Google 果蝇连接组运行 Doom，但它并不是数字大脑

Google 协助发布了一份包含 166,700 个神经元的果蝇连接组数据集，程序员很快便将该数据集接入 Doom 和 Super Mario 64。Google 果蝇连接组还涵盖了这种昆虫的腹侧神经索，其作用类似于脊椎动物的脊髓。这一覆盖范围使该数据集成为一张异常完整的图谱，连接了感觉输入、神经通路与运动输出。

这些游戏演示在 Google 9 月 3 日公布消息后的数天内便出现了。它们的迅速出现造就了一个极具吸引力的故事：科学家绘制了一颗大脑、公开了其结构，工程师随即让这颗大脑开始玩电子游戏。然而，“果蝇大脑在玩 Doom”这一说法掩盖了核心限制。

这些项目并非将一颗具有功能的生物大脑置入计算机中。它们结合了真实的解剖连接关系、近似的神经动力学、合成的感觉输入，以及由开发者选定的游戏控制方式。结果是一项引人入胜的实验，而非一只活体果蝇的数字副本。

这一区别的重要性不止于网络新奇话题。研究完整神经线路图的连接组学，正从静态解剖学走向能够产生行为的模拟。Doom 实验既展现了这种转变的潜力，也揭示了从结构到智能之间隐藏着大量建模工作。

Google 的果蝇连接组同时绘制大脑与身体

重要变化不只是研究人员又绘制了一颗果蝇大脑，而是他们将一颗完整的雄性大脑与其中央运动系统连接起来。

Google Research、HHMI Janelia Research Campus、剑桥大学及其他合作方共同制作了这一新数据集。其完整线路图包含超过 166,000 个神经元和约 1.25 亿个突触连接。

连接组记录神经元及其相互连接。它类似于电路图，但生物神经元的通信机制远比电子导线复杂。

MaleCNS 数据集覆盖中央脑、视叶和腹侧神经索。最后这一部分在大脑与果蝇大部分身体之间传递信号。它的纳入使研究人员能够追踪从视觉、听觉和嗅觉输入通向运动输出的通路。

因此，该数据集不同于仅覆盖某一脑区或孤立中央脑的图谱。研究人员如今可以检查一个连续的解剖网络，其范围从感觉处理延伸至身体控制。

Google 表示，这项工作源自长达十年的合作。研究人员首先将神经组织切成极薄切片，并获取每个切片的电子显微镜图像。随后，机器学习系统协助将这些平面图像组装为三维神经结构。

其中一项重要技术是泛洪填充网络。这些卷积神经网络从图像中的一个位置开始，预测周围哪些像素属于同一个生物对象。

自动重建并未消除人工工作。HHMI Janelia 的专家审阅并修正了神经形态，随后添加了解读网络所需的标注。Google 承认，验证与标注仍需要数年的专家投入。

公开的 MaleCNS 项目页面提供了细胞类型、连接性搜索、可视化、下载及发布信息。其时间线显示，MaleCNS v1.0 于 6 月 8 日公开可用，相关论文则于 9 月 3 日发表。

这一时间线有助于解释，为何游戏演示会在 Google 公布消息后如此迅速出现。开发者并非在一个周末内重建了 166,700 个神经元。他们获得了一个现有、机器可读图结构的公开访问权限，并围绕它构建了实验性接口。

这张图谱还为研究人员提供了与雌性果蝇数据集进行比较的新参照点。科学家可以考察不同个体之间哪些回路保持相似，以及哪些结构存在性别差异。

这些差异与求偶、攻击性和感觉处理等行为有关。不过，单凭解剖学差异并不能证明某个特定回路如何产生行为。它只能指出研究人员可以开展更聚焦实验的位置。

因此，Google 果蝇连接组既是一项成就，也是一件研究工具。它最大的科学价值来自于让哪些问题变得可检验，而不在于原始神经元数量。

为什么 Google 果蝇连接组如此迅速接入 Doom

Doom 很快成为测试对象，因为开放的连接组即使在科学家尚未理解其中每一条回路之前，也可以被视为计算图。

软件工程师 Alex Wormuth 在研究公告发布后推出了 DOOMFLY。该项目将游戏图像输入基于完整保留的 MaleCNS v1.0 网络构建的模拟系统。

项目公开的 DOOMFLY 方法论列出了 166,700 个神经元、25,582,938 条有向边和 124,177,617 个突触连接。这些数字描述了模拟所使用的保留计算图。

Doom 的每一个游戏 tic 都会向模拟视觉输入提供图像信息。系统将画面转换为针对 3,335 个亮度敏感输入和 811 个推断色彩输入的信号。

这些输入并未以完整的生物学精度重现果蝇的眼睛。开发者将视觉坐标和颜色响应描述为代理指标。模拟的光感受器也采用简化的脉冲行为。

随后，活动通过源自连接组的网络传播。当建模电压越过阈值时，模拟神经元便会放电。线路结构限制了这种活动能够传播到哪里，而工程化方程则决定其如何随时间变化。

选定的下行神经元会成为游戏控制器。建模的 DNp20 活动差异用于控制玩家转向。DNpe017 的放电频率产生移动，而该神经元的一次脉冲会触发武器。

这些选择形成了一个闭环。Doom 提供图像，模型产生神经活动，选定神经元控制游戏，而下一帧图像再返回模型。

伤害机制增加了另一层设计。非致命攻击会在设定时间内刺激两个建模的 PPL101 多巴胺细胞。该项目将这一干预视为负强化信号，意在鼓励避开伤害。

这也是为何对“经过训练的果蝇大脑”的描述需要谨慎。该系统具有强化机制，但其公开界面也曾将实验的一些阶段描述为没有学习。观察到活动发生变化，并不足以证明存在习得行为。

模型必须在明确指标上取得提升，研究人员才能合理声称其发生了学习。有效指标可能包括生存时间、受伤频率、导航表现，或与随机化控制网络相比的结果。

初始行为远没有标题所暗示的那么戏剧性。模拟控制器可能撞上墙壁、无目的地转向，或朝远离敌人的方向开火。这些失败并不令人意外，因为该连接组从未进化为解读 Doom 像素。

Doom 也要求一组紧凑、由人类设计的控制方式。果蝇神经系统产生的运动涉及翅膀、腿部、头部和口器。将少数模拟神经元转换为前进、转向和开火命令，施加了一层人工接口。

Doom 的吸引力依然不难理解。这款 1993 年游戏拥有开放的引擎代码、较低的硬件需求、快速反馈，以及悠久的非寻常移植历史。它为测试非传统计算系统提供了一个熟悉环境。

但在这里，Doom 并不是像连接组网络是一颗处理器那样运行在其上。传统计算机仍在执行游戏和神经模拟。连接组为控制系统的一部分提供了拓扑结构。

这一差异使 DOOMFLY 与经典的“它能运行 Doom 吗？”项目有所区别。值得关注的问题不是果蝇神经元能否执行游戏指令，而是源自生物学的连接关系能否在工程化模拟中支持有用行为。

线路来自生物学，但控制器是工程化的

核心张力存在于真实的解剖图结构，与让该图结构在软件中表现出行为所必需的人工决策之间。

MaleCNS 告诉研究人员哪些神经元相连，以及大量化学突触位于何处。它并未提供果蝇一生中每个神经元活动的完整记录。

静态连接组也遗漏了重要的生物变量。不同突触可能具有不同的强度、时间特性、受体类型和调制方式。内部化学状态可以改变相同线路对刺激的响应。

电连接、神经调节物质、激素以及与身体的相互作用，进一步增加了问题的复杂性。一个结构性边无法完整说明活体动物接收到刺激时会发生什么。

DOOMFLY 必须用假设填补这些空白。开发者指定了简化的电压动力学、递质效应、静息行为、适应规则和感觉转换。每一项选择都会改变模型的输出。

控制映射又引入了一层解释。DNp20 和 DNpe017 是具有生物学意义的下行神经元，但将它们映射为 Doom 动作仍是开发者的决定。它们被激活并不天然等同于“按下开火键”。

项目本身明确将这些读出标为工程化控制，而非经过验证的自然指令。这一披露至关重要，因为动画结果看起来可能比实际情况更具生物学完整性。

这种区别类似于道路地图与交通模拟之间的差距。道路地图限制了可能的路线，但并不能决定车辆速度、目的地、拥堵情况或驾驶员决策。

连接组提供的约束更密集，影响也更深远。尽管如此，模拟仍需要支配信号传递、时序、感觉编码和动作选择的规则。

Super Mario 64 演示说明了同样的问题。报道将这项独立实验归功于开发者 Jessica Paquette。与 Doom 一样，游戏接收的是由建模神经活动导出的动作，而非来自一颗完整果蝇心智所选择的指令。

关于 Mario 实现的公开信息仍少于详细的 DOOMFLY 文档。因此，它应被视为实验性演示，而非连接组具备通用游戏能力的独立证明。

同时运行两款游戏也不能证明迁移学习。共享的线路数据集能够支持不同接口，因为开发者可以为其接入不同的感觉编码器和动作映射。

这种灵活性有助于探索。它让程序员能够测试受连接组约束的活动如何在不同环境中变化。然而，它也可能造成与旨在最大化游戏得分的人工智能代理进行误导性比较。

传统强化学习代理会根据奖励目标调整参数。其训练过程直接追求更好的表现。相比之下，连接组模拟可能优先考虑生物学合理性、回路解释或假设生成。

这些目标仅有部分重叠。一个系统可能具有科学研究价值，却玩得很差。反过来，一个高度成功的游戏智能体，也可能几乎无法揭示神经系统的运作规律。

这正是病毒式传播的叙事开始产生价值之处。看到一个源自果蝇的控制器在《Doom》中游走，会迫使研究人员找出解剖结构与行为之间缺失的每一座桥梁。

Google 的果蝇连接组提供了生物结构，游戏则提供了可测量的环境，而两者之间的模拟揭示了下一步必须检验哪些假设。

真正的科学检验是预测，而非游戏表现

当一个基于连接组的模型能够预测研究人员可在真实果蝇中验证的生物行为时，它才具有科学价值。

游戏表现能提供即时反馈，但并非最有力的验证标准。《Doom》是为人类玩家设计的，而果蝇的进化环境涉及飞行、行走、觅食、求偶和躲避威胁。

更好的检验方式是考察：模型中的干预是否能够预测真实的神经或行为变化。研究人员可以在模拟中刺激一条感觉通路，识别下游活动，并将这一预测与实验室记录进行对比。

他们还可以先在计算模型中抑制某个神经元，再开展相应的生物实验。若结果一致，就表明该模型捕捉到了回路中具有意义的部分。

完整的中枢神经系统拓展了这些研究机会。研究人员可以追踪刺激如何越过大脑，并进入影响运动的下行通路。早期仅覆盖大脑的图谱无法呈现这条完整路径。

科学家已经利用果蝇连接组研究视觉、味觉、导航和社会行为。新的雄性数据集则为研究性别特异性回路，以及比较不同个体间对应通路，提供了直接机会。

此前的一份雌性大脑图谱包含近 14 万个神经元和超过 5000 万个突触。该研究发表于 2024 年，覆盖的是成年雌性果蝇的中枢大脑，而非完整互联的雄性神经系统。

比较这些资源并不是比拼数字大小。不同数据集可能采用不同的纳入规则、分割方法和连接定义。它们的科学价值取决于覆盖范围、标注质量、准确性以及对具体研究问题的适用性。

雄性连接组与身体相连的覆盖范围，使其对感觉运动研究尤其具有吸引力。它可以帮助科学家研究信号如何跨越多个区域，最终到达与运动相关的神经元。

近期的计算研究正朝着这个方向发展。一项运动研究项目使用源自连接组的图模型控制模拟果蝇身体。这种设定比第一人称射击游戏更贴近动物的自然运动系统。

即使是这类具身模拟，仍然只是近似模型。肌肉、关节力学、感觉反馈、环境接触和内部状态都会影响运动。仅靠连接组无法替代这些系统。

最强有力的研究方案将结合多种证据。解剖学识别可能的通路，神经记录揭示活动，行为实验确立后果，计算模型则检验这些部分能否相互解释。

《Doom》提供了一个可见且可重复的沙盒，但它的科学意义取决于附加其上的实验问题。没有假设、对照条件和可测量的比较，一次撞墙并没有多少意义。

研究人员应将 MaleCNS 模型与替代方案进行比较，包括打乱后的连接组、简化网络、随机图，或具有相近计算预算的普通神经网络。

如果真实连接结构持续产生不同或更符合生物学的行为，这一结果将支持源自连接组的结构价值。若随机图表现相近，那么解剖拓扑带来的增益可能低于预期。

可重复性同样重要。DOOMFLY 公开了代码和方法说明，使其他人能够检查假设并重复实验。独立复现可以揭示结果是否依赖隐藏设置或特定输入映射。

因此，这个病毒式传播的演示提出了一项有价值的挑战。开发者可以让网络在游戏中移动，但神经科学必须判断，这些移动是否真正揭示了有关果蝇的任何信息。

AI 加速了图谱构建，但并未重建心智

将该项目称为 AI 驱动的大脑，容易把三种不同的事物混为一谈：重建软件、解剖数据和行为模拟。

Google 使用机器学习协助从电子显微镜图像中重建神经形态。这些系统解决的是一个计算机视觉问题，即在庞大的图像体积中进行分割。

研究人员仍需进行人工校对和标注。自动化系统可能会错误地合并彼此独立的神经元，或将一个神经元拆分为多个片段。微小的重建错误都可能扭曲推断出的连接关系。

Google 一直在开发可减轻这类人工负担的系统。其合成神经元研究会生成用于训练重建模型的人工神经几何结构。

该公司表示，这一方法提升了 PATHFINDER 重建系统的速度和准确性。不过，更快的分割并不会自动带来更真实的神经功能模拟。

MaleCNS 数据集是 AI 辅助重建的产物。DOOMFLY 则是在该产物基础上构建的独立模拟。其建模神经元不会仅仅因为机器学习协助追踪了它们的形态，就继承所谓的智能。

在评估数字大脑相关说法时，这一区分至关重要。几何上准确的神经元重建描述的是解剖结构，动态神经元模型估算的是活动，而认知模型则需要解释感知、记忆、学习和行动。

没有任何一个层次能保证下一个层次。即便连接结构准确，如果模拟采用薄弱的生理学假设，仍可能产生不准确的活动。某一回路中的活动准确，也未必能够解释整个动物的行为。

与人类的比较让这些限制更加清晰。Google 指出，对人脑约 860 亿个神经元进行图谱绘制，仍超出当前能力范围。规模只是障碍之一。

人类连接组还需要包含突触属性、分子状态、可塑性、发育过程以及与身体的互动信息。即使拥有完美的结构图谱，也不会自动重建个人记忆或意识。

果蝇项目之所以有价值，恰恰是因为它让这些问题变得更易处理。研究人员可以在一个拥有复杂行为、但神经系统相对紧凑的动物身上检验全网络层面的想法。

该数据集还为改进计算方法提供了平台。工程师可以在相当大的规模上研究图处理、稀疏模拟、可视化、存储，以及受生物约束的学习。

这些技术进步可以支持涉及斑马鱼和小鼠部分脑区的更大型项目。Google 已经在参与脊椎动物图谱绘制工作，其中包括将神经结构与记录到的活动相结合的数据集。

结合结构与活动是关键一步。静态图谱告诉科学家信号可能在哪里传播，记录到的活动则显示在特定条件下哪些路径会被激活。

剩余的压力落在模型构建者身上。他们必须记录生物学证据在何处结束、工程假设又从何处开始。没有这种区分，精美的可视化可能会将探索性软件包装成夸大的主张。

DOOMFLY 在这一点上处理得比许多病毒式传播的摘要更好。其文档明确将神经动态称为近似、将视觉输入称为代理、将控制读出称为工程设计。

这种坦诚不会削弱项目的趣味性，反而指出了其真正成就：开发者如今可以下载一张完整中枢神经系统图，并将其置于一个可检查的软件循环中。

三项信号将表明该演示能否成为有用的科学工具

下一阶段应以可测量的学习效果、生物学验证和独立复现来评判，而不是看有多少游戏接入了 MaleCNS。

第一项信号是持续的行为改进。DOOMFLY 需要预先定义、会随训练而变化的指标，同时确保基线系统保持可比性。

存活时间是一种可能的衡量方式。研究人员还可以追踪每分钟受到的伤害、运动多样性、躲避敌人的能力，或在受控环境中的推进进度。

结果应在多个随机种子和初始条件下出现。一次成功运行可能源于游戏随机性、初始化选择，或恰好有利的控制映射。

消融测试会让证据更有力。开发者可以移除多巴胺刺激、打乱选定连接，或以匹配的随机图替换连接组。

如果破坏具有生物学相关性的结构后学习能力消失，模型就会更具信息价值。若每种网络都同样有所改进，结果更多说明的是训练循环本身。

第二项信号是与活体果蝇实验结果的一致性。模型构建者应选择神经科学家可通过成像、刺激或基因干预检验的回路预测。

一个有用的结果可能是识别出：在特定视觉事件之后，哪些神经元会作出反应。另一个结果可能是预测：抑制一条下行通路将如何改变运动。

如果研究人员清晰地公开失败结果，失败仍然具有信息价值。它可能揭示缺失的突触权重、不正确的递质假设，或对感觉系统建模的不完整之处。

成功也不会验证整个数字果蝇。它只会支持特定条件下的特定机制，而这正是可靠的计算神经科学取得进展的方式。

第三项信号是独立复现。其他团队应能够运行公开图谱、复现神经响应，并比较不同的动力学方案。

共享基准将有所帮助。它们可以定义感觉输入、预期输出、计算需求和生物学测量，而不必强制所有项目使用同一套软件栈。

公开数据集使这种协作成为可能。挑战在于保留足够的方法学细节，以区分真正的复现与另一场视觉上相似的演示。

《Super Mario 64》和未来的游戏实验仍然可以作出贡献。不同环境会以不同方式考验导航、时机把握、记忆和行动选择。当每个环境对应一项明确假设时，它们最有价值。

单纯增加游戏数量会削弱信号。一系列娱乐性移植可能会鼓励越来越宽泛的主张，却无法改进底层模型。

开发者、AI 研究人员和知识工作者都应关注，因为 MaleCNS 展示了开放科学数据能够带来什么。一项机器可读的研究资产几乎可以立即从论文走向公众实验。

这种速度也增加了解读的负担。任何关注此类复杂项目的人，都需要保存论文、代码变更、假设和相互矛盾的结果。一个可搜索的知识库能够在证据演变过程中，让这些材料保持关联。

Google 果蝇连接组作为基础设施已经取得成功。它提供了一项详细、可访问的解剖资源，覆盖感觉区域、大脑和运动通路。

它能否成为可靠的行为预测引擎，仍未有定论。值得关注的是受控的学习曲线、实验室验证，以及与替代网络之间可复现的比较。

如今，正确的问题已不再是果蝇连接组能否接入 Doom。答案显然是可以。更难的问题在于，它的行为能否教会我们一些传统控制器无法揭示的东西。