Специальный выпуск о дрозофиле 3. Мозг дрозофилы в Minecraft — нервная система, которая работает только на схеме соединений

Что делает эта игра — три ингредиента в одном

В Minecraft добавляют моба-дрозофилу, а в его голове целиком запускают настоящую нервную систему дрозофилы. То, что моб видит, чует и пробует на вкус, возбуждает настоящие сенсорные нейроны, а по активности настоящих нисходящих нейронов и мотонейронов моб двигается. Каждая муха запускает свой собственный мозг в отдельном потоке в реальном времени.

Ингредиент 1 · Схема соединенийКоннектом всей нервной системы самца дрозофилы

Вся центральная нервная система — мозг вместе с вентральной нервной цепочкой (аналогом спинного мозга у насекомых). Использованы открытые данные статьи Berg и др., опубликованной в Cell 3 сентября 2026 года (neuPrint male-cns:v1.0). Мод был создан в тот же день, когда вышла статья.

Ингредиент 2 · Модель нейронаВсе нейроны — одна и та же деталь «интегрировать-и-сработать с утечкой»

Мод в точности повторяет подход, который Shiu и др. (2024, Nature) использовали для симуляции всего мозга дрозофилы. Никаких индивидуально подобранных параметров для отдельных нейронов нет: число синапсов в связи и есть сила связи.

Ингредиент 3 · Тело и мирМир Minecraft и тело моба

Яблоки, торт, паучьи глаза, дождь и бросающийся игрок становятся сенсорным входом, а команды мозга — движениями моба: ходьбой, едой, прыжком, чисткой. Эту часть люди сделали вручную.

Экран Minecraft: летящий моб-дрозофила, слева карта нервной системы, справа панель нейроскопа — **Настоящий экран игры.** В центре — моб-дрозофила (Fly-1 ♂), слева — «карта мозга» по клавише B (вверху зрительные доли и мозг, внизу вентральная нервная цепочка), справа — «нейроскоп» по клавише H (моторные каналы, частота разрядов групп нейронов, спайки за тик, сетчатка). Раздел Наблюдение за поведением ниже повторяет эту панель.

Коннектом, построенный из блоков цветного стекла: слева мозг, справа вентральная нервная цепочка — **Коннектом из блоков.** Команда `/flybrain build` строит 141,781 нейрон с восстановленным положением тела клетки из блоков цветного стекла, окрашенных по областям. Когда нейрон подключённого моба срабатывает, соответствующий блок вспыхивает морским фонарём.

Коротко

Если две предыдущие страницы считали сутью нейросети «исправление силы связей на основе опыта», то этот мод проверяет, «как далеко можно зайти, если взять силы связей прямо из схемы соединений». Обучения нет. Чисел, заданных человеком, тоже мало. Важнее всего общий коэффициент усиления 0.65, на который умножаются все связи; кроме него есть множитель 0.25 для входа клеток Кеньона и правило «связи меньше чем с 5 синапсами отбрасываются».

Исследования дрозофилы, на которые опирается игра

Мы сгруппировали по ролям исследования, цитируемые в README и справочном документе (REFERENCE.md) репозитория. Главных работ две: что соединено определила работа Berg и др. (2026), а как это запускать — Shiu и др. (2024).

Ключевая ① · Схема соединений

Berg и др. (2026): коннектом всей центральной нервной системы самца дрозофилы

Мозг и вентральную нервную цепочку сняли единым электронно-микроскопическим изображением и проследили все нейроны и синапсы. Это также первое исследование, сравнившее мозг самца и самки на уровне отдельных синапсов.

Cell 189(18):5504–5526 · doi:10.1016/j.cell.2026.08.015

Ключевая ② · Модель нейрона

Shiu и др. (2024): вычислительная модель всего мозга дрозофилы

Все нейроны схемы мозга самки из FlyWire запустили как детали «интегрировать-и-сработать с утечкой», предсказали сенсомоторные пути вроде «вкус сахара → вытягивание хоботка» и подтвердили их в экспериментах. Уравнение нейрона и числа в моде взяты прямо из этой статьи.

Nature 634:210–219 · doi:10.1038/s41586-024-07763-9

Инструменты данных

Plaza и др. (2022): neuPrint

Открытый инструмент для запросов к коннектому. Все имена нейронов в моде (DNp01, MN9 …) — это названия типов клеток в neuPrint, так что любой нейрон с экрана можно сразу найти в интернете.

Front. Neuroinform. 16:896292

Сопутствующие статьи о сенсорике

Зрительная система · вкусовой коннектом

Nern и др. (2025) — полный каталог зрительной системы, Hoeller и др. (2026) — зрительные пути, Tastekin и др. (2026) — коннектом вкуса и питания. Они помогли решить, в какие сенсорные нейроны подавать игровой вход.

Nature 641 · Cell 189(18), 2 статьи

Основания для моторной части

Нисходящие нейроны и поведение

Ходьба и остановка (Sapkal 2024), повороты (DNa02), гигантское волокно и бегство от приближающегося объекта (von Reyn 2014, Ache 2019), посадка (Ache 2019), чистка антенн (Hampel 2015), сила взмахов крыльев (Namiki 2022). На них основаны правила, по которым активность нейронов переводится в движения моба.

Nature · Nat Neurosci · eLife · Curr Biol

Вентральная нервная цепочка · половые цепи

Коннектом MANC и половой диморфизм цепей

Исследования вентральной нервной цепочки самца Takemura и др., Marin и др. (2024), Cheong и др. (2026), а также работа Rubin и др. (2026) о специфичных для самцов нейронах (pC1, P1). На них основано подключение брачной песни, но эта функция пока не продемонстрирована.

eLife 13 · Curr Biol (2026)

Почему числа немного расходятся. В аннотации статьи насчитано 166,700 проверенных нейронов. Мод симулирует все 176,422 записи, загруженные из набора данных neuPrint, а блочную конструкцию строит из 141,781 нейрона с восстановленным положением тела клетки. Похоже, разница возникает из-за разных критериев подсчёта.

Связь с предыдущей страницей. Коннектом FlyWire (2024), на который ссылалась страница ①, — это та самая схема мозга самки, которую использовали Shiu и др. (2024). Мод применяет тот же метод к более крупной нервной системе самца (мозг + вентральная нервная цепочка).

От мозга до вентральной нервной цепочки — путь сигнала в игре

К 3D-мозгу с предыдущей страницы мы добавили вентральную нервную цепочку (вытянутый блок внизу), шею и хоботок: ведь мод запускает не только мозг, но и мотонейроны, которые двигают ногами и крыльями. Выберите сцену — и зелёный сигнал пройдёт по реальному пути связей. Это схематичная модель, а не реальные анатомические данные.

Сцена

Об областях

Вычисление одного нейрона — вода в дырявом ведре

Все 170 тыс. нейронов — одна и та же деталь. Когда приходит входной спайк, напряжение растёт, а если оставить нейрон в покое, оно утекает обратно к потенциалу покоя. Перейдя порог (−45 mV), нейрон испускает спайк и сразу возвращается к −52 mV. Это «сверхпростая модель» y = [w·x ≥ θ] со страницы ①, к которой добавили время и утечку.

Частота разрядов входного нейрона

Число синапсов в одной связи

Общее усиление

Искусственный нейрон со страницы ①

Суммирует вход × вес: если сумма превысила порог — 1, иначе 0. Времени нет, поэтому ответ появляется в момент поступления входа. Веса определяются обучением.

LIF-нейрон этого мода

Вход накапливается во времени и утекает. Поэтому важно, «как часто и насколько одновременно» он приходит. Вес фиксирован: число синапсов из схемы × 0.275 mV × усиление 0.65.

Как определяются возбуждение и торможение — знак тоже из схемы

Знак связи определяется нейромедиатором, который выделяет нейрон. Ацетилхолин, дофамин, серотонин и др. — возбуждение (+), ГАМК, глутамат, гистамин — торможение (−). У одного нейрона все выходы одного знака (принцип Дейла). В итоге получается 116,390 возбуждающих и 60,032 тормозных нейрона. Пункт «тормозный синапс — отрицательный вес» из итоговой таблицы страницы ① здесь задаётся прямо схемой соединений.

Панель наблюдения за поведением — даём стимул, смотрим на нейроны, читаем поведение

Повторяет экран «нейроскопа» мода (клавиша H). Выберите сцену: стимулируются сенсорные нейроны, сигнал проходит через промежуточные нейроны, а частоты разрядов нисходящих и мотонейронов через «лестницу приоритетов» декодера превращаются в поведение. Бледная полоса на столбиках — реальный измеренный диапазон из журнала проверки репозитория (VALIDATION.md).

Сцена

Мир Minecraft→ Сенсорные нейроны · пуассоновские спайки→ Мозг · расчёт 50 ms→ Разряды нисходящих и мотонейронов→ Декодер · приоритеты→ Поведение моба

Частота разрядов групп нейронов (Hz)

Лестница приоритетов декодера (слева — самый сильный)

Как декодер выбирает поведение

21 командный канал (вперёд, поворот, назад, стоп, прыжок, еда, чистка …) строится сложением частот разрядов групп нейронов. Если одновременно включены два и больше, побеждают в таком порядке: бегство > посадка > полёт > резкая остановка > стоп > назад > вперёд > еда > чистка > песня. Начавшееся поведение длится минимум 250 ms и прекращается, только когда сигнал падает ниже половины порога. Какие нейроны включатся, решает схема соединений, но эту лестницу и пороги задали люди.

Самая важная ручка настройки — общий коэффициент усиления

Значение 0.275 mV на синапс у Shiu и др. подобрано для мозга самки (FlyWire). В нервной системе самца на нейрон приходится больше синапсов, и если взять это значение как есть, вся сеть перевозбуждается. Поэтому тем же методом, что и в статье, заново подобрали один коэффициент усиления, на который умножаются все связи.

Усиление

В этом моде

Выбрали наименьшее значение, при котором выполняются все три условия: ① вход «сахар» надёжно включает мотонейроны хоботка; ② пути чистки и бегства стабильны; ③ клетки Кеньона в центре обучения молчат. При 0.55 питание слабое, при 0.75 активность идёт вразнос.

В терминах глубокого обучения

Отдельные веса не трогают, а гиперпараметр вроде масштаба инициализации подбирают на валидационных экспериментах. Множитель 0.25 для клеток Кеньона — поправочный коэффициент, применённый только к одному слою. И, как в глубоких нейросетях, при слишком большом значении активации разрастаются от слоя к слою — сеть «идёт вразнос».

Что берётся из схемы соединений, а что сделали люди

Лучшее в этом репозитории — то, что он сам проводит эту границу. В README сказано: «главное в этом проекте — честность в последней колонке (источник)». Каждому поведению присвоена метка: эмерджентное (само возникает из схемы), вручную (дублёр, сделанный людьми) или смешанное.

Осторожно с границами «эмерджентности». Здесь «эмерджентное» означает «возникло внутри этой компьютерной модели без заданных правил». Это не результат, проверенный на живых самцах дрозофилы, а итог автоматических тестов (бенчмарков), где модель запускалась без игры. Часть тех же путей (сахар → MN9, чистка) Shiu и др. (2024) уже предсказывали на модели мозга самки и подтверждали в опытах на животных.

Поведение	Триггер в игре	Путь в схеме соединений	Источник

Что само возникает из схемы соединений

Какие нисходящие и мотонейроны включаются при каком сенсорном паттерне · горечь, выключающая питание на стадии прямо перед моторикой · асимметрия поворотов влево и вправо · противоборство ходьбы вперёд и назад · решение о прыжке по одному-единственному спайку гигантского волокна · выбор участка тела для чистки

Дублёры, сделанные людьми

Отрисовка сетчатки и адаптация к яркости · карта запахов и затухание с расстоянием · коэффициент перевода частоты разрядов в блоки/с · пороги и лестница приоритетов · физика полёта и посадки · прямая подача сигнала приближения в LC4 и LPLC2 · множитель 0.25 для входа клеток Кеньона · рефлекторный слой движения на запах

Известные ограничения (документация репозитория). Все нейроны используют одинаковые параметры · при восприятии запаха антеннальная доля насыщается, и сигнала направления нет · путь движения в медулле (T4·T5) молчит · нет нейромодуляторов, нейропептидов, электрических синапсов и спонтанной активности · связи меньше чем с 5 синапсами отброшены · самки тоже используют мозг самца · не доверяйте абсолютным значениям частоты разрядов — смотрите только на паттерн того, какие группы реагируют.

Перенос — как устройство мода выглядит на фоне других ИИ

Это нейробиологический проект, но по устройству он во многом похож на современные системы ИИ. Для тех, кто изучает или преподаёт генеративный ИИ, а также для тех, кто внедряет ИИ на практике, мы собрали соответствия.

В терминах генеративного ИИ

Перенос в свою систему — если вы сочетаете правила и обучение

Пределы аналогии. Веса большой языковой модели не спроектированы человеком, а выучены по данным, тогда как веса этого мода — измеренная проводка реального животного. Совпадает лишь внешнее сходство «только вывод с фиксированными весами», а происхождение весов прямо противоположное. И лестница приоритетов, в отличие от выбора инструментов агентом, сравнивает лишь величины частот разрядов без всякого понимания языка.

Сравнение трёх работ — та же дрозофила, разные вопросы

Страница ① — введение в нейросети, страница ② — иллюстрированный разбор статьи об извлечении памяти, и вот этот мод для Minecraft. Все три прослеживают путь «ощущение → мозг → поведение», но различаются тем, что считают настоящим, а что упрощают.

Где находятся три работы

Выберите общую тему

Как читать карту слева

Горизонтальная ось — насколько точно используется реальная схема соединений, вертикальная — насколько центральна перестройка связей на основе опыта. Две предыдущие страницы находятся слева вверху, мод — справа внизу. Правый верхний угол, то есть модели, обучающиеся поверх реальной схемы соединений, — область, которая только зарождается. Яркий пример — Lappalainen и др. (2024, Nature): они сохранили реальные связи 64 типов клеток пути движения в зрительной системе дрозофилы и обучили методами глубокого обучения только неизвестные параметры нейронов и синапсов. Предсказания этой модели совпали с измерениями из 26 исследований. Это тот самый путь (T4·T5), который молчит в этом моде. Однако модели, которая запускала бы целиком мозг и тело и при этом включала обучение и нейромодуляцию, пока нет.

Сравнительная таблица по пунктам

Сходства

Различия

Сравнение архитектур — модель этой страницы vs MLP · RNN · GRU · LSTM · CNN

Нажимайте кнопки, чтобы переключать схемы шести архитектур. Зелёные линии — обучаемые связи, пунктир — фиксированные связи, оранжевые стрелки — память, переходящая через время. Все схемы упрощённые и показывают только принцип.

Шесть архитектур с первого взгляда

Обучаемые связи / все связи (вход 16×16, 3 класса)

Серый столбик — все связи, цветной — обучаемые связи. В моделях глубокого обучения обучается всё, а в моделях дрозофилы большинство связей фиксированы. Тренажёр ниже и код 2 из общего раздела A считают те же числа.

Уровень обоснованности в последней строке: Реальная цепь · измерения модель воспроизводит реальную цепь · Сходство структуры похожа форма связей, но это не доказательство одинаковых вычислений · Нестрогая аналогия · Чистая метафора лишь помогает объяснению, биологического основания нет.

Главное отличие с точки зрения этой страницы

Неожиданно, но больше всего на эту модель в таблице похожа RNN. Обе работают во временном цикле и имеют обратные связи. Решающее различие — происхождение весов. RNN начинает со случайных значений и учится обратным распространением, а эта модель берёт проводку, измеренную электронным микроскопом, как есть. Между ними — метод Lappalainen и др. (2024): проводка остаётся измеренной, а методами глубокого обучения выучиваются только неизвестные значения.

Тренажёр дрозофилы — научите своими рисунками и сразу проверьте

Как в Teachable Machine: ① собираем примеры для каждого класса, ② обучаем, ③ проверяем на новом входе. Все вычисления происходят в этом браузере, рисунки и видео с веб-камеры никуда не отправляются. Чтобы запустить ту же модель в коде, используйте код 2 из общего раздела A.

① Сбор данных

② Обучение

Модель

Эпохи30

Скорость обучения0.05

③ Предпросмотр

Вход

Экспорт

Продолжить в коде 2 →

Загрузка · сохранение

Собранные примеры автоматически сохраняются в этом браузере и не пропадают после перезагрузки. Экспортированные JSON данных и модели можно загрузить снова.

С чего начать: нажмите «Заполнить примерами» или нарисуйте что-нибудь на холсте и нажмите «Добавить рисунок» у нужного класса. Название класса можно изменить, нажав на него.

Общее с Teachable Machine

Последовательность «создать классы → собрать примеры → обучить → предпросмотр в реальном времени → экспорт», вход с веб-камеры и выполнение всех вычислений в браузере.

Отличия

Teachable Machine использует перенос обучения: поверх признаков, заранее извлечённых большой моделью изображений (MobileNet), обучается лишь маленький классификатор. В этом тренажёре модель этой страницы учится на рисунках 16×16 с нуля. Поэтому она подходит для простых фигур и плохо справляется со сложным входом вроде фотографий. Зато она прямо показывает точность на валидации и число обучаемых связей.

Итоги на одной странице

Что показали две предыдущие страницы

Искусственные нейросети, заимствующие принципы мозга, решают задачи, исправляя силу связей на основе опыта. Грибовидное тело дрозофилы тоже меняет связи с помощью дофамина, связывая запах с результатом, а эта память превращается в поведение через цепь инстинкта (латеральный рог).

Что показал этот мод

Если взять силы связей прямо из схемы соединений, то даже без обучения питание, отказ от горького, прыжок и чистка возникают в нужных нейронах. И наоборот, то, что требует обучения и регуляции, — например, движение на запах, — пока выполняют дублёры, сделанные людьми.

Главное 1. Одна лишь структура (проводка) порождает много форм поведения. Значительная часть врождённого поведения дрозофилы записана в самих связях.

Главное 2. Обучение и память (грибовидное тело, дофамин) — пустое место в этом моде. Клетки Кеньона намеренно оставлены молчащими, нейромодуляторов нет. Цепь извлечения памяти со страницы ② — как раз это пустое место.

Главное 3. Все три работы отмечают, «насколько это настоящее». Страницы — жёлтыми штампами, мод — метками «эмерджентное/вручную». Это самая важная привычка, когда наука объясняется простыми словами.

Вернуться: ① Путешествие по мозгу дрозофилы — от ощущения к распознаванию · ② Выученная память извлекается через цепь инстинкта

Код для Colab — запустите эту страницу сами

Оба кода используют только библиотеки, которые предустановлены в Colab. Нажмите «Скачать блокнот (.ipynb)» и откройте его в Colab через Файл → Загрузить блокнот или скопируйте код в ячейку нового блокнота.

Код 1 · LIF-сеть с весами, зафиксированными схемой соединений, на NumPyСвязан с разделами «Один нейрон» и «Наблюдение за поведением» · numpy · CPU меньше 1 с

Строим фиксированные веса как число синапсов × 0.275 mV × усиление 0.65 (знак задаёт нейромедиатор), стимулируем 20 сенсорных нейронов с частотой 120 Hz и делаем 100 шагов по 0.5 ms. Ни одного обучаемого веса. Чтобы подставить свои данные, загрузите syn (матрицу числа синапсов) из файла реального коннектома.

Результат запуска (запущено 2026-10-04, numpy 2.4 · CPU). Зерно генератора случайных чисел фиксировано, поэтому результат всегда одинаков.

Код 2 · Пять обычных моделей глубокого обучения против трёх моделей дрозофилы на PyTorchСвязан с разделом «Практикум: сравнение архитектур и тренажёр» · torch, numpy, matplotlib · CPU около 1 мин

MLP, CNN, RNN, GRU, LSTM и три модели дрозофилы обучаются на одних и тех же рисунках. В спайковой модели с фиксированной проводкой (ConnectomeLIF) связи 160 скрытых нейронов зафиксированы, обучается только слой декодера. В ячейке 8 строится запись спайков.

Результат запуска (запущено 2026-10-04, PyTorch 2 · numpy 2.4 · CPU). Обучение проведено отдельно с двумя зёрнами. Числа могут меняться в зависимости от зерна, версий и оборудования.

Чем это отличается от обычного кода глубокого обучения

Пункт	Код 1 (спайковая сеть с фиксированной проводкой)	Обычный код глубокого обучения
Источник весов	Число синапсов по данным электронной микроскопии × 0.275 mV × усиление	Случайная инициализация и обучение
Обучение	Нет (люди подстраивают лишь несколько значений, например усиление 0.65)	Все связи обучаются с суррогатным градиентом
Производная спайка	Не нужна (ведь обучения нет)	Ступенчатая функция, градиент равен 0 → обход через суррогатный градиент
Обработка времени	0.5 ms × 100 шагов = 1 игровой тик	Временной цикл из 20 шагов + обратное распространение во времени
Масштаб	176 тыс. нейронов, 6,29 млн связей (в примере 500)	Обычно от сотен до тысяч нейронов
Цель	Предсказать и объяснить, что сделает реальный мозг	Качество на задаче (точность)
Интерпретация выхода	Декодер, созданный людьми (лестница приоритетов)	Выходной слой сразу даёт оценки классов

Показать обычный код глубокого обучения для сравнения (snn_surrogate_gradient.py, PyTorch)

Промпты для ИИ — этот код как отправная точка

Эти промпты можно вставить в ИИ-помощника вроде ChatGPT, Qwen или Claude. Если нажать «Копировать», к промпту добавится выбранный код. Замените текст в 〔〕 на свою ситуацию.

Приложить код

Ответ ИИ — лишь отправная точка. Предложенные статьи, числа и функции библиотек обязательно проверяйте по первоисточникам и официальной документации. Если при подготовке конкурсной работы или статьи вы пользовались помощью ИИ, укажите факт и объём такого использования в соответствии с правилами организаторов и журнала.

Словарь терминов

Это тот же словарь, что и у жёлтых пунктирных подчёркиваний в тексте. Наведите курсор или нажмите на подчёркнутое слово — появится то же объяснение.

Сборник аналогий — и где аналогии ошибаются

Аналогия — первый шаг к пониманию, но и семя недоразумений. Для аналогий с дрозофилой и мозгом указана сила соответствия. Прямое есть данные, что это действительно то же самое · Частичное похожи лишь некоторые свойства · Нет соответствие неизвестно

Понятие	Бытовая аналогия	Аналогия с дрозофилой и мозгом	Где аналогия ошибается
Интегрировать-и-сработать с утечкой	Вода в дырявом ведре: переполнилось — опустошаем и наполняем снова	Прямо Мембранный потенциал настоящего нейрона накапливается от входов, утекает и при достижении порога выдаёт спайк	Настоящие нейроны очень разнообразны по форме и ионным каналам. В этой модели все нейроны используют одни и те же значения
Схема соединений = предобученные веса	Получить карту, составленную другими, и только прокладывать по ней маршрут	Частично Число синапсов, измеренное электронным микроскопом, напрямую используется как сила связи	Веса генеративного ИИ обучены на данных, а схема соединений — это измеренные значения. Источники у них прямо противоположные
Подстройка коэффициента усиления	Повернуть одну общую ручку громкости	Нет	В настоящем мозге нет общей ручки усиления. Это значение подобрал человек, чтобы модель подходила к нервной системе самца
Рефлекторный слой (дублёр)	Человек берётся за руль, когда автопилот замешкался	Нет	Рефлекторный слой — не биологическая цепь, а правила, написанные человеком. Метка [REFLEX] на экране показывает этот момент
Эмерджентность	Каждый муравей прост, а муравейник в целом ведёт себя сложно	Частично Правил никто не закладывал, но из схемы соединений возникают питание и бегство	«Эмерджентность» — результат внутри этой модели. На настоящих самцах дрозофилы это не проверялось

Об авторе и источники

E-1 Об авторе · E-2 Научные источники · E-3 Источники иллюстраций

E-1 Об авторе

Sangsun Ahn (генеральный директор M-Robo Inc.)

Работал в Korea Electrical Safety Corporation и газете Maeil Business Newspaper, затем основал M-Robo Inc. — венчурную компанию, выделившуюся из Maeil Business Newspaper, — и сейчас является её генеральным директором. M-Robo начиналась как внутренний венчур медиакомпании и выросла в медийный стартап: она предоставила газете Kukmin Ilbo робота-журналиста (StockBot) и выполнила множество проектов для Korea Internet & Security Agency, Korea Press Foundation, Korea Communications Agency и других организаций. Сейчас компания развивает собственный ИИ-сервис новостей Money-Robo. На посту генерального директора он победил в хакатоне Asia Open Data Hackathon и дважды получил награду министра внутренних дел и безопасности Республики Корея за вклад в развитие стартапов в сфере данных; он автор и правообладатель пяти патентов в области искусственного интеллекта и блокчейна. Автор книги «Преступления с ИИ и самозащита» (на корейском языке); разрабатывал онлайн-курсы по финтеху, статистике и искусственному интеллекту для Института онлайн-непрерывного образования KOREATECH (Korea University of Technology and Education). Доктор экономических наук (PhD, Dongguk University, микроэкономика и математическая экономика). Преподаёт курсы по данным и ИИ в нескольких университетах, в том числе в Kookmin University и Hoseo University. Подробный профиль

Курсы

Sangsun Ahn (2025). Конспект лекций «Наука о данных для бизнеса» (на корейском языке). Факультет конвергенции ИИ, Open Cyber University of Korea.
Sangsun Ahn (2025). [K-Digital] Обработка естественного языка с помощью ИИ (на корейском языке). STEP (Smart Training Education Platform), Институт онлайн-непрерывного образования KOREATECH.
Sangsun Ahn (2024). [K-Digital] Основы анализа финтех-данных (на корейском языке). STEP (Smart Training Education Platform), Институт онлайн-непрерывного образования KOREATECH.

Курсы на STEP: link.step.or.kr/1qyVoJ · link.step.or.kr/M9na9N · link.step.or.kr/brqEyc
Если из-за обновления сайта ссылки не открываются, зайдите на www.step.or.kr.

Статьи и доклады

Sangsun Ahn (2025). Модель прогнозирования расходов домохозяйств на основе панельных данных Korean Retirement and Income Study: подход на основе моделей ИИ (на корейском языке). «Future Society», 16(2). Полный текст
Sangsun Ahn (2025). Модель прогнозирования расходов домохозяйств на основе панельных данных Korean Retirement and Income Study: подход с использованием ИИ (на корейском языке). Доклад на конференции KReIS Panel (13.05.2025), National Pension Research Institute, National Pension Service. Слайды
Sangsun Ahn (2025). Алгоритм выявления подозрительных сделок с наркотиками по текстам в соцсетях: анализ паттернов и контекста (на корейском языке). «Future Society», 16(1). Полный текст
Sangsun Ahn (2024). Статистические методы противодействия состязательным данным для защиты моделей обнаружения аномалий в финансах: эмпирический анализ и результаты моделирования (на корейском языке). «Future Society», 15(3). Полный текст
Sangsun Ahn (2024). ИИ-решение для обнаружения постов в соцсетях на основе характеристик виртуальных персонажей (на корейском языке). Стендовый доклад на 2024 Summer Newmedia Party (19.06.2024), Seoul Media Institute of Technology.
Sangsun Ahn (2024). Модели машинного обучения на панельных данных о производственном травматизме (на корейском языке). Стендовый доклад на 10-й конференции Panel Study of Workers' Compensation Insurance (17.05.2024), Labor Welfare Research Institute, Korea Workers' Compensation & Welfare Service.
Sangsun Ahn (2024). Анализ и прогнозирование временных рядов виртуальных активов: сравнение моделей временных рядов и моделей ИИ, предложения по улучшению (на корейском языке). «Future Society», 15(1). Полный текст

E-2 Научные источники

[R1] Berg, S., Beckett, I. R., Costa, M., … (2026). Sexual dimorphism in the complete Drosophila male central nervous system connectome. Cell, 189(18), 5504–5526. doi:10.1016/j.cell.2026.08.015 — вступление, «Опорные исследования»
[R2] Shiu, P. K., Sterne, G. R., Spiller, N., … Scott, K. (2024). A Drosophila computational brain model reveals sensorimotor processing. Nature, 634, 210–219. doi:10.1038/s41586-024-07763-9 — «Один нейрон», «Подбор усиления»
[R3] Lappalainen, J. K., Tschopp, F. D., Prakhya, S., … Turaga, S. C. (2024). Connectome-constrained networks predict neural activity across the fly visual system. Nature, 634, 1132–1140. doi:10.1038/s41586-024-07939-3 — «Сравнение трёх работ»
[R4] Plaza, S. M., Clements, J., Dolafi, T., … (2022). neuPrint: An open access tool for EM connectomics. Frontiers in Neuroinformatics, 16, 896292. doi:10.3389/fninf.2022.896292 — «Опорные исследования»
[R5] blendi-remade/fly-brain-minecraft (2026). Репозиторий GitHub: README, docs/REFERENCE.md, docs/VALIDATION.md, PROVENANCE.md. Код — MIT, производные данные коннектома — CC BY 4.0. github.com/blendi-remade/fly-brain-minecraft — весь выпуск (числа мода и записи проверок)

Сноски в тексте [1]~: источники чисел и фактов

№	Содержание	Значение	Источник
[1]	Число нейронов, связей и синапсов в симуляции	176,422 / 6,287,749 / 90.3 M	fly-brain-minecraft README, PROVENANCE.md, VALIDATION.md §0 (neuPrint `male-cns:v1.0`, только связи из 5 и более синапсов)
[2]	Число столбцов сетчатки, такт 50 ms, отсутствие обучения, параметры уравнения нейрона	877 + 892 столбца · τ_m 20 ms · τ_s 5 ms · −52/−45 mV · рефрактерный период 2.2 ms · 0.275 mV × 0.65	docs/REFERENCE.md «How it works», Shiu и др. (2024)
[3]	Диапазоны частоты спайков, активные нейроны и коэффициент реального времени на панели «Наблюдение за поведением»	Диапазоны в таблице	docs/VALIDATION.md §1–8 (автоматические тесты без игры, 2026-09-03)
[4]	Сравнение усиления 0.55 / 0.65 / 0.75	Таблица §9	docs/VALIDATION.md §9
[5]	Число нейронов в статье о коннектоме	166 700 (выверены и аннотированы)	Berg и др. (2026) Cell 189(18):5504–5526
[6]	Модель всего мозга «интегрировать-и-сработать с утечкой»	—	Shiu и др. (2024) Nature 634:210–219
[7]	Модель зрительной системы, параметры которой обучены глубоким обучением поверх реальной схемы соединений	64 типа клеток, совпадение с 26 экспериментальными исследованиями	Lappalainen и др. (2024) Nature 634:1132–1140 · doi:10.1038/s41586-024-07939-3
[8]	Два скриншота игры	—	fly-brain-minecraft docs/media (MIT License)

E-3 Источники иллюстраций

Два скриншота игры: репозиторий fly-brain-minecraft, docs/media (MIT License, © 2026 Blendi Remade / fal.ai). Minecraft — товарный знак Mojang/Microsoft
Персонажи в финальной сцене: персонажи лаборатории «Глубокое обучение от A до Z»

Советы для преподавателя (TIP)

Рекомендации для преподавателей, наставников по обучению на рабочем месте (OJT) и тьюторов. Время указано ориентировочно — подстройте его под своё занятие.

Аудитория	Учащиеся, прошедшие выпуски 1 и 2. Практики, интересующиеся симуляцией мозга и цифровыми двойниками
Необходимые знания	② Перцептрон из выпуска 1, фиксированный путь + обучаемая поправка из выпуска 2
Цели обучения	① Объяснить словами уравнение нейрона «интегрировать-и-сработать с утечкой» ② Отличать поведение, само возникающее из схемы соединений, от дублёров, созданных человеком ③ Сравнить с глубоким обучением сильные стороны и ограничения модели почти без обучаемых связей
Ориентировочное время	Чтение 50–60 мин · демонстрация анимаций 25 мин · практика в Colab 30 мин (Код 1 — 10 мин, Код 2 — 2 мин на запуск + 15 мин на разбор)

Три сценария занятия

Лекция, 50 мин

Упор на понятия

Введение 5 мин (скриншоты игры) → «Один нейрон» 15 мин → «Наблюдение за поведением» 15 мин → «Настоящее и дублёры» 10 мин → контрольные вопросы 5 мин.

OJT на рабочем месте, 90 мин

Упор на проектирование систем

«Наблюдение за поведением» 15 мин → переписать «Настоящее и дублёры» в таблицу «модель vs правила» для своей системы 25 мин → «Перенос на практику» 15 мин → запуск и разбор Кода 2 25 мин → карточки промптов 10 мин.

Индивидуальные занятия

Темп по уровню

Новичкам — только «Что это такое», «Один нейрон» и «Наблюдение за поведением». Продвинутым — вывести из уравнения в «Одном нейроне» «162 одновременных синапса» и сравнить число спайков, меняя усиление в Коде 1.

Ключевые моменты по разделам

Раздел	Вопрос для паузы	Подсказка по управлению
Что это такое	«Может ли пригодиться нейросеть, которая не учится?»	Начните с двух скриншотов игры
Один нейрон	«Почему при одинаковом входе спайки возникают в разное время?»	Меняйте число синапсов и усиление и смотрите на выходную частоту спайков
Наблюдение за поведением	«На каком этапе прекращается питание, если добавить горечь?»	Нажмите по порядку: сахар → сахар + горечь
Подбор усиления	«Почему при 0.75 сеть идёт вразнос?»	Сравните графики чистки при 0.65 и 0.75
Настоящее и дублёры	«Кто ведёт муху, когда появляется [REFLEX]?»	Ещё раз посмотрите сцену с запахом яблока
Сравнение трёх работ	«Что находится в правом верхнем углу (реальная схема соединений + обучение)?»	Покажите на карте точку Lappalainen (2024)
Практика: тренажёр	«Какой процент угадают 483 обучаемые связи?»	Обучайте по очереди спайковую сеть с фиксированной схемой и MLP

Топ-5 частых заблуждений

Заблуждение	Как на самом деле	Что показать
Имея коннектом, можно полностью воспроизвести мозг	Не хватает нейромодуляторов, электрических синапсов и индивидуальных свойств нейронов. Обонятельный путь насыщается, и его работу берёт на себя дублёр	Список ограничений в «Настоящем и дублёрах»
Муха в игре учится	Обучаемых весов — 0. Вручную задано лишь несколько значений, например усиление 0.65	Числа во вступлении, «Подбор усиления»
Частоты спайков — это значения настоящей дрозофилы	Это результаты тестов модели: не доверяйте абсолютным значениям, смотрите только на закономерности	Бледные полосы в «Наблюдении за поведением»
Эмерджентное поведение подтверждено экспериментами на настоящих мухах	Это результат внутри модели. Лишь некоторые пути подтверждены опытами на животных в других исследованиях	Абзац о границах «эмерджентности» в «Настоящем и дублёрах»
Спайковые нейросети не могут обучаться	В машинном обучении их обучают с помощью суррогатных градиентов. То, что этот мод не обучается, — осознанное проектное решение	Сравнение структур, Код 2

Контрольные вопросы (нажмите, чтобы раскрыть пояснение)

Q1. Какой ток g в mV добавляет один входной спайк по связи из 30 синапсов? (0.275 mV × усиление 0.65)

30 × 0.275 × 0.65 ≈ 5.36 mV.

Q2. Потенциал покоя −52 mV, порог −45 mV. Если один спайк поднимает мембранный потенциал примерно на 0.1575 × g, какое g нужно, чтобы нейрон сработал от одного входа?

До порога 7 mV. 7 / 0.1575 ≈ 44.4 mV. При усилении 1.0 нужно около 162 одновременных синапсов, при усилении 0.65 — около 249.

Q3. В сцене «сахар + горечь» мотонейрон хоботка (MN9) молчит (0 Hz), хотя сладкие нейроны второго порядка активны. На каком этапе происходит торможение?

На этапе непосредственно перед движением. Горький тормоз (Scapula) перекрывает путь команды питания.

Q4. Что произойдёт в сцене чистки, если поднять усиление до 0.75?

За 200 ms число спайков за такт вырастает в пять раз, клетки Кеньона просыпаются до 39 Hz, а возникшее торможение выключает даже командные нейроны чистки (разнос).

Q5. В Коде 2 спайковая модель с фиксированной схемой и 644 обучаемыми связями получила на тесте 0.75~0.81. Как интерпретировать это в сравнении с MLP (16 708 связей, 0.88~0.91)?

Обучая лишь около 4% связей, модель угадывает неплохо, но ниже MLP, потому что не может обучить само представление. Стоит также отметить, что данных мало (32 тестовых примера), так что разница колеблется в пределах ±0.1.

Задания в Colab

Базовое

В Коде 1 замените усиление 0.65 на 0.55 и 0.75, сведите в таблицу число сработавших нейронов и среднюю частоту спайков и в двух предложениях свяжите результат с разносом из раздела «Подбор усиления».

Повышенной сложности

В ConnectomeLIF из Кода 2 замените знак всех тормозных нейронов (−0.5) на +0.18 (убрав торможение) и обучите заново. Сравните запись спайков (ячейка 8) и точность для двух сидов и опишите, что делает торможение в нейросети.

Подстройка сложности и что почитать

Новичкам	В уравнении из «Одного нейрона» достаточно прочитать часть «Словами». Главное — твёрдо разобраться в «Наблюдении за поведением» и «Настоящем и дублёрах»
Углублённо	Предложите изучить и представить методы, которые, как Lappalainen и др. (2024), обучают лишь часть параметров поверх схемы соединений. Найденные статьи проверять по первоисточнику
Что почитать	Sangsun Ahn, конспект лекций «Наука о данных для бизнеса» (обзор науки о данных, на корейском языке) · STEP [K-Digital] Обработка естественного языка с помощью ИИ · STEP [K-Digital] Основы анализа финтех-данных
Материалы для преподавателя	Критерии оценки контрольных вопросов и примеры ответов к заданиям — на странице «Ответы для преподавателя» (Выпуск 3)