近期 Eon Systems PBC 此新創公司在社群媒體上傳了一段影片，引起了大規模的報導與關注，該影片示例了他們公司所創建的虛擬果蠅的行為，以及果蠅大腦模擬的動態示範，影片及該公司的說明文章請見：

https://eon.systems/updates/embodied-brain-emulation

這是令人振奮的，因為該新創公司的行為表示了他們整合了過往學術界的多個成果，包含 Dorkenwald et al. (2024) 以冷凍切片電子掃描以及以機器學習方式進行圖片分割重建的全腦模型、Eckstein et al. (2024) 採用機器學習方式分析電子掃描圖片的細節所創建的神經遞質預測模型、Wang-Chen et al. (2024) 所創建的 NeuroMechFly v2 果蠅身體模擬模型與工具平台、Lappalainen et al. (2024) 的果蠅基於六角CNN+洩漏積分發射模型 (leaky integrate-and-fire model)的視覺模型以及 Shiu et al. (2024) 構建的超大型果蠅全腦 LIF 模型，這些東西整合並調適修改後並成了它們的這個令人眼前一亮的模型。

但…先給個結論吧，這樣就能達成科幻電影中的意識上傳，甚至探索靈魂的奧秘了嗎? 只能說…差的遠呢，不是要打擊對於新成果的貢獻，而是我們得正視我們的侷限。

首先撇開技術層面的東西，看最表層的，一些對於最近科技新聞等事務敏感的人大概注意到了，我上面列舉的參考技術充滿了”機器學習”四個字，碰上機器學習時很多人的第一反應就是不穩定與不確定性，而在這幾個機器學習中確實充滿了不確定性與妥協，資料品質、標註範圍、模型假設、與後續人工校對成本，都限制了整體的可用性與可信度。在 Dorkenwald et al. (2024) 所創建的 FlyWire 全腦模型中前突觸的連結率僅有 93.7% 看似很高，但在超過5000萬個突觸的情況下這缺失的就很多了，儘管他們付出了相當大的努力再進行校對，依照他們的說法他們付出了總計一人要進行33年的校對工作，如果他們想要將突觸後連結率從44.7%提高到50%需要對超過70萬個片段進一步校對，這也導致模型的基礎本身就是不完全正確的，而他們所採用的 Dorkenwald et al. (2021) 開發的突觸檢測法對於小型突觸 (<9) 的檢測效果並不好。

再者談到 Eckstein et al. (2024) 的神經遞質預測模型，該模型在訓練之初就有極大的侷限性了，他們僅進行六個種類的神經遞質預測，這代表著這六種以外的神經遞質將必定是錯的，這有可能導致原本抑制性的變興奮性，或是調控程度的錯配，並且在 Flywire 中的實際標註結果中，置信度普遍不高，特別是在神經密集或是非典型神經元部位，特別是如他們研究所提到的負責記憶的 kenyon cell 已確認有錯誤。

NeuroMechFly v2 本身更加微妙，因為該模型其實有很大一部分仍是進行端對端的強化學習的，如腿部動作行為完全是由非生物模型進行預測的，儘管他們有進行修改，但他們仍省略了大量的下行神經元，目前他們的模擬是通過現今已知的少數下行或是標誌神經元來控制整個大方向的移動，並且在輸入的部分也省略了大量的輸入類型，僅建模了部分位置感知、嗅覺以及視覺模型，依照他們的說法，就像是汽車，儘管我們沒有完整的構建模型，如傳動軸、引擎的具體參數，我們只要得知方向盤的轉向，車子的朝向和速度，我們便能猜測車往哪個方向移動。此外還有一個最值得注意的是，由於他們演示的行為以及基於的模型主要基於嗅覺相關系統，目前依照他們所講述視覺系統是完全的擺設，並無顯著作用對於模型無影響。

最後我們講述一下他們所採用的 LIF 模型，該模型為純數學模型，目的是為了模擬神經元的行為，該模型為極為簡化的模型，僅關注整體神經元的大致狀態，將整個神經元的膜電導、膜電位統一，無關注如神經膠質、神經肽（Neuropeptides）等影響，也忽略了學習、BTSP 等神經調控，此外該模型雖引用多類神經遞質預測，但在動力學上仍主要將神經元壓縮為興奮、抑制兩大類處理，這些都是常見的簡化條件，在大框架下也能表現出一定的成果，但仍需要大量的參數調整來擬合大致的趨勢，這也是為甚麼在他們整體結果出來後視覺會偏向裝飾性的原因，因為他們的模型經過調整參數後，由於當初是進行嗅覺相關研究，該模型可能過於強化嗅覺相關的參數了，這也是為甚麼該類超大模型僅具有一定的大方向參考價值，而對於細部的迴路並無法參考的原因。

綜上所述，此類成果雖然具有一定的啟發性，但對於社群媒體所期待的意識上傳等，那是不可能達成的，除非一張模糊的大腦輪廓快照也算是成功的話，如想成功的話，我們仍須更關注突觸檢測、神經活動方式以及各類神經分類與模擬的方法學，而非期待此類模型能夠一蹴而就，它更適合做粗粒度的電路假設與具身控制介面，不適合被當成高保真、細節可直接外推的完整功能模型。

參考資料：

Dorkenwald, S., Matsliah, A., Sterling, A. R., Schlegel, P., Yu, S., McKellar, C. E., Lin, A., Costa, M., Eichler, K., Yin, Y., Silversmith, W., Schneider-Mizell, C., Jordan, C. S., Brittain, D., Halageri, A., Kuehner, K., Ogedengbe, O., Morey, R., Gager, J., . . . Zandawala, M. (2024). Neuronal wiring diagram of an adult brain. Nature, 634(8032), 124–138. https://doi.org/10.1038/s41586-024-07558-y

Dorkenwald, S., McKellar, C. E., Macrina, T., Kemnitz, N., Lee, K., Lu, R., Wu, J., Popovych, S., Mitchell, E., Nehoran, B., Jia, Z., Bae, J. A., Mu, S., Ih, D., Castro, M., Ogedengbe, O., Halageri, A., Kuehner, K., Sterling, A. R., . . . Seung, H. S. (2021). FlyWire: online community for whole-brain connectomics. Nature Methods, 19(1), 119–128. https://doi.org/10.1038/s41592-021-01330-0

Eckstein, N., Bates, A. S., Champion, A., Du, M., Yin, Y., Schlegel, P., Lu, A. K., Rymer, T., Finley-May, S., Paterson, T., Parekh, R., Dorkenwald, S., Matsliah, A., Yu, S., McKellar, C., Sterling, A., Eichler, K., Costa, M., Seung, S., . . . Funke, J. (2024). Neurotransmitter classification from electron microscopy images at synaptic sites in Drosophila melanogaster. Cell, 187(10), 2574-2594.e23. https://doi.org/10.1016/j.cell.2024.03.016