一只果蝇，颠覆了我对人工智能的基本认知
01 一只虫子走路，让我坐直了身子
2026年3月7日，加州初创公司 Eon Systems 发布了一段几分钟的演示视频。画面里，一只果蝇在虚拟环境中行走，停下来用前腿梳理触角上的灰尘，然后重新出发，朝食物的方向转向，最终停下进食。
这段视频让我盯着屏幕看了很久。
不是因为画面多震撼——虚拟果蝇的建模甚至算不上精细。让我坐直的，是技术说明里的一个细节：这只果蝇的行走程序，没有任何人写过。
它不是被训练出来的。没有人向它展示过数百万帧"正确走路姿势"，没有工程师为它设计运动控制算法，也没有奖励函数告诉它"往前走就加分"。它能走路，仅仅是因为——一只真实果蝇大脑里演化出来的神经线路，被完整地搬进了计算机，然后接上了一具虚拟身体。
走路这件事，从那团神经线路里自发涌现出来了。就像它在每一只活着的果蝇身上，已经涌现了几千万年。
这件事和你认识的那个"人工智能"，根本不是一回事。
这只数字果蝇的大脑，由127,400个神经元和5000万个突触连接构成。这张线路图不是人类设计的，而是从真实果蝇身上逐片切下、扫描重建而来。
在我们每天讨论的AI世界里，GPT、Claude、Gemini正以前所未有的速度吞噬人类的知识积累，越来越像一个"博学的助手"。与此同时，另一条路——一条冷静得多、积累了四十年的路——正在悄悄走到一个新的节点。
理解这条路，可能是互联网从业者在接下来几年里最值得做的一次认知投资。
02 WBE和你认识的那个AI，根本不是同一回事
如果你把Eon Systems的果蝇实验归类为"又一个AI进展"，你大概率会漏掉它真正有价值的部分。
这里有一个需要先厘清的基本认知问题：WBE（Whole Brain Emulation，全脑仿真）和大模型，从出发点到工作原理，从背后的哲学假设到技术路线，几乎是两个平行宇宙里的东西。
大模型在干什么
以GPT-4、Claude为代表的大语言模型，本质上是一场规模极其宏大的"模式拟合"工程。把人类写过的几乎所有文字、代码、对话喂给它，用数万块GPU、烧掉数亿度电，通过反向传播调整数千亿个参数，直到模型能在统计意义上"预测出人类最可能说的下一个词"。
这个过程的核心假设是：智能可以从大量数据的统计规律里归纳出来。只要数据够多、模型够大、算力够强，涌现出来的东西就会越来越像智能。
注意这个逻辑的起点：它从不需要理解大脑是怎么工作的。它绕开了大脑，从人类智能的"输出产物"——语言、代码、思维的文字记录——反向工程出一个近似的东西。
WBE在干什么
全脑仿真的逻辑完全相反。它不问"如何造出一个像智能的东西"，而是直接问"智能的物理基础是什么"。
答案是：神经元，以及它们之间的连接方式。
WBE的目标，是把一个真实生物大脑里的每一个神经元、每一条突触连接完整地测量出来，建立一张精确的"线路图"（即连接组，Connectome），然后在计算机里重建这套线路，让电信号按照同样的规则流动。
它的核心假设是：智能，就存储在大脑的物理结构里。只要线路图足够精确，运行在这张图上的系统，就会表现出与原始大脑一样的行为。
Eon Systems的果蝇实验，是对这个假设最直接的一次验证。他们没有训练任何东西，没有写任何行为规则，只是把果蝇大脑的连接组复制进计算机，接上一具虚拟身体——然后这具身体就开始走路、梳毛、朝食物转向了。
Eon联合创始人Alex Wissner-Gross在公告里写道，这次演示中"感觉输入流入，神经活动传遍完整连接组，运动指令流出，物理仿真身体执行输出"——从感知到行动的闭环，在全脑仿真史上第一次被真正合上。
大模型是在"发明"智能。WBE是在"复制"智能。两件事的哲学基础，完全不同。
下面这张图，直观呈现了两条路线的核心差异：为什么这个区别很重要
这个区别不是学术上的咬文嚼字。它意味着两条路线在几乎所有维度上都会走向不同的结果：可解释性、对齐方式、能耗、硬件需求、应用场景。
大模型是一个黑箱。当它给出一个答案，没有人能从参数层面解释"为什么是这个答案"。WBE系统理论上完全可追溯，每一个神经元的激活状态都有对应的物理解释。
大模型的智能来源是"人类的历史输出"，其对齐问题本质上是"如何让这个外来系统理解和遵守人类价值观"。WBE的对齐问题从根本上不同——你复制的是人类大脑本身，主体还是人类。
这两条路线并不互斥，但它们代表着对"智能是什么"两种截然不同的回答。在接下来十年里，这两个答案会被现实同时检验。
03 一只果蝇是怎么被上传的
理解Eon Systems做了什么，最直接的方式是拆开它的技术流水线。整件事由三个环节串成，每一个都是独立的重大工程成就，合在一起，才有了那段走路的视频。
以下是完整的技术流程：
第一步：画地图——连接组（Connectome）
想象一下这个任务的规模：把果蝇大脑切成7000片超薄切片，每片薄到光学显微镜都看不清结构，需要用电子显微镜逐片扫描；扫描完之后，用AI把二维切片重建成三维神经元，标注每一条连接、每一个突触的类型和位置。
这个项目叫FlyWire，由普林斯顿大学的Mala Murthy和Sebastian Seung领导，汇聚了全球50个实验室、超过200名研究人员，历时数年。2024年10月，九篇相关论文同时发表于Nature。
FlyWire的意义不只是一张完整的神经地图。它第一次让科学家可以从"整个大脑"的视角分析信息流，而不是像过去一样只能研究某几个神经元的局部回路。正如罗切斯特大学神经科学副教授Gabriella Sterne所说，看到连接组全貌之后，才意识到过去对这些回路的理解"太过简单化"——实际的复杂程度远超想象。
值得一提的是，这套连接组数据完全公开，任何人都可以通过FlyWire的网页应用访问、浏览、分析。这种开放性，后来成为Eon Systems能够快速推进仿真工作的重要基础。
第二步：给地图通电——LIF神经元模型
有了连接组，下一个问题是：怎么让这张线路图"运转"起来？
真实的神经元是极其复杂的生化机器，涉及离子通道、树突非线性、激素调节……如果要逐一精确模拟这些细节，计算量会是天文数字。Eon的选择出人意料地简洁。
他们用了一种叫做LIF（Leaky Integrate-and-Fire，漏电积分发放）的模型——计算神经科学里最古老的简化模型之一。逻辑非常清晰：每个神经元持续接收来自其他神经元的信号并"积累"起来；同时，积累的电荷会随时间缓慢"漏掉"；当积累达到某个阈值时，神经元"发放"一个脉冲信号，然后清零，重新开始。
就这三条规则，应用在127,400个节点和5000万条连接上，构成了这只数字果蝇的大脑。
结果令人震惊：这个极简模型对果蝇运动行为的预测准确率达到91—95%，且整个模型可以在一台笔记本电脑上运行。
"这表明架构本身捕获了多少信息，而非神经元模型的复杂度。"—— Eon Systems联合创始人 Alex Wissner-Gross
这个发现对整个WBE领域的意义远超这只果蝇本身。它提示：智能行为的核心密码，主要存储在神经元之间的连接结构里，而不是单个神经元的精确生物化学细节。如果这个结论在更复杂的大脑上也成立，全脑仿真的计算可行性将比悲观估计高出许多。
第三步：把大脑装进身体——具身仿真闭环
有了大脑模型，还差最后一步：给它一具身体，让"感知→决策→行动"的完整回路运转起来。
Eon使用的虚拟身体是NeuroMechFly v2——一个基于真实果蝇X射线显微断层扫描重建的数字身体，运行在MuJoCo物理引擎上。这具虚拟身体有87个独立关节，能精确模拟重力、接触力、关节扭矩等物理约束。
连接方式如下：
这个循环每15毫秒完成一次。联合创始人在发布公告里这样描述这一刻的意义：此前的工作，要么是没有身体的大脑，要么是没有大脑的运动身体。Eon第一次把两者真正合在了一起——闭环，才是关键的门槛。
04 三个真实意义，和一个被夸大的泡沫
每次有这类科技事件出现，总有两种极端反应同时弥漫：要么是"人类完了""意识上传指日可待"的技术末日论，要么是"不过是个玩具""噱头大于实质"的不屑一顾。两种反应都在消费这个事件，都没有真正理解它。
我想给出一个更有判断力的评价。
真意义一：连接组是智能的核心载体，这个命题被验证了
这是这件事最深远的科学意义。
过去几十年，神经科学界一直存在争论：大脑的智能，到底主要来自神经元之间的连接结构（架构），还是来自单个神经元的精确生物化学动力学？
Eon的实验给出了一个有力回答：用最简化的单神经元模型（LIF），只要连接结构是真实的，就能复现91—95%的运动行为预测准确率。这意味着大量行为信息确实被编码在了连接组的拓扑结构里，而不是在复杂的神经元动力学里。
对AI界的冲击在这里：如果智能的密码主要存在于连接结构，连接组学就不只是神经科学的工具，它本身就是一条通向智能的路径——而且可能比从零训练更直接、更可解释。
这不是说大模型路线是错的，而是说：还有另一扇门，通向同一个目的地。
真意义二：WBE从哲学话题变成了工程项目
全脑仿真这个概念，在过去很长时间里更像是一个哲学实验：假设我们能完整复制一个大脑，那这个复制品是否具有意识？它和原版是同一个个体吗？
这些问题当然还没有答案，但Eon的果蝇演示做了一件具体的事：把WBE从"可能的未来"变成了"可运行的当下"。
这是一个里程碑式的身份转变。它意味着研究者现在可以着手解决具体的工程问题：如何提高连接组采集的速度和精度？如何用更高保真度的神经元模型替换LIF？如何在更大规模的系统上保持计算可行性？
这些都是有明确方向的工程问题，不再是开放的哲学辩题。一旦一个领域进入工程阶段，进展速度通常会显著加快。
真意义三：打开了一条平行于大模型的AGI路径
过去三年，AGI的叙事几乎完全被大模型垄断。Scaling Law、GPT-N、多模态、推理能力……所有人都在同一条赛道上竞跑，用同一种框架理解"通向通用人工智能的路"。
Eon的实验提醒了所有人：还有另一条路，而且这条路在技术逻辑上有大模型不具备的优势。Eon创始人的核心论点是：与其造一个来历不明的外来超级AI，再花大力气解决"如何让它理解人类价值观"的对齐问题，不如把人类自己直接升级成更强的智能——对齐问题从根本上被绕过了，因为智能的主体还是人类本身。
这个逻辑不是没有争议，但它提供了一个在大模型路线之外值得认真对待的备选方案。在AGI这个可能决定人类未来几百年走向的问题上，有第二条路，是一件很重要的事。
被夸大的泡沫：它并不"活着"，也谈不上意识
再说回那些让人兴奋的标题："意识数字化""数字永生""你的大脑可以被上传"……
这些说法，目前来看，是严重超前的。
当前的数字果蝇有几个根本性的限制，Eon自己在技术文档里写得很清楚：它不会饿，没有实现内部状态的模拟（激素调节、饥饿感知等），不知道"饿了"是什么意思；它不能学习，LIF模型没有突触可塑性，无法形成新记忆，也无法从经历中改变行为；它的感知是残缺的，目前只实现了味觉、部分触觉和简化视觉，完整的感觉系统还差很远。
Eon的技术文档明确写道：这个演示最好被理解为一个"研究平台"，而不是一个生命体。
更重要的是规模问题。来看这组触目惊心的数据对比：
这不只是数量级的差距，还有采集技术的瓶颈。2024年，谷歌与哈佛合作的团队，历时十多年，动用150名科学家、22个机构，产生1.6 PB数据，才完成了小鼠大脑皮层一立方毫米区域（约5万个神经元）的连接组重建——这只是小鼠大脑的百万分之一。
历史上还有一个更沉重的前车之鉴。2013年，欧盟宣布启动"人类大脑计划"，承诺10年内用超级计算机模拟整个人类大脑，拿到了10亿欧元的投资。结果如何？项目在两年内就陷入科学家的集体抗议，先后有近800名神经科学家联署公开信批评其科学路线存在根本缺陷，项目最终被彻底重组，承诺的人脑模拟目标从未实现，实际获得约6亿欧元。
承诺10年模拟人脑、拿了10亿欧元、最终以重组告终——历史的教训是：在这个领域，宏大的时间表往往是最不可信的。
所以，Eon果蝇是一个真实的里程碑，但它离"数字意识"还有几个数量级的鸿沟，而且这条路上的每一步都会比前一步难出指数级。清醒地理解这一点，是正确评估这件事的前提。
05 如果这条路走通了，互联网行业会先感受到什么
不做科幻预言，只聊最近5到10年内，WBE路线可能产生实质影响的三个方向。
神经形态芯片：从研究项目变成商业竞争力
WBE路线天然需要一种特定的硬件：低功耗、高并行、以脉冲方式传递信号的芯片——也就是神经形态芯片（Neuromorphic Chip）。Intel的Loihi 2、IBM的TrueNorth，这些名字在AI硬件讨论里一直是配角，因为它们不擅长运行大模型。
但如果WBE路线获得更多关注和资金，情况会发生变化。生物神经网络的能效远高于基于GPU的深度学习：大脑运行功率约20瓦，而GPT-4的单次推理要消耗数百瓦算力。随着具身AI、边缘计算、机器人等场景对能耗要求越来越严格，神经形态芯片可能找到它真正的商业舞台，WBE的进展则会成为这个赛道的催化剂。
脑机接口：读写大脑的成本曲线
Neuralink、BrainGate们的商业逻辑，建立在"读取并解码大脑信号"的技术上。WBE进展对这个赛道的影响是双向的。
一方面，连接组学技术的成熟会加速我们对大脑功能区域和信号模式的理解，间接降低脑机接口的解码难度。另一方面，如果WBE路线证明了"大脑本质上是可计算的"，会给整个"增强人类智能"的叙事增加新的说服力，吸引更多资本和人才进入这个赛道。
更直接的影响可能在神经疾病研究上。WBE系统可以作为药物测试平台——在精确的数字大脑模型上模拟帕金森症、阿尔茨海默症的神经退行过程，测试干预方案，比动物实验更快、更可控、更符合伦理。这个方向的商业价值，以十年为周期来看，可能超过消费级脑机接口。
AI可解释性：黑箱之外的另一种可能
AI可解释性是当下监管界和工业界共同头疼的问题。大模型的参数空间太庞大，激活机制太复杂，"为什么它给出了这个答案"几乎无法从技术层面得到清晰回答。
WBE系统在这个问题上有天然优势：它的每一个计算单元都对应真实大脑里的一个神经元，每一条信号路径都有可追溯的生物对应，在原理上完全可解释。
这对需要AI决策透明度的行业——金融风控、医疗诊断、司法辅助——意义重大。当监管机构要求"解释你的算法"，一个基于真实大脑神经线路的系统，可以提供大模型无法提供的那种解释。
这不是说WBE会很快进入这些场景，但它代表了一个方向：如果我们想要"能解释自己的智能系统"，从生物大脑的连接组出发，可能比从神经网络的参数出发更有希望。
以下是WBE路线对三个行业方向的潜在影响全景：
06 我们站在哪里
过去十年，互联网行业习惯了一套理解AI的框架：数据、算法、算力。这三个词几乎可以解释所有AI进展背后的驱动力，也几乎可以预测下一步：谁数据更多、谁算法更优、谁算力更强，谁就走在前面。
Eon的数字果蝇提示了第四个词：结构。
大脑的智慧，可能不在于它"学了什么"，而在于它"连成了什么样子"。如果这是真的，那么接下来几十年里AI领域最重要的资产，不是GPU集群，不是训练数据集，而是连接组数据——这种数据只能从生物体里慢慢采集，用电子显微镜一片一片切、一层一层扫。它不能被批量生产，不能用算力替代，不能靠融资加速十倍。
这是WBE路线的稀缺性，也是它的瓶颈所在。
一只成年果蝇的大脑，花了FlyWire联盟七年时间、50个实验室的持续投入，才换来那张14万个神经元的完整地图。Eon在这张图的基础上，用另一套工程技术，完成了具身仿真的闭环演示。这是两个相互独立又密切配合的里程碑，分别花了几十年的积累。
下一个里程碑——小鼠大脑的全脑仿真——需要多少年？
Eon给自己的时间表是两年内开始尝试。这个时间表能否实现，大概率是过于乐观的。但这不是最重要的问题。
最重要的问题是：在你用来理解AI世界的那张地图上，有没有给这条路留一个位置。
从果蝇到人类，这条路的坐标刻度是这样的：
这条时间线最值得注意的地方，不是终点在哪里，而是它的节奏：每一个里程碑之间，都是以年为单位的扎实积累，而不是以月为单位的版本迭代。它和大模型那条路的"竞赛感"完全不同——它更像是地质运动，缓慢、持续、不可逆。
从业者看AI进展，习惯了"今天发布、明天迭代"的速度感。WBE路线提供了一种完全不同的时间感知：它的每一步进展，都在解决一个人类过去从未解决过的问题，都需要重新发明工具、重新校验假设。
数据、算法、算力，加上结构——这四个词放在一起，才是一张更完整的地图。
参考资料
Dorkenwald S. et al. Neuronal wiring diagram of an adult brain. Nature, 634, 124–138 (2024).
Shiu P.K. et al. A Drosophila computational brain model reveals sensorimotor processing. Nature, 634, 210–219 (2024).
Wang-Chen S. et al. NeuroMechFly v2: simulating embodied sensorimotor control in adult Drosophila. Nature Methods, 21, 2353–2362 (2024).
Wissner-Gross A.D. The First Multi-Behavior Brain Upload. Substack: The Innermost Loop (March 7, 2026).
Eon Systems PBC. How the Eon Team Produced a Virtual Embodied Fly. eon.systems/updates (2026).
Nature. Europe spent €600 million to recreate the human brain in a computer. How did it go? Nature (2023).
