После публикации оцифрованного мозга дрозофилы (коннектома проекта FlyWire) сеть заполонили демонстрации, где виртуальная муха якобы водит автомобиль или играет в классические 3D-шутеры. Однако за зрелищными роликами часто скрывается базовая трансляция зрительно-моторных реакций без реального обучения. Практические испытания изолированного коннектома показывают: архитектура насекомого имеет строгие аппаратные ограничения, из-за которых сложные задачи вызывают катастрофическое забывание.
Как устроен цифровой мозг мухи
Для тестов используется библиотека onnxaa/fly-brain, содержащая полную карту нервной системы дрозофилы (~138 тысяч нейронов и 15 миллионов синапсов). Большинство вычислительных экспериментов фокусируются на грибовидном теле (mushroom body, MB) — структуре из примерно 6300 нейронов, отвечающей за ассоциативную память.
В отличие от классического обучения с подкреплением (Reinforcement Learning), где веса плавно корректируются с помощью learning rate, биологическая модель работает через бинарный дофаминовый триггер:
- Вызов
step(odor=...)подает вектор возбуждения на входные ALPN-нейроны и возвращает оценку реакции. - Метод
train(reward=..., punish=...)производит жесткий сдвиг синаптических весов фиксированного размера (~15%). Плавно масштабировать величину подкрепления невозможно.
Многорукий бандит и сравнение чисел: врожденные предпочтения
На элементарных тестах с выбором наиболее выгодного стимула («многорукий бандит») коннектом мухи не уступает табличному алгоритму Q-learning. Однако у необученной биологической сети обнаружилась сильная врожденная асимметрия: по умолчанию модель стабильно предпочитала один стимул другому. Чтобы выровнять шансы, потребовалось ввести принудительное предварительное исследование каждого варианта (минимум 8–10 шагов).
В задачах сравнения величин коннектом также показал высокую точность (до 95–100%), причем успешно справился даже с позиционной записью чисел, начав сдавать позиции только на 9-значных значениях.
Лабиринт: нехватка каналов и катастрофическое переобучение
Реальные проблемы начались при переходе к задачам с последовательным принятием решений. В лабиринтах разного масштаба проявились два критических барьера биологической проводки:
| Размер лабиринта | Количество проходимых клеток | Результат коннектома без доработок | Поведение с внешним гейтом |
|---|---|---|---|
| Малый | 26 | Успех (~99%, уровень Q-learning) | Не требовался |
| Средний | 72 | Успех (~99%) | Не требовался |
| Большой | 113 | Провал (успех ~3.2%, 295 шагов на путь) | Успех 99% при фиксированном старте, спад до 75% при случайном |
| Сверхбольшой | 316 | Полный коллапс (0% успеха) | Краткий пик до 60% с быстрым падением в ноль |
Причины деградации на больших дистанциях:
- Аппаратный лимит входов: из 685 входных нейронов за один шаг сигнала активируются только 302. Чтобы закодировать 452 пары «клетка-действие» в лабиринте на 113 клеток, пришлось внедрить разреженное k-hot кодирование.
- Стирание памяти при постоянном подкреплении: поскольку шаг обучения неизменен, многократное прохождение знакомых зон разрушает веса для соседних клеток. Проблему удалось частично купировать созданием «гейта» — механизма, запрещающего вызывать
train(), если сеть уже выбирает правильное действие с заданным запасом (margin 0.05). - Анатомический предел различимости: в лабиринте на 316 клеток даже абстрактные отпечатки коннектома показали худший результат (41–45%), чем простой случайный шум (69–73%). Внутренние паттерны активации для разных клеток накладываются друг на друга и перестают разделяться.
Крестики-нолики и зрительный тракт
Попытка научить модель играть в крестики-нолики подтвердила склонность биологической сети к саморазрушению: в режиме самоигры (self-play) результат чистого коннектома быстро рухнул до нуля при дрейфе весов в 19.6%. Ситуацию спасло только искусственное сокращение пространства состояний в 6 раз за счет симметрии доски.
Финальным тестом стала обработка визуального сигнала через зрительные рецепторы:
- Распознавание цифр (0–4): точность застряла на уровне 45%. Коннектом не смог разделить внутренние коды изображений (пересечение паттернов достигало 77–84%) и свел большинство ответов к одной цифре.
- Подсчет объектов: несмотря на то, что в первичной зрительной зоне сигнал идеально коррелировал с числом фигур (r = 0.977), грибовидное тело так и не смогло трансформировать эту информацию в правильное действие, показав точность всего около 20%.
Коннектом насекомого идеально приспособлен для быстрой выработки простых ассоциаций, но архитектурно не рассчитан на удержание сотен схожих состояний или абстрактную обработку сложных визуальных образов без специализированных эволюционных структур.