果蝇大脑被“上传”了?下载到电脑里的,到底是什么

有人给它装上虚拟身体，让它走动、摄食、梳理触角；有人把它放进 Minecraft；还有人让果蝇脑模型控制 Doom，在游戏里转向、移动和开火。

看到这些演示，很容易产生一个直觉：科学家已经把一只果蝇的大脑复制进电脑，再给它换了一具身体。

但仔细追问，问题就来了：复制的是神经连接，还是连每个神经元的工作状态也复制了？这个“大脑”要不要训练？如果不用训练就能工作，为什么又有人专门训练果蝇视觉模型？

要看懂这件事，最关键的是分清三个东西：接线图、参数，以及运行时的神经活动。

科学家首先拿到了一张接线图

所谓“连接组”，可以先理解成大脑的接线图：哪些神经元相连，连接方向是什么，两者之间有多少突触。

这张图来之不易。研究者需要对组织进行电镜成像，再通过计算重建和人工校对，把密密麻麻的神经元及其连接辨认出来。FlyWire 的成年雌性果蝇全脑图谱包含约 14 万个神经元和 5000 多万个突触。[1]

2026 年 9 月发布的 MaleCNS 则覆盖雄性果蝇的脑和腹神经索，超过 16.6 万个神经元。腹神经索承担大量身体控制功能，因此这种连续图谱更方便研究感觉信息怎样影响运动。[2]

但接线图记录的是结构。它没有把那只果蝇所有神经元的电压、每个突触的实际作用强度，以及完整的学习和生理状态，一起保存成可执行文件。

下载一张连接图，还需要为它补上“怎么工作”的规则。

图：果蝇脑结构渲染。FlyWire 图库署名：Drosophila brain by Greg Jefferis；Rendered by Amy Sterling for FlyWire。这类图像展示结构，并非某一时刻的完整神经活动。官方图库

知道有 10 个突触，不等于知道它们有多强

举个简化的例子。

扫描告诉我们：神经元 A 和 B 之间有 10 个突触。但 A 发出一次信号，会让 B 受到多大的影响？这个影响持续多久？B 又在什么条件下发出自己的信号？

这些都需要数值，也就是模型参数。

这里最容易混淆的一句话是：“参数已经有了。”

它可能意味着研究者测到了真实数值，也可能只是意味着研究者参考已有实验，给模型填入了一套合理数值。两者都能让程序运行，但证据含义完全不同。

把这点想清楚，“果蝇脑模型到底要不要训练”的问题就容易回答了：训练是确定参数的一种办法。也可以先采用参考值和人工校准值，再固定参数运行。

一种做法：把参数设好，直接运行

Shiu 等人的全脑模型采用简化的神经元规则，按照连接图传播信号。神经元的响应参数取自已有果蝇建模或生理研究；连接强度由突触数量、兴奋或抑制的符号，以及一个统一系数计算。[3]

这个统一系数也经过校准：作者选择它，使指定的糖味输入引发预期水平的摄食运动神经元放电。随后，模型可以在不进行任务训练的情况下，预测部分摄食和触角梳理回路的反应。[3]

因此，说它“不需要训练”，更准确的意思是：它没有通过反向传播逐条学习连接权重，而是用已经设定和校准好的参数做预测。

这已经很有价值。研究者可以在模型中激活或关闭某些神经元，预测下游怎样变化，再去真实果蝇上检查。

另一种做法：让任务帮我们补参数

FlyVis 研究的是果蝇视觉系统的一部分。它与上述全脑模型是不同的研究，不能理解成“给同一颗下载好的大脑又训练了一遍”。

研究者保留视觉连接结构，把不确定的神经元和突触参数交给训练确定。任务很具体：看视频，预测画面各处往哪儿移动、移动多快，也就是光流估计。预测错了，就通过时间反向传播调整参数。[4]

图：Lappalainen 等，Nature（2024），Fig. 1。原图展示连接结构、神经元模型和运动估计任务如何结合。图中包含第三方绘图元素；发布用图说明见素材清单。

它更有意思的结果发生在训练之后：主训练没有逐个要求神经元模仿实验记录，但模型对亮暗和运动方向的许多反应，与真实果蝇对应细胞的生理结果相符。作者与 26 篇已有研究的数据作了系统比较。[4]

这也是我认为这项 Nature 工作有分量的地方：不仅完成了一个视觉任务，还展示了如何利用结构和任务，推断内部细胞可能在做什么。它仍然是有简化假设的模型，也没有证明果蝇自己使用反向传播学习。

那些会玩游戏的果蝇，又是什么情况？

回头再看视频，就能把几件事分开了。

Eon 将连接组脑模型接入虚拟身体，形成感觉—动作闭环。作者的技术说明同时写明：身体动作依赖底层控制器，部分脑与身体的映射由人工设定，学习和内部生理状态等仍有较大缺失。[5]

Minecraft 演示 NeuroCraft Fly 则通过选定的神经活动读出，选择和调节预先编写的身体行为程序。脑模型参与计算，但画面里的每个动作细节并非都由完整生物运动回路重建出来。[6]

DOOMFLY 又向前试了一步：把受伤变成模拟奖惩信号，让部分脑内连接随活动发生变化。不过，当前公开仓库明确说明，实验版尚未通过学习效果验证，不能据此宣称它已经学会更好地生存。[7]

这些尝试的共同价值，是让连接组模型进入可交互的环境。而评估时，要分别回答三个问题：模型能不能运行？它能不能影响动作？训练后，它是否稳定地把任务做得更好？

一次有趣的动作，或者一段看起来像“学会了”的录像，还不足以同时回答这三个问题。

真正值得期待的，是我们开始能检验这些问题

数字果蝇吸引人的地方，当然包括那些仿佛“活过来”的画面。但从研究角度看，更重要的是我们终于拥有了一种具体工具：从真实生物结构出发，建立能运行的模型，改变其中的连接或参数，观察结果，再与实验比较。

它让一些原本抽象的问题变得可以测试：一种能力有多少来自连接结构？缺失的参数需要怎样补齐？任务训练会让模型更接近真实神经系统，还是让它走向另一种解法？

对 AI 研究来说，这也提供了一个机会：仔细研究生物网络如何组织计算，再检验其中的机制能否帮助人工系统。至于是否更聪明、更省电，需要相应的任务实验和测量，不能从一段演示直接得出。

下次再看到“果蝇大脑被上传了”，可以先问三个朴素的问题：复制了哪些结构？参数从哪里来？究竟验证了什么能力？

答案往往比标题更复杂，也更值得了解。

资料与开源入口

本文资料核查日期：2026-09-20。基于论文、作者技术说明和公开项目文档整理，未在本地复现模型。视频作为观看素材，科学结论以原始资料为依据。

1. FlyWire 官方项目介绍

2. Google Research：MaleCNS 发布说明

3. Shiu 等：A Drosophila computational brain model reveals sensorimotor processing；模型代码

4. Lappalainen 等：Connectome-constrained networks predict neural activity across the fly visual system；FlyVis 代码与训练教程

5. Eon：具身果蝇的实现与限制；脑模型代码

6. NeuroCraft Fly 项目说明与演示

7. DOOMFLY 源码与当前结果；在线观战入口