На протяжении десятилетий развитие вычислительных систем шло по пути создания искусственного интеллекта. Этот подход подразумевает написание программного кода и использование алгоритмов, которые учатся решать задачи с нуля. Однако параллельно с этим существует совершенно иное направление исследований — эмуляция всего мозга (Whole Brain Emulation). Ее суть заключается не в создании нового разума, а в детальном сканировании и точном копировании уже существующего биологического мозга в цифровую среду.
Долгое время этот процесс оставался лишь концепцией, так как требовал огромных вычислительных мощностей и сверхточных методов сканирования живых тканей. Но вот недавно исследователям из компании Eon Systems PBC
впервые удалось не просто запустить цифровую копию мозга сложного существа на компьютере, но и заставить этот цифровой мозг управлять виртуальным телом в среде с реалистичными физическими законами. Этим существом стала плодовая мушка — дрозофила.
От статической карты к динамической системеОсновой для текущего достижения послужило исследование, результаты которого
были опубликованы в научном журнале Nature в 2024 году. Команда ученых под руководством старшего научного сотрудника Eon Филиппа Шиу создала
полную вычислительную модель мозга взрослой дрозофилы.
Для этого они использовали коннектом — исчерпывающую карту всех нейронных связей в нервной системе насекомого. Эта карта была получена путем сканирования срезов реального мозга под электронным микроскопом. В результате ученые получили точную схему, состоящую из более чем 125 000 нейронов и 50 миллионов синаптических соединений. Кроме того, с помощью методов машинного обучения исследователи определили типы нейромедиаторов для каждой связи — то есть выяснили, какие нейроны передают возбуждающие сигналы, а какие тормозящие.
Эта модель образца 2024 года работала с высокой точностью: она могла предсказывать двигательные реакции мухи в 95% случаев. Однако система была изолированной. Мозг генерировал сигналы, нейроны передавали импульсы друг другу, формировались команды на движение, но эти команды никуда не поступали. У цифрового мозга не было тела, которым он мог бы управлять, и среды, на которую он мог бы реагировать.
Замыкание сенсомоторного циклаВ своей новой работе специалисты Eon Systems решили проблему отсутствия тела. Они интегрировали готовую модель мозга дрозофилы в симулятор NeuroMechFly v2. Это программная среда, которая работает на базе физического движка MuJoCo. Внутри этой среды было создано виртуальное тело мухи, обладающее точными биомеханическими характеристиками: заданным весом конечностей, параметрами трения в суставах и ограничениями подвижности. Сама среда имитирует гравитацию и сопротивление поверхности.
Подключение цифрового мозга к виртуальному телу позволило впервые замкнуть так называемый сенсомоторный цикл в рамках эмуляции целого мозга. Процесс работает следующим образом:
- Виртуальные датчики на теле мухи фиксируют информацию об окружающей среде (например, соприкосновение лапок с поверхностью).
- Эта информация поступает в цифровую нейронную сеть в виде электрических сигналов.
- Сигнал проходит по скопированному биологическому коннектому. Нейроны активируются в той же последовательности, в которой они активировались бы у живого насекомого.
- В результате обработки сигнала мозг формирует моторную команду и отправляет ее к виртуальным мышцам.
- Физический движок просчитывает это движение, и виртуальная муха совершает действие, опираясь на законы физики.
В результате
исследователи зафиксировали множественные варианты сложного поведения, которые система генерировала самостоятельно, опираясь исключительно на внутреннюю динамику своих нейронных цепей.
Принципиальное отличие от современных нейросетейЧтобы понять значимость этого события, необходимо разобрать, чем эмуляция мозга отличается от современных систем искусственного интеллекта, которые также умеют управлять виртуальными персонажами или роботами.
Ранее другие научные группы, включая подразделение DeepMind и исследовательский кампус Janelia, также демонстрировали виртуальных мух, способных ходить в симуляторе. Но они использовали метод «обучения с подкреплением». В этом случае разработчики создают пустую нейросеть, задают ей цель (например, двигаться вперед) и позволяют ей совершать случайные движения. Когда виртуальная модель делает шаг и не падает, система получает положительный балл. Путем миллионов повторений алгоритм находит оптимальный способ переставлять ноги. Это имитация внешнего поведения с помощью математики.
Система Eon Systems работает иначе. Она не обучалась ходьбе в симуляторе. Ее цифровая структура является точной копией существа, чья нервная система уже адаптирована для ходьбы процессом биологической эволюции. В данном случае
ученые взяли готовую схему связей, подали на нее входящий сигнал, и система начала работать так, как диктует ее строение.
До этого момента самые успешные попытки реализовать подобный подход ограничивались крайне простыми организмами. Самым известным примером был проект OpenWorm, в рамках которого ученые эмулировали нервную систему круглого червя Caenorhabditis elegans. Однако нервная система этого червя состоит всего из 302 нейронов, а его поведенческий репертуар минимален. Переход от 302 нейронов к 125 000 нейронов дрозофилы — это серьезное увеличение масштаба и сложности системы.
Рисунок:
https://img.ixbt.site/live/images/original/31/86/97/2026/03/08/cc99303d21.webp?w=877a. Полная реконструкция морфологии нейронов с помощью FlyWire. Все нейроны центрального мозга и обеих зрительных долей были сегментированы и проверены вручную. Примечание: изображение и набор данных зеркально отражены относительно реального мозга мухи.
b. Обзор ресурсов FlyWire. Проект базируется на снимках электронной микроскопии (Zheng et al.), картах синапсов (Buhmann et al., Heinrich et al.) и предсказаниях типов нейромедиаторов (Eckstein et al.). Аннотации, включая гемилинии, нервы и иерархические классы, описаны в сопутствующей статье.
c. Техническая платформа: FlyWire использует систему CAVE для проверки, управления и анализа данных. Доступ возможен программно (через CAVEclient, navis, fafbseg и natverse) или через браузер (Codex, Catmaid Spaces и braincircuits. io). Также доступны статические выгрузки данных.
d. Мозг Drosophila разделен на пространственные области на основе нейропилей (Extended Data Fig. 1). Нейропили ламины (lamina) не показаны. Обозначения осей: D (dorsal — дорсально), L (lateral — латерально), P (posterior — постериально). e. Структура синапсов: синаптические бутоны часто являются полиадными (один пресинаптический бутон связан с несколькими постсинаптическими партнерами). Каждая связь между «входом» и «выходом» считается отдельным синапсом.
f. На исходных данных электронной микроскопии (Zheng et al.) отчетливо идентифицируются нейронные тракты, трахеи, нейропили и тела клеток. Масштабная линейка: 10 мкм.
Автор: Shiu, P.K., Sterne, G.R., Spiller, N. et al. Источник:
www.nature.comСледующий этап: эмуляция мозга млекопитающегоУспешная интеграция мозга насекомого с виртуальным телом доказывает работоспособность самой концепции. Теперь главной целью компании Eon Systems становится создание полной цифровой эмуляции мозга мыши. В перспективе это заложит технологический фундамент для эмуляции мозга человека.
Масштаб предстоящей работы значительно больше предыдущей. Мозг мыши содержит около 70 миллионов нейронов, что в 560 раз превышает количество нейронов у дрозофилы. Для реализации этой задачи недостаточно просто увеличить вычислительные мощности; необходимо собрать огромный массив новых данных.
Прямо сейчас команда исследователей собирает информацию с помощью двух основных методов. Первый метод — это экспансионная микроскопия. Ученые обрабатывают ткани мозга специальным химическим составом, который заставляет их физически увеличиваться в размерах. Это позволяет рассмотреть и зафиксировать под микроскопом каждую отдельную нейронную связь с максимальной точностью, чтобы создать статичную карту.
Второй метод — это кальциевая визуализация и измерение электрического напряжения в живых тканях. Ученые проводят десятки тысяч часов, наблюдая за тем, как именно активируются нейронные сети в мозге живых мышей во время различных действий. Эти данные необходимы, чтобы понять не только физическое расположение связей, но и динамику прохождения сигналов по ним.
Если цифровая копия коннектома мухи смогла успешно управлять телом в среде с физическими законами, это означает, что фундаментальный подход выбран верно. Дальнейший переход к мозгу мыши, а в будущем и к более сложным структурам, становится вопросом исключительно точности сканирования данных и объема памяти, необходимой для их обработки.
