Эксплейнер · часть 2
Как проводка начинает «думать»: от LIF-нейрона до Doom
Граф сам по себе ничего не делает. Нужно решить, как нейрон копит заряд, когда стреляет и что происходит на другом конце провода.
В 2024 году Филип Шу (тогда Berkeley, теперь — глава инженерии Eon Systems) с коллегами сделали самую простую вещь из возможных: взяли все 139 255 нейронов FlyWire и объявили каждый «дырявым конденсатором». Это модель leaky integrate-and-fire: мембранный потенциал растёт от входящих спайков, утекает к покою с постоянной времени ≈ 20 мс и, дотянув до порога, выдаёт спайк и сбрасывается. Вес каждой связи — число синапсов, умноженное на одинаковый для всех «квант» и на знак: ацетилхолин — «плюс», ГАМК и глутамат — «минус» (у дрозофилы глутамат в центральном мозге работает в основном как тормозной медиатор; знак предсказан нейросетью по электронным снимкам).
Никаких обучаемых параметров. Никаких индивидуальных настроек. И тем не менее модель воспроизвела известные из экспериментов рефлексы: стимулируешь сахарные рецепторы — активируется моторный нейрон хоботка; добавляешь горькое — активация подавляется; трогаешь антенны — включается цепь груминга. Совпадение с экспериментами — около 91 %. Считалось всё на ноутбуке.
Теперь соединим несколько таких нейронов по мотивам реальной вкусовой цепи мухи. Слева — сенсорные нейроны (сахар, горькое), в середине — интернейроны центрального мозга, справа — моторный нейрон хоботка MN9. Это игрушечная схема на два десятка узлов, а не фрагмент датасета, но логика та же, что и в полной модели: возбуждение по цепочке, торможение на перекрёстке.
Так что делает муха, когда «играет в Doom»?
Doomfly Алекса Вормута — самый документированный из демо-проектов, поэтому разбираем его. Схема одинакова для Mario, Minecraft и Beat Saber, различаются только назначения нейронов. Нажмите на любой блок: подпись показывает, что здесь взято из биологии, что придумано инженером, а что — допущение между ними.
Схема выше — статичная. Ниже тот же цикл крутится вживую, но на игрушечном мозге: ≈ 300 LIF-нейронов, собранных по тому же рецепту (сетчатка → центр → нисходящие нейроны, 80 % возбуждения и 20 % торможения, клетки Кеньона с дофаминовой пластичностью), а не на реальном датасете. Слева — то, что «видит» движок, справа — что происходит в голове. Два переключателя внизу — главный аргумент раздела.
Обратите внимание на последний блок. В базовой версии Doomfly веса зафиксированы — «обучения нет». В экспериментальной версии автор добавил дофаминовое подкрепление: каждое ранение на 200 мс стимулирует два нейрона PPL101, а те по правилу, срисованному с реальной биологии грибовидного тела (дофамин + активная клетка Кеньона → ослабление синапса на выходной нейрон MBON), меняют 4 184 связи. Это единственное место в схеме, где что-то может измениться от опыта. И автор пишет прямо: версия v6 «не прошла свои же проверки на зрение, обусловливание и выживание».
Ловушка интерпретации. Если модель стреляет спайками на любой вход, а инженер назначил «правый минус левый DNp20 = поворот», муха будет поворачиваться. Это не значит, что она «видит» монстра. Точно так же случайно перемешанная проводка будет «поворачиваться». Единственный способ отличить одно от другого — контрольная группа. К счастью, два человека её сделали.
Контрольная группа: перемешанная проводка
Oruk Labs взяли 499-нейронный фрагмент MaleCNS, подали в него аудио (лог-мел-спектр через случайную проекцию) и обучили только линейный «ридаут» распознавать эмоции в речи. Это классический reservoir computing: сеть не учится, учится лишь тот, кто её слушает. Затем перемешали адресатов всех связей, сохранив число и знаки. Результат: настоящая проводка — 16,84 % mAP, перемешанная — 16,88 %, константа — 9,71 %. Резервуар помогает; мушиность резервуара — нет.
Тот же Вормут через неделю после Doom выпустил FLM — «Fly Language Model»: весь MaleCNS как резервуар, прикрученный к замороженной языковой модели на 1,2 млрд параметров. Обучаемых весов — 278 528 (0,024 %). Потери снизились с 1,382 до 1,360 нат/токен — а контроль без графа, с тем же ридаутом, оказался лучше во всех трёх запусках. Статья называется «Flies are all you need» — и это ирония, которую авторы подчёркивают сами.
Что это значит. Не «коннектом бесполезен», а «на чужой задаче со случайным входом структура мухи ничем не лучше случайной». Чтобы структура заработала, входы и выходы должны совпадать с теми, для которых эволюция эту структуру собрала: реальные фоторецепторы, реальные нисходящие нейроны, реальное тело. Ровно это и пытаются сделать Eon и авторы «телесных» демо — и ровно там возникает следующая проблема.
Eon Systems: тело, которое умеет слишком много
7–10 марта 2026 Eon Systems выложили ролик и технический разбор. Мозг — LIF-модель FlyWire (≈ 140 000 нейронов, 50 млн синапсов) плюс зрительная сеть Lappalainen et al. (64 типа клеток оптической доли, обученная по коннектому). Тело — NeuroMechFly v2 из EPFL: 3D-модель мухи с 87 суставами на физическом движке MuJoCo, с готовыми модулями зрения, обоняния и осязания. Мозг и тело синхронизируются каждые 15 мс.
Что в итоге умеет виртуальная муха: идёт на запах и вкус (фуражировка), чистит антенны от «виртуальной пыли», вытягивает хоботок при контакте лапок с сахаром. Реакция бегства на приближающийся объект «детектируется в мозге, но в теле ещё не реализована».
А теперь — где тонко. Eon сами пишут, что используют «небольшой набор нисходящих сигналов как рукоятки управления»: DNa01/DNa02 — поворот, oDN1 — скорость, антенные нисходящие нейроны — груминг, MN9 — кормление, гигантское волокно — бегство. Дальше «низкоуровневые контроллеры превращают эти сигналы в моменты в суставах и траектории ног». То есть походку считает не коннектом, а заранее обученный контроллер тела: 15 000 нейронов брюшной нервной цепочки, которые у настоящей мухи координируют шесть ног, в модели отсутствуют. Отсюда две публичные критики — на LessWrong («No, we haven't uploaded a fly yet») и от фонда Carboncopies: «коннектом здесь не генерирует ходьбу, а служит переключателем заранее записанных сценариев»; «замените коннектом простым скриптом — ролик будет выглядеть так же». Обе критики признают инженерную ценность первого замкнутого цикла, но настаивают: эмуляция проверяется не тем, «как хорошо» система выполняет задачу, а соответствием реальной мухе — а такой проверки нет.
