Сан-францисский стартап Eon Systems продемонстрировал миру не очередную нейросеть, как мы привыкли читать в новостях про инновации последние пару лет. Они показали, как виртуальная плодовая мушка в физическом симуляторе ползает, поворачивает, чистит лапки, причем все это не анимация.
Буквально они скопировали мозг мушки, а потом включили его в симуляции, где у нее есть физическое тело, и смотрели, что она вообще будет делать и насколько ее действия совпадают с тем, что делают реальные дрозофилы в нашем мире.
В этой статье разберемся, действительно ли мы стали свидетелями первого в истории кейса «загрузки» сознания.
Чтобы понять, что сделали инженеры Eon Systems, нужно разобраться в трех ключевых компонентах их технологии: карте мозга (коннектоме), самой симуляции и теле для цифровой мухи.
Проект FlyWire и карта мозга мушки
В октябре 2024 года вышла статья, посвященная созданию полного коннектома взрослой плодовой мушки Drosophila melanogaster.
Исходные данные — 21 млн изображений, полученных с помощью серийной электронной микроскопии от 7050 срезов мозга одной мухи.
Итогом стала карта, включающая примерно 125 тыс. нейронов и более 50 млн синаптических связей между ними. Это в 450 раз сложнее, чем коннектом червя C. elegans, который создавали до этого в проекте OpenWorm. Так, ученые смоделировали нервную систему червя, но в ней всего-то 302 нейрона. У мушки их более 125 тыс., так что это явно видно скачок в нейробиологии.
Дальше искусственный интеллект сегментировал изображения, но делал много ошибок. Финальная «вычитка» карты легла на плечи сотен ученых и добровольцев со всего мира. Сообщество, превратившее процесс в игру, помогло проверить 18 000 нейронов. Без этой коллаборации проект занял бы десятилетия.
Дальше создали то, что можно назвать «драйвером» для мозга — вычислительную модель всего коннектома. Ученые использовали простейшую биологически правдоподобную модель — Leaky Integrate-and-Fire (LIF).
Нейроны в этой модели накапливают (интегрируют) поступающие сигналы и «сбрасывают» импульс (спайк), когда накопленный заряд достигает порога. Если сигнал тормозной (ингибиторный), потенциал падает.
Модель учитывала три вещи: карту связей (кто с кем соединен), вес связей (количество синапсов) и тип нейрона (возбуждающий или тормозной), предсказанный машинным обучением по данным электронной микроскопии.
Когда они активировали в модели сенсорные нейроны вкуса, предсказания модели о том, какие моторные нейроны должны сработать, совпали с реальными биологическими экспериментами с точностью до 95%.
Душа обретает тело
Но у модели, описанной выше, было ограничение. Сигнал от моторных нейронов уходил в никуда. Мозг был изолирован в виртуальной банке. Прорыв Eon Systems заключается в том, что команда дала этому мозгу тело. Они соединили эту модель мозга с двумя физическими движками:
- NeuroMechFly v2 — разработка лаборатории Pavan Ramdya в EPFL (Швейцария). Это детальная симуляция тела мухи с 67 сочленениями, 66 суставами и 102 степенями свободы, способная взаимодействовать с виртуальной средой.
- MuJoCo (Multi-Joint Dynamics with Contact) — физический движок от Google DeepMind, отвечающий за гравитацию, трение и коллизии.
Как это работает:
- Симулированные сенсорные нейроны виртуальной мухи получают «ощущения» от касания виртуальной поверхностью.
- Сигнал поступает в LIF-модель полного коннектома.
- Активность распространяется по 125 000 нейронам строго по правилам биологической карты.
- Сгенерированный сигнал поступает на моторные нейроны, которые отдают команду суставам виртуального тела в MuJoCo.
- Муха идет, причем делает это без обучения, просто потому что структура ее цифрового мозга это позволяет.
Генеральный директор Eon Systems Майкл Андрегг заявил, что система достигла 91% точности в поведенческих тестах по сравнению с живыми мухами, используя только карту связей, веса синапсов, тип нейронов и простую LIF-модель.
Проверка на вшивость
Критики могут сказать, что ползающая виртуальная модель — не более чем красивый трюк, но симуляция прошла проверку. В своей модели ученые провели эксперимент, невозможный в реальности с такой точностью. Они активировали сенсорные нейроны, отвечающие за вкус сахара, и отследили, какие именно нейроны в центральном мозге зажглись.
Модель предсказала, что активация 200 нейронов приведет к движению хоботка. Когда они по одному отключали («силенсировали») эти нейроны в реальных опытах на мухах, данные совпали с моделью. Они даже открыли новый класс нейронов, которые вопреки ожиданиям оказались не привлекающими, а отталкивающими, тормозящими реакцию на сахар.
Из 164 предсказаний, которые удалось проверить эмпирически, 91% оказались верными.
Чтобы доказать, что модель работает не только для вкусовых цепей, ученые применили ее к цепи груминга (чистки усиков). Они активировали механосенсорные нейроны Джонстона (JONs). Модель предсказала, что подтип JO-F, хоть и имеет прямые синапсы на нужные интернейроны, не сможет их активировать из-за параллельных тормозных контуров.
Оптогенетические эксперименты в реальном мозге подтвердили это предсказание, доказав, что симуляция точно отражает даже тонкую нюансировку нейронных ансамблей.
Муху скопировали. Кто следующий?
Итак, муха в банке (виртуальной) ползает. Следующая цель Eon Systems — мышь (70 млн нейронов), а затем и человек (86 млрд). Разница в масштабе колоссальна, но технологии не стоят на месте. А пока давайте посмотрим, с какими проблемами придется столкнуться в ходе таких копирований мозга.
Проблема сканирования
Создание коннектома мухи потребовало 33 человеко-лет вычитки данных. Экстраполяция на мышь дает около 10 000 лет. Очевидно, что нужны новые методы:
- Expansion Microscopy (ExM). Организация E11 Bio предлагает элегантное решение: не пытаться разглядеть нанометры через супер-микроскоп, а физически увеличить сам образец. Техника Expansion Microscopy позволяет «раздуть» мозг в гидрогеле в 5–10 раз равномерно во всех направлениях. После этого его можно сканировать обычным световым микроскопом.
- Генетические штрих-коды (PRISM). Чтобы не путаться, какой нейрон есть какой, E11 Bio комбинирует ExM с генетическим баркодированием. Каждый нейрон метится уникальным набором флуоресцентных белков (как штрих-кодом), что позволяет автоматизировать сборку карты.
Проблема точности
Простая LIF-модель работает для мухи, но для млекопитающих этого может быть недостаточно. Нейроны различаются не только связями, но и электрофизиологией (как они «стреляют»).
Ученые работают над тем, чтобы предсказывать электрические свойства нейрона по его транскриптому (какие гены в нем активны). Технологии вроде MERFISH позволяют измерять экспрессию генов прямо в тканях, что в будущем позволит создавать более точные, персонализированные модели каждого нейрона.
Проблема обучения
Самая большая неизвестность — пластичность. Мозг мухи, скопированный в компьютер, застыл во времени. Он не учится. Как заставить его формировать новые воспоминания? Мы до сих пор плохо понимаем биологические правила обучения. Без их решения «загруженный» мозг останется слепком личности, неспособным адаптироваться.
Кто будет первым цифровым человеком?
Первый цифровой человек не будет построен OpenAI или DeepMind. Он будет скопирован с кого-то, кто уже жив. Означает ли это, что сознание станет файлом? Явно не сейчас, потому что остаются нерешенными вопросы нейроморфизма, нейромодуляции, глиальных клеток (которых в коннектоме мухи просто нет, хотя они влияют на работу нейронов).
Но одно можно сказать точно: если раньше единственным путем к искусственному интеллекту считалось обучение гигантских нейросетей, то сейчас появилась альтернатива — копирование и симуляция эволюционных решений.
Ваше сознание — это программное обеспечение. И кто-то только что доказал, что его можно скопировать и вставить.
Источник: Компьютерра
