果蝇特别篇 3 Minecraft 里的果蝇大脑 —— 仅凭接线图运转的神经系统

这个游戏做了什么 —— 把三种素材拼在一起

在 Minecraft 里放入一只果蝇生物，并在它的脑袋里完整运行真实的果蝇神经系统。生物看到、闻到、尝到的东西会刺激真实的感觉神经元，再读取真实的下行神经元和运动神经元的活动来驱动生物移动。每只果蝇都在自己的线程中实时运行自己的大脑。

素材 1 · 接线图雄性果蝇整个神经系统的连接组

包括大脑和腹神经索（相当于昆虫的脊髓）在内的整个中枢神经系统。使用了 2026 年 9 月 3 日发表于 Cell 的 Berg 等人论文的公开数据（neuPrint male-cns:v1.0）。这个模组在论文发表当天就做出来了。

素材 2 · 神经元模型所有神经元都用同一个“泄漏积分发放”零件

完全沿用了 Shiu 等人（2024）Nature 模拟整个果蝇大脑时的方法。没有为单个神经元单独调的参数，连接的突触数就是连接强度。

素材 3 · 身体与世界Minecraft 世界与生物的身体

苹果·蛋糕·蜘蛛眼·雨·扑过来的玩家成为感觉输入，大脑下达的命令变成行走·进食·跳跃·梳理等生物动作。这部分是人工手动制作的。

Minecraft 画面：正在飞行的果蝇生物，左侧是神经系统地图，右侧是神经示波器面板 — **真实游戏画面。**中间是果蝇生物（Fly-1 ♂），左侧是 B 键“脑图”（上：视叶与大脑，下：腹神经索），右侧是 H 键“神经示波器”（运动通道、神经元群发放频率、每 tick 脉冲、视网膜）。下面的行为观察部分就是仿照这个面板做的。

用彩色玻璃方块搭建的连接组结构：左边是大脑，右边是腹神经索 — **用方块搭建的连接组。**`/flybrain build` 命令会把细胞体位置已重建的 141,781 个神经元，按脑区用不同颜色的玻璃方块搭起来。当连接的生物的神经元发放时，对应方块会以海晶灯闪亮。

一句话总结

如果说前两页把“用经验修改连接强度”视为神经网络的核心，那么这个模组实验的是“把连接强度原样从接线图搬来，能做到什么程度”。没有学习，人为设定的数字也很少。最重要的是乘在所有连接上的全局增益 0.65，此外还有 Kenyon 细胞输入 0.25 倍，以及“去掉突触少于 5 个的连接”这一标准。

这个游戏参考的果蝇研究

按作用分组整理了仓库 README 和参考文档（REFERENCE.md）中引用的研究。核心是两篇：连接了什么由 Berg 等人（2026）决定，怎么运行由 Shiu 等人（2024）决定。

核心 ① · 接线图

Berg 等人（2026）雄性果蝇完整中枢神经系统连接组

把大脑和腹神经索拍成一套电子显微镜图像，连起了所有神经元和突触。这也是首次在突触层面比较雄性与雌性大脑的研究。

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

核心 ② · 神经元模型

Shiu 等人（2024）果蝇全脑计算模型

把 FlyWire 雌性大脑接线图中的所有神经元都当作泄漏积分发放零件运行，预测了“尝到糖 → 伸出口器”等感觉-运动通路，并用实验加以验证。模组的神经元公式和数值完全照搬这篇论文。

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

数据工具

Plaza 等人（2022）neuPrint

用于查询连接组的公开工具。模组中的神经元名称（DNp01、MN9 …）全都是 neuPrint 的细胞类型名，因此可以直接在网页上查到画面里的神经元。

Front. Neuroinform. 16:896292

感觉方面的配套论文

视觉系统 · 味觉连接组

Nern 等人（2025）的视觉系统完整目录、Hoeller 等人（2026）的视觉通路、Tastekin 等人（2026）的味觉-摄食连接组。用于决定把游戏输入送进哪些感觉神经元。

Nature 641 · Cell 189(18) 两篇

运动方面的依据

下行神经元与行为

行走·停止（Sapkal 2024）、转向（DNa02）、巨纤维与逼近逃逸（von Reyn 2014，Ache 2019）、着陆（Ache 2019）、触角梳理（Hampel 2015）、振翅强度（Namiki 2022）。这些是把神经元活动解读为生物动作的规则依据。

Nature · Nat Neurosci · eLife · Curr Biol

腹神经索 · 性别回路

MANC 连接组与性二态回路

Takemura 等人、Marin 等人（2024）、Cheong 等人（2026）的雄性腹神经索研究，以及 Rubin 等人（2026）的雄性特有神经元（pC1、P1）研究。它们是求偶鸣唱连接的基础，但这一功能尚未演示。

eLife 13 · Curr Biol (2026)

数字略有不同的原因。论文摘要把完成校对的神经元计为 166,700 个。模组则模拟从 neuPrint 数据集载入的全部 176,422 个条目，并把其中细胞体位置已重建的 141,781 个搭成方块结构。差异应是计数标准不同所致。

与前几页的关系。第 ① 页引用的 FlyWire（2024）连接组，正是 Shiu 等人（2024）使用的那份雌性大脑接线图。本模组把同样的方法搬到了更大的雄性神经系统（大脑 + 腹神经索）上。

从大脑到腹神经索 —— 游戏中信号走过的路

在前一页的 3D 大脑上加了腹神经索（下方细长的一团）、颈部和口器。因为这个模组运行的不只是大脑，还包括驱动腿和翅膀的运动神经元。选择场景后，绿色信号会沿真实的连接通路前进。这是示意模型，不是真实解剖数据。

场景

脑区说明

单个神经元的计算 —— 往漏水的桶里倒水

17 万个神经元全都是这一个零件。输入脉冲到来时电压升高，放着不管就会漏回静息电压。超过阈值（−45 mV）就发出脉冲，随即回到 −52 mV。这就是在第 ① 页的“超简单模型” y = [w·x ≥ θ] 上加入了时间和泄漏。

输入神经元的发放频率

单个连接的突触数

全局增益

第 ① 页的人工神经元

把输入 × 权重相加，超过阈值为 1，否则为 0。没有时间，输入一到就立刻出结果。权重通过学习确定。

本模组的泄漏积分发放神经元

输入随时间累积，又慢慢漏走。所以“多频繁、多集中”地输入很重要。权重固定为接线图的突触数 × 0.275 mV × 增益 0.65。

兴奋与抑制如何决定 —— 符号也来自接线图

根据神经元释放的神经递质决定连接的符号。乙酰胆碱·多巴胺·血清素等为兴奋（+），GABA·谷氨酸·组胺为抑制（−）。一个神经元的所有输出符号相同（戴尔原理）。结果是兴奋性 116,390 个、抑制性 60,032 个。第 ① 页总结表中的“抑制性突触是负权重”，在这里直接由接线图决定。

行为观察仪表盘 —— 施加刺激、观察神经元、读出行为

仿照模组的“神经示波器”（H 键）画面。选择场景后，感觉神经元受到刺激，经过中间神经元，下行·运动神经元的发放频率再经过解码器的优先级阶梯变成行为。条形上的浅色带是仓库验证记录（VALIDATION.md）中的实测范围。

场景

Minecraft 世界→ 感觉神经元 · 泊松脉冲→ 大脑 · 50 ms 计算→ 下行·运动神经元发放→ 解码器 · 优先级→ 生物的行为

神经元群的发放频率（Hz）

解码器的优先级阶梯（越靠左越强）

解码器如何选择行为

把神经元群的发放频率相加，构成 21 个命令通道（前进、转向、后退、停止、跳跃、进食、梳理 …）。两个以上同时开启时，按逃逸 > 着陆 > 飞行 > 急停 > 停止 > 后退 > 前进 > 进食 > 梳理 > 鸣唱的顺序胜出。一旦进入某个行为，至少保持 250 ms，降到阈值的一半以下才会退出。哪些神经元被激活由接线图决定，但这个阶梯和阈值是人定的。

最重要的调节旋钮 —— 校准全局增益

Shiu 等人每个突触 0.275 mV 的取值是针对雌性大脑（FlyWire）调好的。雄性神经系统每个神经元的突触更多，直接沿用这个值会让整个网络过度兴奋。因此用与论文相同的方法，重新校准了乘在所有连接上的那一个增益。

增益

在本模组中

在满足以下三个条件的值中选了最小的增益：① 糖输入能可靠地激活口器运动神经元；② 梳理·逃逸通路稳定；③ 学习中枢的 Kenyon 细胞保持安静。0.55 时进食偏弱，0.75 时失控。

放到深度学习里来说

相当于不动单个权重，而是通过验证实验挑选初始化尺度之类的超参数。Kenyon 细胞的 0.25 倍也相当于只乘在特定层上的校正值。增益太大时，激活值逐层膨胀而“失控”，这一点也与深层神经网络相同。

哪些来自接线图，哪些是人做的

这个仓库最好的一点是它自己划清了界线。README 写道：“这个项目的核心是对最后一栏（来源）保持诚实。”每种行为都标注了涌现（从接线图中自然产生）、手工（人做的替身）或混合。

注意“涌现”的范围。这里的涌现指“在这个计算机模型中无需规则就出现了”。这不是在真实雄性果蝇身上确认的结果，而是不开游戏、只运行模型的自动测试（bench）的结果。其中部分通路（糖 → MN9、梳理）曾由 Shiu 等人（2024）用雌性大脑模型预测，并通过动物实验得到确认。

行为	游戏中的触发	接线图中的通路	来源

从接线图中自然产生的

哪种感觉模式激活哪些下行·运动神经元 · 苦味在运动前一级关掉进食 · 左右转向的不对称 · 前进/后退行走的相互对抗 · 巨纤维单个脉冲就决定跳跃 · 选择梳理的部位

人做的替身

视网膜绘制与亮度适应 · 气味地图与距离衰减 · 把发放频率换算成方块/秒的倍率 · 阈值与优先级阶梯 · 飞行·着陆物理 · 把逼近信号直接送入 LC4·LPLC2 · Kenyon 细胞输入 0.25 倍 · 朝气味方向行走的反射层

已知局限（仓库文档）。所有神经元使用相同参数 · 闻到气味时触角叶饱和，没有方向信号 · 髓质的运动通路（T4·T5）保持安静 · 没有神经调质·神经肽·电突触·自发活动 · 去掉了突触少于 5 个的连接 · 雌性也使用雄性大脑 · 不要相信发放频率的绝对值，只看哪些神经元群有反应的模式。

迁移应用 —— 用其他 AI 对照这个模组的设计

这个模组是脑科学项目，但它的设计方式与当今的 AI 系统有很多相似之处。我们为学习或教授生成式 AI 的人、以及想把 AI 引入实际工作的人整理了对应关系。

放到生成式 AI 里来说

迁移到自己的系统 —— 如果你的场景混用规则和学习

类比的局限。大语言模型的权重不是人设计的，而是从数据中学来的；这个模组的权重则是测量真实动物的接线得到的。两者只是在“用固定权重只做推理”这一表面上相同，权重的来源却恰恰相反。优先级阶梯也不同于智能体的工具选择，它不理解语言，只比较发放频率的大小。

三项工作比较 —— 同一只果蝇，不同的问题

第 ① 页是神经网络入门，第 ② 页是记忆提取论文图解，再加上这个 Minecraft 模组。三者都沿着“感觉 → 大脑 → 行为”展开，但哪些部分保持真实、哪些部分做了简化各不相同。

三项工作的位置

选择重叠的主题

如何读左边的地图

横轴是在多大程度上原样使用真实接线图，纵轴是用经验修改连接在多大程度上处于核心。前两页位于左上，模组位于右下。右上，即在真实接线图上进行学习的模型，是刚刚起步的领域。代表性的例子是 Lappalainen 等人（2024）Nature：他们保留了果蝇视觉系统运动通路中 64 种细胞类型的真实连接，只用深度学习训练未知的神经元·突触参数。该模型的预测与 26 项研究的实测结果吻合。这正是本模组中保持安静的那条通路（T4·T5）。不过，同时运行整个大脑和身体、又加入学习·神经调节的模型目前还没有。

逐项比较表

共同点

不同点

模型结构比较 —— 本页模型 vs MLP · RNN · GRU · LSTM · CNN

点击按钮切换六种结构的示意图。绿线是可学习的连接，虚线是固定的连接，橙色箭头是跨越时间的记忆。所有图都是展示原理的示意图。

六种结构一览比较

可学习连接 / 全部连接（输入 16×16，3 个类别）

灰色条 = 全部连接，彩色条 = 可学习的连接。深度学习模型全部可学习，果蝇模型大部分是固定连接。下面的训练器和公共部分 A 的代码 2 统计的是同样的数字。

最后一行的证据级别：真实回路·测量模型搬用了真实回路 · 结构相似指连接形态相似，并不证明进行相同的计算 · 松散类比 · 纯粹类比只是帮助解释的说法，没有生物学依据。

从本页视角看的核心差异

表中与本模型最相似的，出人意料地是 RNN。两者都运行时间循环，都有反馈连接。决定性的差别在于权重的来源：RNN 从随机值开始，通过反向传播学习；本模型直接使用电子显微镜测得的接线。介于两者之间的是 Lappalainen 等人（2024）的方法：接线用测量值，只用深度学习训练未知的参数。

果蝇训练器 —— 用自己的画来教，马上试用

像 Teachable Machine 一样：① 为每个类别收集示例，② 训练，③ 用新输入检验。所有计算都在这个浏览器里进行，画作和摄像头影像不会外传。想用代码运行同一模型，请使用公共部分 A 的代码 2。

① 收集数据

② 训练

模型

轮数30 轮

学习率0.05

③ 预览

输入

导出

接着看代码 2 →

导入 · 保存

收集的样本会自动保存在这个浏览器中，刷新后也不会丢失。导出的数据·模型 JSON 可以再次导入。

开始：点击“填入示例数据”，或者在画板上画好后点击类别里的“添加图画”。名称可以点击修改。

与 Teachable Machine 的相同点

创建类别 → 收集样本 → 训练 → 实时预览 → 导出的流程，摄像头输入，以及所有计算都在浏览器中完成。

不同点

Teachable Machine 采用迁移学习：在大型图像模型（MobileNet）预先提取的特征上只训练一个小分类器。这个训练器则由本页的模型从零开始学习 16×16 的图画。因此它适合简单的形状，不擅长照片之类的复杂输入。作为交换，它会如实显示验证准确率和可学习连接的数量。

一页总结

前两页展示了什么

借用大脑原理的人工神经网络通过用经验修改连接强度来解决问题。果蝇的蘑菇体也用多巴胺改变连接，把气味与结果配对，而这段记忆要经过本能回路（侧角）才变成行为。

这个模组展示了什么

把连接强度原样从接线图搬来，即使不学习，进食·拒绝苦味·跳跃·梳理也会从正确的神经元中产生。反过来，像循着气味走这样需要学习·调节的部分，目前仍由人做的替身负责。

要点 1. 仅凭结构（接线）就能产生许多行为。果蝇的许多先天行为就刻写在连接本身之中。

要点 2. 学习与记忆（蘑菇体、多巴胺）是这个模组留空的格子。Kenyon 细胞被刻意保持安静，也没有神经调质。第 ② 页的记忆提取回路正是这个空格。

要点 3. 三项工作都标明了“哪些是真的”：页面用黄色印章，模组用涌现/手工标记。这是通俗地展示科学时最重要的习惯。

回顾：① 果蝇大脑探索 —— 从感觉到识别 · ② 学到的记忆要经过本能回路才能被提取

Colab 代码 —— 亲手运行本页内容

两段代码都只使用 Colab 预装的库。点击“下载笔记本（.ipynb）”后在 Colab 中通过文件 → 上传笔记本打开，或者复制后粘贴到新笔记本的单元格中。

代码 1 · 用 NumPy 实现由接线图固定的泄漏积分发放网络对应“单个神经元”“行为观察”部分 · numpy · CPU 不到 1 秒

用突触数 × 0.275 mV × 增益 0.65 构造固定权重（符号由神经递质决定），以 120 Hz 刺激 20 个感觉神经元，每步 0.5 ms，计算 100 步。没有任何需要学习的权重。想换成自己的数据，就从真实的连接组文件中读取 syn（突触数矩阵）。

运行结果（2026-10-04 运行，numpy 2.4 · CPU）。固定了随机种子，任何时候运行结果都相同。

代码 2 · 用 PyTorch 比较五种常规深度学习模型与三种果蝇模型对应“实践：结构比较·训练器” · torch、numpy、matplotlib · CPU 约 1 分钟

用同一套图画数据训练 MLP·CNN·RNN·GRU·LSTM 和三种果蝇模型。固定接线脉冲网络模型（ConnectomeLIF）固定 160 个隐藏神经元的连接，只训练解码层。第 8 个单元格绘制脉冲记录。

运行结果（2026-10-04 运行，PyTorch 2 · numpy 2.4 · CPU）。用两个种子分别训练。数字可能因种子·版本·硬件而变化。

与常规深度学习代码有何不同

项目	代码 1（固定接线脉冲网络）	常规深度学习代码
权重来源	电子显微镜测得的突触数 × 0.275 mV × 增益	从随机值开始学习
学习	无（只有增益 0.65 等少数几个值由人校准）	用替代梯度训练所有连接
脉冲的导数	不需要（因为不学习）	阶跃函数梯度为 0 → 用替代梯度绕过
时间处理	0.5 ms × 100 步 = 游戏 1 tick	20 步时间循环 + 随时间反向传播
规模	17.6万神经元、629万连接（示例为 500 个）	通常为数百~数千个神经元
目的	预测·解释真实大脑会做什么	任务性能（准确率）
输出解读	人做的解码器（优先级阶梯）	输出层直接就是类别得分

查看用于比较的常规深度学习代码（snn_surrogate_gradient.py，PyTorch）

AI 应用提示词 —— 以这段代码为起点

这是可以粘贴到 ChatGPT、Qwen、Claude 等 AI 助手中的提示词。点击“复制”，所选代码会附在提示词后面一起复制。把〔〕中的内容换成你自己的情况即可。

附带的代码

AI 的回答只是起点。它建议的论文·数值·库函数，务必对照原文和官方文档核实。如果在竞赛·论文中借助了 AI，请按照主办方和期刊的规定说明使用情况和范围。

术语表

与正文中黄色点状下划线是同一套词典。悬停或点击下划线也会显示相同的解释。

类比合集 —— 以及类比失效之处

类比是理解的第一步，也可能是误解的种子。果蝇·大脑类比标注了强度：直接有证据表明确实做同样的事 · 部分只有部分性质相似 · 无尚不知道对应的东西

概念	日常类比	果蝇·大脑类比	类比失效之处
泄漏积分发放	往漏水的桶里倒水：满了就倒空，再重新装	直接真实神经元的膜电压也是随输入累积、又不断泄漏，到达阈值就发放脉冲	真实神经元的形态和离子通道多种多样，而这个模型让所有神经元都使用同一组数值
接线图 = 预训练权重	拿着别人画好的地图，只负责找路	部分直接把电子显微镜测得的突触数用作连接强度	生成式 AI 的权重是用数据训练出来的，而接线图是测量出来的。两者来源正好相反
增益校准	转动音响上唯一的总音量旋钮	无	真实的大脑里并没有一个总增益旋钮。这个值是人为设定的，用来适配雄性神经系统
反射层（替身）	自动驾驶犹豫时，人类接过方向盘	无	反射层不是生物回路，而是人写的规则。画面上的 [REFLEX] 标记会提示这一时刻
涌现	每只蚂蚁都很简单，整个蚁巢却能做出复杂的行为	部分没有写入任何规则，进食和逃跑却从接线图中出现了	“涌现”是这个模型内部的结果，并没有在真实的雄性果蝇身上验证过

作者介绍与参考文献

E-1 作者介绍 · E-2 学术参考文献 · E-3 图片参考资料

E-1 作者介绍

Sangsun Ahn（M-Robo 公司代表）

曾任职于韩国电气安全公社（Korea Electrical Safety Corporation）和《每日经济新闻》（Maeil Business Newspaper），之后创办了每日经济的外部创业公司 M-Robo，现任代表。M-Robo 起步于媒体公司的内部创业项目，是一家媒体创业企业，曾为《国民日报》（Kookmin Ilbo）提供机器人记者（StockBot）服务，并为韩国互联网振兴院（KISA）、韩国言论振兴财团（Korea Press Foundation）、韩国广播通信电波振兴院（KCA）等机构执行了多个项目。目前运营自有的 AI 新闻媒体 Money-Robo。任代表期间，曾获亚洲开放数据黑客松冠军，并因在数据创业领域的贡献两次获得韩国行政安全部（Ministry of the Interior and Safety）长官奖；拥有人工智能和区块链领域的 5 项发明专利。著有《AI 犯罪与自我防御》（韩文），并为韩国技术教育大学（KOREATECH）在线终身教育院开发了金融科技、统计学、人工智能领域的网络课程内容。最高学位为经济学博士（东国大学，微观数理经济学）。目前在国民大学、湖西大学等多所大学讲授数据与人工智能相关课程。详细简历

课程

Sangsun Ahn（2025）。《面向商业的数据科学》讲义（韩文）。韩国开放网络大学（Open Cyber University of Korea）人工智能融合系。
Sangsun Ahn（2025）。[K-Digital] 人工智能自然语言处理（韩文）。STEP（智能职业培训平台），韩国技术教育大学在线终身教育院。
Sangsun Ahn（2024）。[K-Digital] 金融科技数据分析基础（韩文）。STEP（智能职业培训平台），韩国技术教育大学在线终身教育院。

STEP 课程链接：link.step.or.kr/1qyVoJ · link.step.or.kr/M9na9N · link.step.or.kr/brqEyc
如因网站改版无法正常访问，请前往 www.step.or.kr。

论文与报告

Sangsun Ahn（2025）。利用国民老年保障面板数据的家庭支出预测模型研究：基于人工智能模型的方法（韩文）。《未来社会》，16(2)。原文
Sangsun Ahn（2025）。利用国民老年保障面板数据的家庭支出预测模型研究：人工智能方法（韩文）。国民老年保障面板学术会议报告资料（2025.05.13），韩国国民年金公团国民年金研究院。报告资料
Sangsun Ahn（2025）。基于 SNS 文本的疑似毒品交易检测算法研究：以模式与语境分析为中心（韩文）。《未来社会》，16(1)。原文
Sangsun Ahn（2024）。面向金融领域异常检测模型安全的基于统计的对抗数据应对方案：实证分析与模拟结果（韩文）。《未来社会》，15(3)。原文
Sangsun Ahn（2024）。利用人工智能、基于虚拟角色特征的 SNS 帖子检测方案（韩文）。2024 Summer Newmedia Party 海报展示（2024.06.19），首尔媒体研究生院大学（Seoul Media Institute of Technology）。
Sangsun Ahn（2024）。利用工伤面板数据的机器学习模型（韩文）。第 10 届工伤保险面板学术会议海报展示（2024.05.17），韩国勤劳福祉公团勤劳福祉研究院。
Sangsun Ahn（2024）。虚拟资产时间序列数据的分析与预测：时间序列模型与人工智能模型的比较及改进建议（韩文）。《未来社会》，15(1)。原文

E-2 学术参考文献

[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 — 开头部分、“参考研究”
[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 — “一个神经元”、“调增益”
[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 — “三项研究比较”
[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 — “参考研究”
[R5] blendi-remade/fly-brain-minecraft (2026). GitHub 仓库：README、docs/REFERENCE.md、docs/VALIDATION.md、PROVENANCE.md。代码采用 MIT，连接组衍生数据采用 CC BY 4.0。github.com/blendi-remade/fly-brain-minecraft — 本篇全文（模组中的数字与验证记录）

正文脚注 [1]~ 中数字与事实的出处

编号	内容	数值	来源
[1]	模拟中的神经元、连接和突触数量	176,422 / 6,287,749 / 90.3 M	fly-brain-minecraft README、PROVENANCE.md、VALIDATION.md §0（neuPrint `male-cns:v1.0`，仅保留 5 个及以上突触的连接）
[2]	视网膜柱数、50 ms 时间步、不学习、神经元公式中的数值	877 + 892 柱 · τ_m 20 ms · τ_s 5 ms · −52/−45 mV · 不应期 2.2 ms · 0.275 mV × 0.65	docs/REFERENCE.md “How it works”，Shiu 等 (2024)
[3]	行为观察仪表盘中的发放频率范围、活跃神经元、实时倍率	表中的范围	docs/VALIDATION.md §1–8（不运行游戏的自动测试，2026-09-03）
[4]	增益 0.55 / 0.65 / 0.75 比较	§9 表	docs/VALIDATION.md §9
[5]	连接组论文中的神经元数量	166,700（已完成校对和注释）	Berg 等 (2026) Cell 189(18):5504–5526
[6]	全脑泄漏积分发放模型	—	Shiu 等 (2024) Nature 634:210–219
[7]	在真实接线图上用深度学习训练参数的视觉系统模型	64 种细胞类型，与 26 项实测研究一致	Lappalainen 等 (2024) Nature 634:1132–1140 · doi:10.1038/s41586-024-07939-3
[8]	两张游戏截图	—	fly-brain-minecraft docs/media (MIT License)

E-3 图片参考资料

结尾场景中的角色插图：深度学习 A to Z 实验室角色

教师 TIP

这是给讲师、企业在岗培训（OJT）负责人和辅导老师的教学指南。时间为估计值，请根据实际课堂调整。

对象	已学完特别篇 1、2 的学习者；对大脑模拟和数字孪生感兴趣的从业者
先修知识	特别篇 1 的 ② 感知机，特别篇 2 的“固定通路 + 学习修正”
学习目标	① 用语言解释泄漏积分发放神经元的公式 ② 区分从接线图中自然出现的行为与人为制作的替身 ③ 与深度学习比较，说明几乎没有可学习连接的模型有哪些优点和局限
预计时间	阅读 50~60 分钟 · 动画演示 25 分钟 · Colab 实践 30 分钟（代码 1 10 分钟，代码 2 运行 2 分钟 + 解读 15 分钟）

三种教学方案

讲授型 50 分钟

以概念为主

导入 5 分钟（游戏画面）→ 一个神经元 15 分钟 → 行为观察 15 分钟 → 真身与替身 10 分钟 → 练习题 5 分钟。

企业 OJT 90 分钟

以系统设计为主

行为观察 15 分钟 → 把“真身与替身”改写成自家系统的“模型 vs 规则”表 25 分钟 → 迁移应用 15 分钟 → 代码 2 运行与解读 25 分钟 → 提示词卡片 10 分钟。

一对一辅导

按水平分层推进

入门者只学“是什么”“一个神经元”“行为观察”。中级学习者在“一个神经元”中用公式推导出“同时需要 162 个突触”，并修改代码 1 的增益，比较发放数量。

各部分教学要点

部分	停下来提问	操作提示
是什么	“不学习的神经网络有用吗？”	先看两张游戏截图
一个神经元	“输入相同，为什么脉冲出现的时刻却不同？”	改变突触数和增益，观察输出发放频率
行为观察	“加入苦味后，进食会在哪个阶段停下？”	按“糖 → 糖 + 苦味”的顺序点击
调增益	“为什么 0.75 就会失控？”	比较 0.65 和 0.75 的梳理曲线图
真身与替身	“出现 [REFLEX] 时，是谁在驾驶？”	重看苹果气味场景
三项研究比较	“右上角（真实接线图 + 学习）会是什么？”	指出地图上 Lappalainen (2024) 那个点
实践：训练器	“只学习 483 个连接，能答对百分之多少？”	交替训练固定接线脉冲网络和 MLP

常见误解 Top 5

误解	正确解释	要展示的画面
只要有连接组，就能完整复现大脑	其中缺少神经调质、电突触以及各神经元不同的特性。气味通路已饱和，由替身接管	“真身与替身”中的局限列表
游戏里的果蝇会学习	可学习的权重为 0 个。人为设定的只有增益 0.65 等少数几个值	开头数字、调增益
发放频率数字是真实果蝇的数值	这些是模型的测试结果，不要相信绝对值，只看规律	行为观察中的浅色带
涌现出的行为已通过真实果蝇实验验证	这是模型内部的结果。只有部分通路在其他研究中通过动物实验得到证实	“真身与替身”中关于“涌现”范围的段落
脉冲神经网络无法学习	机器学习中可以用替代梯度来训练。这个模组不学习，是设计上的选择	结构比较、代码 2

练习题（点击展开解析）

Q1. 一个含 30 个突触的连接，每来一个输入脉冲增加的电流 g 是多少 mV？（0.275 mV × 增益 0.65）

30 × 0.275 × 0.65 ≈ 5.36 mV.

Q2. 静息电压 −52 mV、阈值 −45 mV。如果一次脉冲使膜电压升高约 g 的 0.1575 倍，那么要单独触发发放，g 需要多大？

距阈值 7 mV。7 / 0.1575 ≈ 44.4 mV。增益为 1.0 时需要约 162 个突触同时作用，增益为 0.65 时需要约 249 个。

Q3. 在“糖 + 苦味”场景中，口器运动神经元（MN9）为 0 Hz，而甜味二级神经元仍处于激活状态。抑制发生在哪个阶段？

运动之前的最后一步。苦味刹车（Scapula）阻断了进食指令通路。

Q4. 把增益提高到 0.75，梳理场景中会发生什么？

仅 200 ms 内，每个时间步的脉冲数就膨胀到五倍，Kenyon 细胞以 39 Hz 被唤醒，由此产生的抑制甚至关掉了梳理指令神经元（失控）。

Q5. 在代码 2 中，固定接线的脉冲模型只学习 644 个连接，测试准确率达到 0.75~0.81。与 MLP（16,708 个，0.88~0.91）相比，该如何解读这一结果？

只学习约 4% 的连接就能答对不少，但由于无法学习表示本身，准确率低于 MLP。还应指出数据很少（测试 32 个），差异会有 ±0.1 的波动。

Colab 作业

基础

在代码 1 中把增益 0.65 改为 0.55 和 0.75，用表格报告发放的神经元数量和平均发放频率，并结合“调增益”一节中的失控现象，用两句话加以解释。

挑战

在代码 2 的 ConnectomeLIF 中，把抑制神经元的符号（−0.5）全部改为 +0.18（去掉抑制）后重新训练。用两个随机种子比较脉冲记录（第 8 格）和准确率，并说明抑制在神经网络中起什么作用。

难度调整与延伸学习

入门者	“一个神经元”中的公式只读“用语言读”部分即可。重点掌握“行为观察”和“真身与替身”
进阶	让学生调研像 Lappalainen 等 (2024) 那样在接线图上只学习部分参数的方法并做报告。调研的论文要查阅原文确认
延伸学习	Sangsun Ahn，《面向商业的数据科学》讲义（数据科学概论，韩文）· STEP [K-Digital] 人工智能自然语言处理 · STEP [K-Digital] 金融科技数据分析基础
讲师用资料	练习题的评分标准和作业参考答案见教师用答案页面（特别篇 3）