요하다.

Super Mario 64 데모도 같은 문제를 보여준다. 보도에 따르면 이 별도 실험은 개발자 Jessica Paquette가 진행했다. Doom과 마찬가지로, 이 게임은 온전한 파리의 정신이 선택한 명령이 아니라 모델링된 신경 활동에서 파생된 행동을 받는다.

Mario 구현에 관한 공개 정보는 상세한 DOOMFLY 문서보다 여전히 제한적이다. 따라서 이를 커넥톰이 일반적인 게임 플레이 능력을 지원한다는 독립적 증거가 아니라 실험적 데모로 다뤄야 한다.

두 게임을 실행했다고 해서 전이 학습이 입증되는 것도 아니다. 개발자들이 서로 다른 감각 인코더와 행동 매핑을 연결할 수 있기 때문에, 하나의 공유 배선 데이터세트가 서로 다른 인터페이스를 지원할 수 있다.

이러한 유연성은 탐색에 유용하다. 프로그래머는 환경에 따라 커넥톰 제약을 받은 활동이 어떻게 달라지는지 시험할 수 있다. 하지만 게임 점수 극대화를 위해 훈련된 인공지능 에이전트와 오해를 낳는 비교로 이어질 수도 있다.

일반적인 강화학습 에이전트는 보상 목표에 맞춰 매개변수를 조정한다. 훈련 과정은 더 나은 성능을 직접적으로 목표로 한다. 반면 커넥톰 시뮬레이션은 생물학적 개연성, 회로 해석 또는 가설 생성에 우선순위를 둘 수 있다.

그 목표들은 일부만 겹친다. 어떤 시스템은 과학적으로 흥미로울 수 있지만 게임은 잘하지 못할 수 있다. 반대로 게임 에이전트가 매우 성공적이더라도 신경계에 대해서는 거의 알려주지 못할 수 있다.

바이럴한 프레이밍이 생산적으로 작용하는 지점이 바로 여기다. 파리에서 유래한 컨트롤러가 Doom 속을 돌아다니는 모습은 연구자들에게 해부학과 행동 사이에 빠진 모든 연결 고리를 찾아내도록 요구한다.

Google의 초파리 커넥톰은 생물학적 구조를 제공한다. 게임은 측정 가능한 환경을 제공한다. 그 사이의 시뮬레이션은 다음에 어떤 가정을 검증해야 하는지 드러낸다.

진정한 과학적 검증은 게임플레이가 아니라 예측이다

커넥톰 기반 모델은 연구자들이 실제 초파리에서 검증할 수 있는 생물학적 행동을 예측할 때 과학적 가치를 갖는다.

게임 성능은 즉각적인 피드백을 제공하지만, 가장 강력한 검증 기준은 아니다. Doom은 인간 플레이어를 위해 설계됐지만, 초파리는 비행, 보행, 섭식, 구애, 위협 회피를 중심으로 진화했다.

더 나은 검증은 모델링된 개입이 실제 신경 또는 행동 변화를 예측하는지 묻는다. 연구자들은 시뮬레이션에서 감각 경로를 자극하고, 그에 따른 하류 활동을 식별한 뒤, 그 예측을 실험실 기록과 비교할 수 있다.

또한 대응되는 생물학 실험을 수행하기 전에 계산적으로 특정 뉴런을 침묵시킬 수 있다. 결과가 일치한다면 모델이 회로에 관한 의미 있는 특성을 포착했다는 점을 시사할 수 있다.

완전한 중추신경계는 이러한 기회를 넓힌다. 연구자들은 자극이 뇌를 넘어 움직임에 영향을 주는 하행 경로까지 어떻게 이어지는지 추적할 수 있다. 이전의 뇌 단독 지도는 이 완전한 경로를 표현할 수 없었다.

과학자들은 이미 초파리 커넥톰을 이용해 시각, 미각, 내비게이션, 사회적 행동을 연구하고 있다. 새 수컷 데이터셋은 성별 특이적 회로를 연구하고 개체 간 대응 경로를 비교할 직접적인 기회를 추가한다.

이전의 암컷 뇌 지도는 약 14만 개의 뉴런과 5,000만 개 이상의 시냅스를 포함했다. 2024년에 발표된 이 연구는 완전히 연결된 수컷 신경계가 아니라 성체 암컷의 중추뇌를 다뤘다.

이러한 자원을 비교하는 일은 더 큰 숫자를 겨루는 경쟁이 아니다. 데이터셋마다 포함 기준, 분할 방법, 연결의 정의가 다를 수 있다. 과학적 가치는 범위, 주석, 정확도, 그리고 특정 질문에 대한 적합성에 달려 있다.

수컷 커넥톰의 신체 연계 범위는 감각운동 연구를 특히 매력적으로 만든다. 이는 신호가 움직임과 연관된 뉴런에 도달하기 전 여러 영역을 어떻게 통과하는지 과학자들이 조사하도록 도울 수 있다.

최근의 계산 연구도 그 방향을 가리킨다. 한 운동 연구 프로젝트는 커넥톰에서 파생한 그래프 모델로 시뮬레이션된 초파리 몸체를 제어했다. 이 환경은 1인칭 슈팅 게임보다 동물의 자연스러운 운동계에 더 가깝다.

이처럼 신체성을 갖춘 시뮬레이션도 근사에 불과하다. 근육, 관절 역학, 감각 피드백, 환경과의 접촉, 내부 상태는 모두 움직임에 영향을 준다. 커넥톰만으로는 이 시스템들을 대체할 수 없다.

가장 강력한 연구 프로그램은 여러 형태의 증거를 연결할 것이다. 해부학은 가능한 경로를 식별한다. 신경 기록은 활동을 드러낸다. 행동 실험은 결과를 확립한다. 계산 모델은 이 조각들이 서로를 설명하는지 검증한다.

Doom은 눈에 보이고 반복 가능한 샌드박스를 제공하지만, 과학적 중요성은 여기에 연결된 실험 질문에 달려 있다. 가설, 대조 조건, 측정 가능한 비교가 없다면 벽과의 충돌은 거의 의미가 없다.

연구자들은 MaleCNS 모델을 대안과 비교해야 한다. 여기에는 무작위로 섞은 커넥톰, 축소된 네트워크, 랜덤 그래프, 혹은 유사한 계산 예산을 갖춘 일반 신경망이 포함될 수 있다.

실제 배선 구조가 일관되게 구별되거나 더 생물학적으로 그럴듯한 행동을 만든다면, 그 결과는 커넥톰 유래 구조의 가치를 뒷받침할 것이다. 랜덤 그래프가 비슷한 성능을 보인다면 해부학적 토폴로지가 예상보다 적은 가치를 더할 수 있다.

재현성도 중요하다. DOOMFLY는 코드와 방법론 노트를 공개해 다른 이들이 가정을 검토하고 실험을 반복할 수 있게 한다. 독립적 재현은 결과가 숨겨진 설정이나 특정 입력 매핑에 의존하는지 밝혀낼 수 있다.

따라서 바이럴 데모는 유용한 과제를 만들었다. 개발자는 네트워크가 게임 속을 움직이게 만들 수 있지만, 그 움직임이 초파리에 대해 무언가를 드러내는지는 신경과학이 판단해야 한다.

AI는 지도를 가속했지만, 마음을 재현하지는 않았다

이 프로젝트를 AI 기반 뇌라고 부르는 것은 재구성 소프트웨어, 해부학 데이터, 행동 시뮬레이션이라는 세 가지 별개 요소를 혼동할 위험이 있다.

Google은 전자현미경 이미지에서 신경 형태를 재구성하는 데 머신러닝을 활용했다. 이 시스템들은 방대한 이미지 볼륨 전반의 분할과 관련된 컴퓨터 비전 문제를 해결했다.

연구자들은 여전히 사람의 검수와 주석 작업을 필요로 했다. 자동화 시스템은 서로 다른 뉴런을 실수로 합치거나 하나의 뉴런을 여러 조각으로 분할할 수 있다. 작은 재구성 오류도 추론된 연결성을 왜곡할 수 있다.

Google은 이런 수작업 부담을 줄이는 시스템을 계속 개발하고 있다. 합성 뉴런 연구는 재구성 모델 학습을 위해 인공적인 신경 기하 구조를 생성한다.

회사는 이 접근법이 PATHFINDER 재구성 시스템의 속도와 정확도를 높인다고 말한다. 그러나 더 빠른 분할이 자동으로 더 현실적인 신경 기능 시뮬레이션을 만드는 것은 아니다.

MaleCNS 데이터셋은 AI 보조 재구성의 산출물이다. DOOMFLY는 그 산출물을 기반으로 구축된 별도 시뮬레이션이다. 모델링된 뉴런은 머신러닝이 형태 추적을 도왔다는 이유만으로 지능을 물려받지 않는다.

이 구분은 디지털 뇌에 관한 주장을 평가할 때 중요하다. 기하학적으로 정확한 뉴런 재구성은 해부학을 설명한다. 동적 뉴런 모델은 활동을 추정한다. 인지 모델은 지각, 기억, 학습, 행동을 설명해야 한다.

어느 한 층도 다음 층을 보장하지 않는다. 시뮬레이션이 취약한 생리학적 가정을 사용한다면 정확한 배선 구조도 부정확한 활동을 낳을 수 있다. 한 회로에서 정확한 활동이 관찰돼도 전체 동물의 행동을 설명하지 못할 수 있다.

인간과의 비교는 한계를 더 분명히 보여준다. Google은 약 860억 개 뉴런으로 구성된 인간 뇌의 지도를 작성하는 일은 현재 역량을 넘어선다고 언급한다. 규모는 장애물 중 하나일 뿐이다.

인간 커넥톰에는 여전히 시냅스 특성, 분자 상태, 가소성, 발달, 신체와의 상호작용에 관한 정보가 필요하다. 완벽한 구조 지도조차 개인의 기억이나 의식을 자동으로 재현하지는 못한다.

초파리 프로젝트가 가치 있는 이유는 바로 이런 문제들을 더 다루기 쉬운 수준으로 만든다는 데 있다. 연구자들은 정교한 행동을 보이면서도 비교적 작은 신경계를 가진 동물에서 전체 네트워크 수준의 아이디어를 검증할 수 있다.

이 데이터셋은 계산 방법을 개선하는 플랫폼도 제공한다. 엔지니어들은 상당한 규모에서 그래프 처리, 희소 시뮬레이션, 시각화, 저장, 생물학적 제약을 반영한 학습을 연구할 수 있다.

이러한 기술적 성과는 제브라피시와 생쥐 뇌 일부를 다루는 더 큰 프로젝트를 지원할 수 있다. Google은 신경 구조와 기록된 활동을 결합하는 데이터셋을 포함해 척추동물 지도화 노력에도 이미 협력하고 있다.

구조와 활동을 결합하는 일은 핵심 단계다. 정적 지도는 신호가 어디로 이동할 수 있는지 알려준다. 기록된 활동은 특정 조건에서 어떤 경로가 활성화되는지 보여준다.

남은 부담은 모델 개발자에게 있다. 이들은 생물학적 증거가 끝나는 지점과 공학적 가정이 시작되는 지점을 문서화해야 한다. 이런 구분이 없다면 정교한 시각화는 탐색적 소프트웨어를 과장된 주장으로 바꿀 수 있다.

DOOMFLY는 많은 바이럴 요약보다 이 문제를 더 잘 다룬다. 문서는 신경 역학이 근사치이고, 시각 입력은 대리 지표이며, 제어 출력은 설계된 것이라고 명시한다.

그러한 솔직함이 프로젝트를 덜 흥미롭게 만들지는 않는다. 오히려 실제 성취를 분명히 한다. 이제 개발자는 전체 중추신경계 그래프를 내려받아 검토 가능한 소프트웨어 루프 안에 배치할 수 있다.

데모가 유용한 과학이 되는지를 보여줄 세 가지 신호

다음 단계는 MaleCNS에 연결된 게임의 수가 아니라 측정 가능한 학습, 생물학적 검증, 독립적 재현으로 평가돼야 한다.

첫 번째 신호는 일관된 행동 개선이다. DOOMFLY에는 기준 시스템이 비교 가능하게 유지되는 동안 학습 전반에 걸쳐 변화하는 사전 정의된 지표가 필요하다.

생존 시간은 가능한 측정 기준 중 하나다. 연구자들은 분당 피해량, 움직임의 다양성, 적 회피, 통제된 환경에서의 진행도도 추적할 수 있다.

결과는 여러 무작위 시드와 시작 조건에서 나타나야 한다. 한 번의 성공적인 실행은 게임의 무작위성, 초기화 선택, 또는 우연히 유리한 제어 매핑에서 비롯될 수 있다.

절제 검사는 증거를 더 강하게 만들 수 있다. 개발자들은 도파민 자극을 제거하거나, 선택된 연결을 섞거나, 커넥톰을 이에 맞춘 랜덤 그래프로 교체할 수 있다.

생물학적으로 관련된 구조가 교란될 때 학습이 사라진다면 모델은 더 많은 정보를 제공하게 된다. 모든 네트워크가 똑같이 개선된다면, 그 결과는 커넥톰보다 학습 루프에 대해 더 많은 것을 말해준다.

두 번째 신호는 살아 있는 초파리와의 실험적 일치다. 모델 개발자는 신경과학자들이 이미징, 자극, 유전학적 개입으로 검증할 수 있는 회로 예측을 선택해야 한다.

유용한 결과는 정의된 시각 사건 이후 어떤 뉴런이 반응하는지 식별할 수 있다. 또 다른 결과는 하행 경로를 침묵시켰을 때 움직임이 어떻게 달라지는지 예측할 수 있다.

연구자들이 이를 명확히 공개한다면 실패 역시 유익한 정보를 제공한다. 누락된 시냅스 가중치, 잘못된 전달물질 가정, 또는 감각계의 불완전한 모델링을 드러낼 수 있다.

성공이 전체 디지털 초파리를 검증하는 것은 아니다. 이는 특정 조건 아래 특정 기전을 뒷받침하는 것이며, 신뢰할 수 있는 계산신경과학이 발전하는 방식이다.

세 번째 신호는 독립적 재현이다. 다른 팀도 공개 그래프를 실행하고, 신경 반응을 재현하며, 대안적인 역학을 비교할 수 있어야 한다.

공유 벤치마크가 도움이 될 것이다. 모든 프로젝트를 동일한 소프트웨어 스택에 묶지 않으면서도 감각 입력, 예상 출력, 컴퓨팅 요구사항, 생물학적 측정을 정의할 수 있다.

공개 데이터셋은 그러한 협업을 가능하게 한다. 과제는 진정한 재현과 시각적으로 유사한 또 다른 데모를 구별할 수 있을 만큼 충분한 방법론적 세부 정보를 보존하는 일이다.

Super Mario 64와 미래의 게임 실험도 여전히 기여할 수 있다. 서로 다른 환경은 내비게이션, 타이밍, 기억, 행동 선택에 각기 다른 방식으로 부담을 준다. 각 환경이 명시된 가설에 대응할 때 가장 유용하다.

게임만 더 늘리는 것은 신호를 약화시킬 것이다. 즐거운 포팅이 이어지면 기반 모델을 개선하지 않은 채 점점 더 광범위한 주장을 부추길 수 있다.

개발자, AI 연구자, 지식 노동자가 관심을 가져야 하는 이유는 MaleCNS가 공개 과학 데이터가 무엇을 가능하게 하는지 보여주기 때문이다. 기계가 읽을 수 있는 연구 자산은 논문 발표에서 대중 실험으로 거의 즉시 이동할 수 있다.

그 속도는 해석의 부담도 키운다. 이처럼 복잡한 프로젝트를 추적하는 사람은 논문, 코드 변경, 가정, 상반된 결과를 보존해야 한다. 검색 가능한 지식 베이스는 증거가 변화하는 동안 이러한 자료들을 연결된 상태로 유지할 수 있다.

Google의 초파리 커넥톰은 이미 인프라로서 성공했다. 이는 감각 영역, 뇌, 운동 경로를 아우르는 상세하고 접근 가능한 해부학 자원을 제공한다.

행동 예측을 위한 신뢰할 만한 엔진이 될 수 있을지는 아직 불확실하다. 통제된 학습 곡선, 실험실 검증, 그리고 대안적 네트워크와의 재현 가능한 비교를 지켜볼 필요가 있다.

이제 중요한 질문은 초파리 커넥톰을 Doom에 연결할 수 있느냐가 아니다. 분명 가능하다. 더 어려운 질문은 그 행동이 기존의 컨트롤러로는 얻을 수 없는 무언가를 우리에게 알려주느냐다.