Konektom muszki owocowej Google uruchamia Doom, ale nie jest cyfrowym mózgiem

Google pomogło opublikować konektom muszki owocowej obejmujący 166 700 neuronów, a programiści szybko podłączyli ten zbiór danych do Doom i Super Mario 64. Konektom muszki owocowej Google obejmuje również brzuszny rdzeń nerwowy owada, pełniący funkcję porównywalną z kręgowym rdzeniem kręgowym. Ten zakres sprawia, że zbiór danych jest wyjątkowo kompletną mapą pomiędzy bodźcami sensorycznymi, szlakami nerwowymi i odpowiedziami ruchowymi.

Demonstracje gier pojawiły się w ciągu kilku dni od ogłoszenia Google z 3 września. Ich tempo stworzyło nieodpartą narrację: naukowcy zmapowali mózg, udostępnili jego strukturę, a inżynierowie natychmiast sprawili, że ten mózg gra w gry wideo. Jednak określenie „mózg muchy grający w Doom” ukrywa kluczowe ograniczenie.

Projekty te nie umieszczają działającego biologicznego mózgu w komputerze. Łączą rzeczywistą łączność anatomiczną z przybliżoną dynamiką neuronową, syntetycznymi bodźcami sensorycznymi i wybranymi przez twórców sterowaniami gry. Rezultat jest przekonującym eksperymentem, ale nie cyfrową kopią żywej muchy.

To rozróżnienie ma znaczenie wykraczające poza internetową ciekawostkę. Konektomika, czyli badanie kompletnych schematów połączeń nerwowych, przechodzi od statycznej anatomii do symulacji zdolnych generować zachowanie. Eksperyment z Doom ujawnia zarówno potencjał tej zmiany, jak i dużą liczbę założeń modelowych ukrytych między strukturą a inteligencją.

Konektom muszki owocowej Google mapuje razem mózg i ciało

Istotna zmiana nie polega po prostu na tym, że badacze zmapowali kolejny mózg muchy, lecz na połączeniu kompletnego męskiego mózgu z jego centralnym układem ruchowym.

Google Research, HHMI Janelia Research Campus, University of Cambridge oraz inni współpracownicy stworzyli nowy zbiór danych. Ich kompletna mapa połączeń obejmuje ponad 166 000 neuronów i około 125 milionów kontaktów synaptycznych.

Konektom rejestruje neurony oraz połączenia między nimi. Przypomina schemat układu elektronicznego, choć biologiczne neurony komunikują się za pomocą mechanizmów znacznie bardziej złożonych niż elektroniczne przewody.

Zbiór MaleCNS obejmuje centralny mózg, płaty wzrokowe i brzuszny rdzeń nerwowy. Ten ostatni element przekazuje sygnały między mózgiem a dużą częścią ciała muchy. Jego uwzględnienie pozwala badaczom śledzić szlaki od wejść wzrokowych, słuchowych i węchowych do wyjść ruchowych.

Zbiór danych różni się więc od map ograniczonych do jednego regionu mózgu lub izolowanego centralnego mózgu. Badacze mogą teraz analizować jedną ciągłą sieć anatomiczną, rozciągającą się od przetwarzania bodźców po kontrolę ciała.

Google podaje, że praca była wynikiem dziesięcioletniej współpracy. Badacze najpierw pocięli tkankę nerwową na niezwykle cienkie skrawki i wykonali obrazy mikroskopii elektronowej każdego z nich. Następnie systemy uczenia maszynowego pomogły złożyć te płaskie obrazy w trójwymiarowe struktury nerwowe.

Jedna z ważnych technik wykorzystywała sieci flood-filling. Te konwolucyjne sieci neuronowe rozpoczynają od jednego miejsca na obrazie i przewidują, które otaczające piksele należą do tego samego obiektu biologicznego.

Automatyczna rekonstrukcja nie wyeliminowała pracy ludzi. Specjaliści z HHMI Janelia sprawdzali i korygowali kształty neuronów, a następnie dodawali adnotacje potrzebne do interpretacji sieci. Google przyznaje, że weryfikacja i opisywanie danych nadal wymagają lat pracy ekspertów.

Publiczna strona projektu MaleCNS zapewnia dostęp do typów komórek, wyszukiwania połączeń, wizualizacji, plików do pobrania i informacji o wydaniach. Jej oś czasu pokazuje, że MaleCNS v1.0 udostępniono publicznie 8 czerwca, zanim powiązany artykuł ukazał się 3 września.

Ta chronologia pomaga wyjaśnić, dlaczego demonstracje gier pojawiły się tak szybko po ogłoszeniu Google. Twórcy nie rekonstruowali 166 700 neuronów w jeden weekend. Uzyskali publiczny dostęp do istniejącego, odczytywalnego maszynowo grafu i zbudowali wokół niego eksperymentalne interfejsy.

Mapa daje też badaczom nowy punkt odniesienia do porównywania ze zbiorami danych dotyczącymi samic much. Naukowcy mogą badać, które obwody pozostają podobne między osobnikami, a które struktury różnią się w zależności od płci.

Różnice te mają znaczenie dla zachowań obejmujących zaloty, agresję i przetwarzanie bodźców. Sama różnica anatomiczna nie dowodzi jednak, jak konkretny obwód wytwarza zachowanie. Wskazuje miejsca, w których badacze mogą przeprowadzić bardziej ukierunkowane eksperymenty.

Konektom muszki owocowej Google jest zatem zarówno osiągnięciem, jak i narzędziem. Jego największa wartość naukowa wynika z pytań, które pozwala testować, a nie z samej liczby neuronów.

Dlaczego konektom muszki owocowej Google tak szybko trafił do Doom

Doom stał się natychmiastowym testem, ponieważ otwarty konektom można traktować jako graf obliczeniowy, nawet zanim naukowcy zrozumieją każdy obwód, który się w nim znajduje.

Inżynier oprogramowania Alex Wormuth przedstawił DOOMFLY po ogłoszeniu wyników badań. Projekt kieruje obrazy z gry do symulacji opartej na pełnej zachowanej sieci MaleCNS v1.0.

Opublikowana przez projekt metodologia DOOMFLY wymienia 166 700 neuronów, 25 582 938 skierowanych krawędzi oraz 124 177 617 kontaktów synaptycznych. Liczby te opisują zachowany graf obliczeniowy wykorzystywany przez symulację.

Każdy tik gry Doom dostarcza informacji obrazowej do symulowanych wejść wzrokowych. System przekształca klatkę w sygnały dla 3 335 wejść wrażliwych na jasność i 811 wywnioskowanych wejść kolorystycznych.

Te wejścia nie odtwarzają oka muchy z pełną biologiczną dokładnością. Twórca opisuje współrzędne wzrokowe i reakcje na kolor jako przybliżenia. Symulowane fotoreceptory również wykorzystują uproszczone zachowanie impulsowe.

Aktywność następnie przechodzi przez sieć opartą na konektomie. Gdy modelowane napięcie przekracza próg, symulowany neuron generuje impuls. Okablowanie ogranicza, dokąd ta aktywność może się przenosić, podczas gdy zaprojektowane równania określają, jak zmienia się ona w czasie.

Wybrane neurony zstępujące stają się sterowaniami gry. Różnice w modelowanej aktywności DNp20 obracają postać gracza. Częstotliwość impulsów DNpe017 powoduje ruch, natomiast pojedynczy impuls tego neuronu uruchamia broń.

Wybory te tworzą zamkniętą pętlę. Doom dostarcza obraz, model wytwarza aktywność, wybrane neurony sterują grą, a kolejny obraz wraca do modelu.

Obrażenia dodają kolejną warstwę. Nieśmiertelne trafienia stymulują dwie modelowane komórki dopaminowe PPL101 przez określony czas. Projekt traktuje tę interwencję jako sygnał negatywnego wzmocnienia, mający zachęcać do unikania obrażeń.

Dlatego opisy „wytrenowanego mózgu muchy” wymagają ostrożności. System ma mechanizmy wzmacniania, lecz jego publiczny interfejs opisywał także etapy eksperymentu jako pozbawione uczenia się. Obserwowanie zmieniającej się aktywności nie wystarcza, by potwierdzić wyuczone zachowanie.

Model musi poprawiać się według zdefiniowanej miary, zanim badacze będą mogli rozsądnie twierdzić, że zachodzi uczenie. Przydatne miary mogłyby obejmować czas przetrwania, częstotliwość obrażeń, skuteczność nawigacji lub wyniki wobec losowych sieci kontrolnych.

Początkowe zachowanie wygląda znacznie mniej spektakularnie niż sugeruje nagłówek. Symulowany kontroler może wpadać na ściany, obracać się bez celu albo strzelać z dala od przeciwników. Te porażki nie są zaskakujące, ponieważ konektom nigdy nie ewoluował do interpretowania pikseli Doom.

Doom oczekuje także niewielkiego zestawu sterowań zaprojektowanych przez ludzi. Układ nerwowy muchy wytwarza ruch skrzydeł, nóg, głowy i aparatów gębowych. Przekształcenie kilku symulowanych neuronów w polecenia ruchu do przodu, skrętu i strzału narzuca sztuczny interfejs.

Atrakcyjność Doom pozostaje zrozumiała. Gra z 1993 roku ma otwarty kod silnika, niskie wymagania sprzętowe, szybkie sprzężenie zwrotne i długą historię nietypowych portów. Oferuje znane środowisko do testowania niekonwencjonalnych systemów obliczeniowych.

W tym przypadku Doom nie działa jednak na konektomie tak, jakby sieć była procesorem. Konwencjonalny komputer nadal wykonuje grę i symulację neuronową. Konektom dostarcza topologii dla jednej części systemu sterowania.

Ta różnica odróżnia DOOMFLY od klasycznych projektów „Czy to uruchomi Doom?”. Istotne pytanie nie brzmi, czy neurony muchy potrafią wykonywać instrukcje gry. Chodzi o to, czy łączność pochodzenia biologicznego może wspierać użyteczne zachowanie w ramach zaprojektowanej symulacji.

Okablowanie jest biologiczne, ale kontroler zaprojektowano sztucznie

Główne napięcie wynika z różnicy między rzeczywistym grafem anatomicznym a sztucznymi decyzjami wymaganymi, aby ten graf zachowywał się w oprogramowaniu.

MaleCNS pokazuje badaczom, które neurony są połączone i gdzie występuje wiele synaps chemicznych. Nie dostarcza kompletnego zapisu aktywności każdego neuronu podczas życia muchy.

Statyczny konektom pomija też ważne zmienne biologiczne. Różne synapsy mogą mieć różną siłę, właściwości czasowe, typy receptorów i modulację. Wewnętrzne stany chemiczne mogą zmieniać sposób, w jaki to samo okablowanie reaguje.

Połączenia elektryczne, neuromodulatory, hormony oraz interakcje z ciałem dodatkowo komplikują obraz. Krawędź strukturalna nie może w pełni określić tego, co dzieje się, gdy żywe zwierzę otrzymuje bodziec.

DOOMFLY musi wypełnić te luki założeniami. Twórcy przypisują uproszczoną dynamikę napięcia, efekty neuroprzekaźników, zachowanie spoczynkowe, zasady adaptacji i transformacje sensoryczne. Każdy taki wybór zmienia wynik modelu.

Mapowanie sterowania wprowadza kolejną warstwę interpretacyjną. DNp20 i DNpe017 są biologicznie istotnymi neuronami zstępującymi, ale przypisanie ich do działań w Doom pozostaje decyzją twórców. Ich aktywacja nie oznacza naturalnie „naciśnij klawisz strzału”.

Sam projekt wyraźnie opisuje te odczyty jako zaprojektowane sterowania, a nie zweryfikowane naturalne polecenia. To ujawnienie jest niezbędne, ponieważ animowany rezultat może sprawiać wrażenie większej kompletności biologicznej, niż faktycznie ma.

Rozróżnienie to przypomina różnicę między mapą dróg a symulacją ruchu ulicznego. Mapa dróg ogranicza możliwe trasy, ale nie określa prędkości pojazdów, celów podróży, korków ani decyzji kierowców.

Konektom dostarcza znacznie gęstszego i bardziej znaczącego ograniczenia. Mimo to symulacja potrzebuje zasad regulujących transmisję sygnałów, czasowanie, kodowanie sensoryczne i wybór działań.

Demonstracja Super Mario 64 ilustruje ten sam problem. Doniesienia przypisują ten odrębny eksperyment programistce Jessice Paquette. Podobnie jak w Doom, gra otrzymuje działania wyprowadzone z modelowanej aktywności neuronalnej, a nie polecenia wybrane przez nienaruszony umysł muchy.

Publicznie dostępne informacje o implementacji Mario pozostają skromniejsze niż szczegółowa dokumentacja DOOMFLY. Należy więc traktować ją jako demonstrację eksperymentalną, a nie niezależny dowód, że konektom wspiera ogólną zdolność grania w gry.

Uruchamianie obu gier nie demonstruje również uczenia transferowego. Wspólny zbiór danych o okablowaniu może obsługiwać różne interfejsy, ponieważ twórcy mogą podłączać do niego różne kodery sensoryczne i mapowania działań.

Ta elastyczność jest użyteczna w eksploracji. Pozwala programistom badać, jak aktywność ograniczona konektomem zmienia się w różnych środowiskach. Może jednak także prowadzić do mylących porównań z agentami sztucznej inteligencji trenowanymi pod kątem maksymalizowania wyników w grach.

Konwencjonalny agent uczenia ze wzmocnieniem dostosowuje parametry względem celu nagrody. Jego proces treningowy bezpośrednio dąży do lepszej wydajności. Symulacja konektomu może natomiast priorytetowo traktować biologiczną wiarygodność, interpretację obwodów lub generowanie hipotez.

Te cele pokrywają się tylko częściowo. System może być naukowo interesujący, a jednocześnie słabo grać. Z drugiej strony wysoce skuteczny agent do gier może niewiele mówić o układach nerwowych.

Właśnie tutaj wiralowe ujęcie staje się produktywne. Widok kontrolera wywodzącego się z muszki przechodzącego przez Doom zmusza badaczy do wskazania każdego brakującego ogniwa między anatomią a zachowaniem.

Konektom muszki owocowej od Google dostarcza strukturę biologiczną. Gra zapewnia mierzalne środowisko. Symulacja pomiędzy nimi ujawnia, które założenia należy sprawdzić w następnej kolejności.

Prawdziwym testem naukowym jest przewidywanie, nie rozgrywka

Model oparty na konektomie staje się naukowo wartościowy, gdy przewiduje biologiczne zachowania, które badacze mogą sprawdzić u rzeczywistych muszek.

Wyniki w grze zapewniają natychmiastową informację zwrotną, lecz nie są najsilniejszym standardem walidacji. Doom zaprojektowano dla ludzkich graczy, podczas gdy muszki owocowe ewoluowały wokół lotu, chodzenia, żerowania, zalotów i unikania zagrożeń.

Lepszy test pyta, czy modelowane interwencje przewidują rzeczywiste zmiany neuronalne lub behawioralne. Badacze mogliby stymulować w symulacji szlak sensoryczny, zidentyfikować aktywność dalszych elementów obwodu i porównać tę prognozę z zapisami laboratoryjnymi.

Mogliby też wyciszyć neuron obliczeniowo przed przeprowadzeniem odpowiadającego mu eksperymentu biologicznego. Zgodność sugerowałaby, że model ujmuje coś istotnego w działaniu obwodu.

Pełny ośrodkowy układ nerwowy zwiększa te możliwości. Badacze mogą śledzić bodziec poza mózg i w kierunku szlaków zstępujących wpływających na ruch. Wcześniejsze mapy obejmujące wyłącznie mózg nie mogły reprezentować całej tej drogi.

Naukowcy już wykorzystują konektomy muszek owocowych do badania wzroku, smaku, nawigacji i zachowań społecznych. Nowy zbiór danych dotyczący samców daje bezpośrednie możliwości badania obwodów specyficznych dla płci oraz porównywania odpowiadających sobie szlaków między zwierzętami.

Wcześniejsza mapa mózgu samicy zawierała niemal 140 000 neuronów i ponad 50 milionów synaps. Opublikowana w 2024 roku praca obejmowała ośrodkowy mózg dorosłej samicy, a nie kompletny, połączony układ nerwowy samca.

Porównywanie tych zasobów nie jest konkursem na większe liczby. Różne zbiory danych mogą stosować odmienne kryteria włączenia, metody segmentacji i definicje połączeń. Ich wartość naukowa zależy od zakresu pokrycia, adnotacji, dokładności i przydatności dla danego pytania.

Zakres konektomu samca powiązany z ciałem czyni badania sensomotoryczne szczególnie atrakcyjnymi. Może on pomóc naukowcom zbadać, jak sygnały przechodzą przez wiele regionów, zanim dotrą do neuronów związanych z ruchem.

Niedawne prace obliczeniowe wskazują ten kierunek. Jeden projekt badań nad lokomocją wykorzystał model grafowy oparty na konektomie do kontrolowania symulowanego ciała muszki. Takie środowisko jest bliższe naturalnemu układowi ruchowemu zwierzęcia niż strzelanka z perspektywy pierwszej osoby.

Nawet takie ucieleśnione symulacje pozostają przybliżeniami. Na ruch wpływają mięśnie, mechanika stawów, sprzężenie zwrotne zmysłów, kontakt ze środowiskiem i stan wewnętrzny. Sam konektom nie może zastąpić tych systemów.

Najsilniejszy program badawczy połączy kilka form dowodów. Anatomia identyfikuje możliwe szlaki. Zapisy neuronalne ujawniają aktywność. Eksperymenty behawioralne ustalają konsekwencje. Modele obliczeniowe sprawdzają, czy poszczególne elementy wzajemnie się wyjaśniają.

Doom wnosi widoczny i powtarzalny poligon testowy, lecz jego naukowe znaczenie zależy od pytań eksperymentalnych z nim powiązanych. Zderzenie ze ścianą niewiele znaczy bez hipotezy, warunku kontrolnego i mierzalnego porównania.

Badacze powinni porównywać model MaleCNS z alternatywami. Mogą do nich należeć przetasowane konektomy, zredukowane sieci, grafy losowe lub zwykłe sieci neuronowe o podobnych budżetach obliczeniowych.

Jeśli autentyczne okablowanie konsekwentnie wytwarza odmienne lub bardziej biologicznie wiarygodne zachowanie, taki wynik potwierdzałby wartość struktury wyprowadzonej z konektomu. Jeśli grafy losowe działają podobnie, topologia anatomiczna może wnosić mniej, niż oczekiwano.

Istotna jest również odtwarzalność. DOOMFLY publikuje kod i notatki metodologiczne, dzięki czemu inni mogą sprawdzać założenia i powtarzać eksperymenty. Niezależne replikacje mogą ujawnić, czy wyniki zależą od ukrytych ustawień lub konkretnych mapowań wejść.

Wiralowa demonstracja stworzyła więc użyteczne wyzwanie. Deweloperzy mogą sprawić, że sieć porusza się po grach, lecz neuronauka musi ustalić, czy te ruchy ujawniają cokolwiek o muszce.

AI przyspieszyła tworzenie mapy, lecz nie odtworzyła umysłu

Określanie projektu mianem mózgu napędzanego przez AI grozi połączeniem trzech odrębnych rzeczy: oprogramowania rekonstrukcyjnego, danych anatomicznych i symulacji zachowania.

Google wykorzystało uczenie maszynowe do pomocy w rekonstruowaniu kształtów neuronów na podstawie obrazów z mikroskopu elektronowego. Systemy te rozwiązywały problem widzenia komputerowego obejmujący segmentację ogromnych objętości obrazów.

Badacze nadal potrzebowali ludzkiej korekty i adnotacji. Zautomatyzowane systemy mogą przypadkowo połączyć odrębne neurony albo podzielić jeden neuron na wiele fragmentów. Niewielkie błędy rekonstrukcji mogą zniekształcać wnioskowaną łączność.

Google nadal rozwija systemy ograniczające to ręczne obciążenie. Jego praca nad syntetycznymi neuronami tworzy sztuczne geometrie neuronów do trenowania modeli rekonstrukcyjnych.

Firma twierdzi, że takie podejście poprawia szybkość i dokładność jej systemu rekonstrukcyjnego PATHFINDER. Szybsza segmentacja nie tworzy jednak automatycznie bardziej realistycznej symulacji funkcji neuronowych.

Zbiór danych MaleCNS jest wynikiem rekonstrukcji wspieranej przez AI. DOOMFLY to odrębna symulacja zbudowana na tym wyniku. Modelowane neurony nie dziedziczą inteligencji tylko dlatego, że uczenie maszynowe pomogło prześledzić ich kształty.

To rozróżnienie ma znaczenie przy ocenie twierdzeń o cyfrowych mózgach. Geometrycznie dokładna rekonstrukcja neuronu opisuje anatomię. Dynamiczny model neuronu szacuje aktywność. Model poznawczy musiałby wyjaśniać percepcję, pamięć, uczenie się i działanie.

Żadna pojedyncza warstwa nie gwarantuje następnej. Dokładne okablowanie może nadal prowadzić do niedokładnej aktywności, jeśli symulacja opiera się na słabych założeniach fizjologicznych. Dokładna aktywność w jednym obwodzie może nie wyjaśniać zachowania całego zwierzęcia.

Porównanie z człowiekiem wyraźniej pokazuje ograniczenia. Google zauważa, że mapowanie około 86 miliardów neuronów ludzkiego mózgu pozostaje poza obecnymi możliwościami. Skala jest tylko jedną z przeszkód.

Ludzki konektom nadal wymagałby informacji o właściwościach synaps, stanach molekularnych, plastyczności, rozwoju i interakcji z ciałem. Nawet doskonała mapa strukturalna nie odtworzyłaby automatycznie osobistej pamięci ani świadomości.

Projekt dotyczący muszki owocowej jest wartościowy właśnie dlatego, że czyni te problemy łatwiejszymi do opanowania. Badacze mogą testować idee dotyczące całych sieci u zwierzęcia o złożonym zachowaniu i względnie kompaktowym układzie nerwowym.

Zbiór danych zapewnia również platformę do doskonalenia metod obliczeniowych. Inżynierowie mogą badać przetwarzanie grafów, symulację rzadkich sieci, wizualizację, przechowywanie danych i biologicznie ograniczone uczenie na znaczącej skali.

Te postępy techniczne mogą wspierać większe projekty dotyczące danio pręgowanego i fragmentów mózgów myszy. Google już współpracuje przy przedsięwzięciach mapowania kręgowców, w tym przy zbiorach danych łączących strukturę neuronalną z zarejestrowaną aktywnością.

Łączenie struktury i aktywności jest kluczowym krokiem. Statyczna mapa mówi naukowcom, którędy sygnały mogą się przemieszczać. Zarejestrowana aktywność pokazuje, które ścieżki uaktywniają się w określonych warunkach.

Pozostała presja spada na twórców modeli. Muszą dokumentować, gdzie kończą się dowody biologiczne, a zaczynają założenia inżynierskie. Bez tego rozdzielenia dopracowane wizualizacje mogą przekształcić eksploracyjne oprogramowanie w przesadzone twierdzenia.

DOOMFLY radzi sobie z tym lepiej niż wiele wiralowych podsumowań. Jego dokumentacja określa dynamikę neuronalną jako przybliżoną, wejścia wizualne jako wskaźniki zastępcze, a odczyty sterowania jako zaprojektowane.

Ta szczerość nie czyni projektu mniej interesującym. Wskazuje rzeczywiste osiągnięcie: deweloper może teraz pobrać graf całego ośrodkowego układu nerwowego i umieścić go w możliwej do zbadania pętli programowej.

Trzy sygnały pokażą, czy demonstracja stanie się użyteczną nauką

Kolejną fazę należy oceniać na podstawie mierzalnego uczenia się, walidacji biologicznej i niezależnego odtworzenia, a nie liczby gier połączonych z MaleCNS.

Pierwszym sygnałem jest konsekwentna poprawa zachowania. DOOMFLY potrzebuje z góry określonych metryk, które zmieniają się podczas treningu, podczas gdy systemy bazowe pozostają porównywalne.

Czas przetrwania jest jedną z możliwych miar. Badacze mogliby również śledzić obrażenia na minutę, różnorodność ruchów, unikanie przeciwników lub postępy w kontrolowanym środowisku.

Wyniki powinny pojawiać się dla wielu losowych ziaren i warunków początkowych. Pojedynczy udany przebieg może wynikać z losowości gry, wyborów inicjalizacji lub szczęśliwego mapowania sterowania.

Testy ablacyjne wzmocniłyby dowody. Deweloperzy mogliby usunąć stymulację dopaminową, przetasować wybrane połączenia lub zastąpić konektom dopasowanym grafem losowym.

Jeśli uczenie zanika po zakłóceniu biologicznie istotnej struktury, model staje się bardziej informatywny. Jeśli każda sieć poprawia się w równym stopniu, wynik mówi więcej o pętli treningowej.

Drugim sygnałem jest eksperymentalna zgodność z żywymi muszkami. Twórcy modeli powinni wybierać prognozy dotyczące obwodów, które neuronaukowcy mogą testować za pomocą obrazowania, stymulacji lub interwencji genetycznej.

Użyteczny wynik mógłby wskazać, które neurony reagują po określonym zdarzeniu wizualnym. Inny mógłby przewidzieć, jak wyciszenie szlaku zstępującego zmienia ruch.

Niepowodzenie nadal byłoby informatywne, jeśli badacze jasno je opublikują. Mogłoby ujawnić brakujące wagi synaptyczne, błędne założenia dotyczące neuroprzekaźników lub niepełne modelowanie systemów sensorycznych.

Sukces nie zweryfikowałby całej cyfrowej muszki. Wspierałby określony mechanizm w określonych warunkach, a właśnie w ten sposób rozwija się rzetelna neuronauka obliczeniowa.

Trzecim sygnałem jest niezależne odtworzenie. Inne zespoły powinny móc uruchomić publiczny graf, odtworzyć odpowiedzi neuronalne i porównać alternatywne dynamiki.

Pomogłyby wspólne benchmarki. Mogłyby definiować wejścia sensoryczne, oczekiwane wyjścia, wymagania obliczeniowe i pomiary biologiczne, nie zmuszając każdego projektu do korzystania z tego samego stosu oprogramowania.

Publiczny zbiór danych umożliwia taką współpracę. Wyzwaniem jest zachowanie wystarczającej liczby szczegółów metodologicznych, aby odróżnić rzeczywistą replikację od kolejnej wizualnie podobnej demonstracji.

Super Mario 64 i przyszłe eksperymenty z grami również mogą wnieść wkład. Różne środowiska inaczej obciążają nawigację, wyczucie czasu, pamięć i wybór działań. Są najbardziej użyteczne, gdy każdemu środowisku odpowiada jasno określona hipoteza.

Sama większa liczba gier osłabiłaby sygnał. Seria rozrywkowych portów mogłaby zachęcać do coraz szerszych twierdzeń bez poprawy modelu leżącego u podstaw.

Deweloperzy, badacze AI i pracownicy wiedzy powinni się tym interesować, ponieważ MaleCNS pokazuje, co mogą umożliwić otwarte dane naukowe. Zasób badawczy czytelny dla maszyn może przejść od publikacji do publicznego eksperymentowania niemal natychmiast.

Ta szybkość zwiększa też ciężar interpretacji. Każdy, kto śledzi złożone projekty takie jak ten, musi zachowywać artykuły naukowe, zmiany w kodzie, założenia i sprzeczne wyniki. Przeszukiwalna baza wiedzy może utrzymać te materiały w powiązaniu, gdy dowody ewoluują.

Konektom muszki owocowej od Google już odniósł sukces jako infrastruktura. Oferuje szczegółowy, dostępny zasób anatomiczny obejmujący regiony sensoryczne, mózg i szlaki ruchowe.

To, czy stanie się niezawodnym narzędziem do przewidywania zachowań, pozostaje nierozstrzygnięte. Warto obserwować kontrolowane krzywe uczenia, walidację laboratoryjną oraz powtarzalne porównania z alternatywnymi sieciami.

Właściwe pytanie nie brzmi już, czy konektom muchy da się podłączyć do Doom. Oczywiście, że się da. Trudniejsze pytanie brzmi, czy jego zachowanie uczy nas czegoś, czego nie potrafi zapewnić konwencjonalny kontroler.