AI 科技新聞

果蠅大腦真的會玩 Doom、Mario、Beat Saber？16.6 萬個神經元被搬進遊戲的真相

果蠅連接組能控制 Doom、Mario 與 Beat Saber，不代表已經學會遊戲。本文拆解 16.6 萬個神經元如何變成實驗性控制器。

MaleCNS v1.0 重建成年雄果蠅完整大腦、視葉與腹神經索。圖片來源：Google Research（https://research.google/blog/a-connectomics-milestone-mapping-the-complete-male-fruit-fly-brain/）

Google Research 與科學界剛公開一隻成年雄果蠅的完整神經接線圖，開發者便把它送進 Doom、Super Mario 64、Beat Saber 與 Minecraft。影片裡的角色確實由模擬神經活動驅動，但這不代表一顆果蠅大腦已被完整復活，更不代表牠已經理解遊戲規則。

真正值得注意的，是一份原本服務神經科學研究的資料，幾天內就被改造成可以接收畫面、產生動作的軟體控制器。它讓「大腦接線圖能否變成可執行模型」從論文問題，變成任何開發者都能動手測試的開源實驗。

本文會回答三個問題：這 16.6 萬個神經元從哪裡來、遊戲畫面如何變成神經輸入，以及目前的成果究竟是「能讓角色動」還是「真的學會玩」。

先說結論：能控制角色，不等於會玩遊戲

社群影片最容易讓人誤會的，是把三個不同層次壓縮成一句「果蠅大腦會玩遊戲」。

第一層是生物資料。研究團隊真的重建了雄果蠅神經元之間的連接。第二層是軟體模型，開發者必須自己設定每個神經元如何接收刺激、何時產生訊號，以及訊號怎麼沿著接線圖傳遞。第三層才是遊戲介面：哪些神經活動代表向左、前進、射擊或揮動手臂，也要由人為規則決定。

因此，目前較準確的說法是： 開發者把果蠅的真實神經連接結構，做成能驅動遊戲角色的實驗性控制器。 其中部分專案加入學習機制，但截至 2026 年 9 月 10 日，還沒有可靠證據證明模型能靠視覺回饋穩定學會遊戲。

這個區別不是在挑字眼。角色只要收到控制訊號就會移動，但「會玩」至少應該包含目標導向行為、表現隨訓練改善，以及在新場景中仍能維持能力。現有展示多半還沒有跨過這道門檻。

MaleCNS v1.0 是什麼？它是一張接線圖，不是一顆完整數位大腦

這波實驗的共同底座叫做 MaleCNS v1.0。CNS 是 Central Nervous System 的縮寫，也就是中樞神經系統。這份資料不只包含果蠅頭部的大腦，還涵蓋視葉與腹神經索。腹神經索的功能可粗略類比為脊髓，負責把腦內訊號接到身體運動。

根據發表於《Cell》的研究，這份連接組包含 166,691 個神經元與 11,691 種細胞類型。Google Research 將它概括為超過 16.6 萬個神經元、約 1.25 億個突觸連接，也是當時按神經元數量計算規模最大的完整腦部接線圖。 連接組（connectome） 可以把它想成神經系統的電路圖，記錄哪些神經元彼此相連，以及連接的大致方向與規模。

雄果蠅完整中樞神經連接組的側面與正面彩色視圖 — 同一份 MaleCNS 連接組的兩個觀看角度，可看到大腦與腹神經索之間的連續結構。圖片來源：Google Research。

這張地圖的重要性，在於研究者第一次能沿著同一份完整資料，從視覺、嗅覺等感覺輸入一路追到運動輸出。HHMI Janelia 的神經科學家 Greg Jefferis 將它形容為，可以「一次從眼睛走到腿」。研究團隊也把資料開放給外界查詢與下載，於是遊戲開發者很快開始測試：如果讓訊號真的沿著這張圖流動，會發生什麼事？

雄果蠅中央腦、視葉與腹神經索區域示意圖 — 綠色為中央腦、紫色為視葉、藍色為腹神經索，三者共同組成這次公開的完整中樞神經系統資料。圖片來源：Google Research。

Google Research 官方短片說明 AI 如何協助把大量顯微影像重建成神經圖譜。影片來源：官方 YouTube 影片。

但接線圖只告訴我們線接在哪裡，沒有完整記錄一顆活腦在每一刻的化學狀態、神經調節、感覺器官、肌肉回饋與生活經驗。就像拿到一台電腦的主機板線路圖，不等於同時擁有作業系統、記憶內容與正在執行的程式。

果蠅大腦怎麼接進遊戲？關鍵是「輸入、傳遞、輸出」

這些專案雖然選了不同遊戲，基本流程很接近。

首先，程式會擷取遊戲畫面，把亮度、顏色或物體位置轉成數值，再餵給模型中的視覺神經元。接著，開發者指定一套神經動力規則，計算哪些神經元會被啟動，以及活動如何沿著 MaleCNS 的連接傳下去。最後，程式讀取特定運動相關神經元的活動，把左右差異或放電強度轉成搖桿與按鍵輸入。

簡化後的閉環如下：

HHMI Janelia 官方視覺化展示 R1–R6 視覺神經元通往 DNg13 運動神經元的路徑。影片來源：官方 YouTube 影片。

遊戲畫面 → 人工編碼成感覺刺激 → 模擬神經網路 → 人工解碼成控制鍵 → 遊戲產生新畫面

這裡有兩個人工設計層。開發者先用近似模型，決定畫面如何對應到果蠅視覺系統，再選擇哪些神經元代表各個遊戲按鍵。神經接線來自真實生物，但遊戲世界與果蠅身體之間的轉接器是人造的。

因此，這些作品沒有把一隻果蠅的意識接進電腦。它們做的是把生物接線結構放進一個人造的感知—行動迴路。

DoomFly 做得最完整，但也最誠實地記錄失敗

DoomFly 是目前資料最透明的實驗。專案使用 166,700 個保留神經元與約 2,558 萬條有向連接紀錄，讓遊戲畫面分別驅動 3,335 個亮度感測輸入與 811 個色彩感測輸入。模型活動再被映射到轉向、移動與射擊。

開發者也加入一個類似負向回饋的機制。角色受到非致命傷害時，系統會向兩個 PPL101 多巴胺細胞施加 200 毫秒的人工刺激，並允許一小部分現有連接依活動改變。 強化學習（reinforcement learning） 是讓系統根據獎勵或懲罰調整行為的方法。在這個實驗裡，受傷刺激就是人造的負向訊號。

看起來像是果蠅正在努力學會活下來，但專案 README 給出的結論相當保守：最新的 v6 候選模型沒有通過視覺、制約與生存驗證。權重發生變化、單局活得比較久，都不足以證明模型真的學會生存。

這反而是 DoomFly 最有價值的地方。它不只公開成功畫面，也保留負面結果、對照實驗與模型假設。對神經科學來說，一個能被推翻的失敗結果，往往比一段看起來很像智慧的短影片更有用。

Super Mario 64、Beat Saber、Minecraft 各做到哪裡？

其他三個熱門展示的成熟度並不相同，不能只看影片的流暢程度判斷。

專案	實際做法	目前能說什麼	不能說什麼
Super Mario 64／Fly64	從 Mario 周圍擷取六個方向的畫面，輸入神經模型，再把指定神經群活動轉成前進、轉向與跳躍	模型可以產生控制訊號，完整程式已開源	沒有訓練、獎勵或收集星星的目標，不能說已學會 Mario
Beat Saber	把運動輸出接到揮動動作，並嘗試訓練視覺反應	影片呈現了神經模型驅動的動作	作者說目前主要是對預錄軌跡的過度擬合，角色仍會亂揮與漏音符
Minecraft／NeuroCraft Fly	讀取模擬神經活動，再用人工選定的訊號調節預先編寫的身體動作	顯示完整圖譜可被搬進另一種即時環境	完整程式與可玩版本仍在準備，尚不能視為已被第三方重現

Fly64 的文件尤其清楚。它每秒擷取 10 次畫面，模擬模型每秒更新 50 次，再讀取幾組指定神經元，控制 Mario 前進、轉向與跳躍。這些控制規則由開發者撰寫，而且專案沒有設定獎勵或遊戲目標，所以 Mario 撞牆後一直卡住，並不是令人意外的結果。

Beat Saber 的原始影片看起來最像「會玩」，但作者隨後在 X 補充，當時只是讓運動輸出部分對預錄動作過度擬合，視覺反應與後續學習仍在進行。作者也直接回答，目前角色「只是亂揮」。換句話說，漂亮的動作展示證明介面已接通，尚未證明模型能看見方塊後做出正確決策。

這三個案例共同顯示，社群影片的完成度與科學驗證成熟度可能完全不同。畫面越像成功，越需要追問它是否使用預錄軌跡、人工控制規則、訓練資料，或只挑出最好看的一段結果。

這些實驗真正證明了什麼？

如果把「數位果蠅復活」的想像拿掉，這波作品仍有三個實質意義。

第一，完整連接組已經從靜態資料庫變成可執行的工程材料。研究者不必只在圖上追蹤神經路徑，也能把假設放進即時環境，觀察不同感覺輸入與運動解碼方式會產生什麼結果。

第二，生物接線可能成為 AI 模型的一種結構先驗。結構先驗是模型開始學習前就具備的組織方式。2026 年的 FlyGM 預印本便把果蠅連接組做成訊息傳遞網路，用於虛擬果蠅的行走與飛行控制。研究者報告，保留生物連接結構的模型，在部分任務中比隨機改線的網路更有效率。不過這是另一套研究方法，不能直接拿來替 Doom 或 Beat Saber 的成果背書。

第三，AI 輔助寫程式正在縮短跨領域原型的製作時間。Google 使用機器學習協助從電子顯微鏡影像重建神經元，部分遊戲開發者又使用 AI coding 工具協助處理資料、模擬器與遊戲介面。AI 在這裡同時加速了「製作腦地圖」與「把腦地圖接到軟體」兩端。

我對這個方向偏正面，理由在於開放資料與 AI coding 讓原本只有大型研究團隊能碰的題目，快速變成可重現、可質疑、可做消融實驗的原型，而非期待果蠅成為電競選手。若後續只剩更多吸睛影片，卻沒有對照組、失敗紀錄與第三方重現，這個價值就會迅速退化成科技迷因。

延伸閱讀：果蠅大腦接上 AI 只聊爛食物？Google 與《Cell》雄果蠅神經圖譜解析

這是數位生命嗎？果蠅會不會在遊戲裡受苦？

目前沒有證據顯示這些軟體模型具有意識，也沒有活體果蠅被接到遊戲中承受傷害。Doom 裡的「受傷」是程式向兩個模擬細胞加入人工刺激，並不是對一隻活昆蟲施加痛覺。

一份連接組也不包含原果蠅的記憶與人格。它來自一個生物樣本的結構重建，但模擬器中的神經狀態、放電規則、背景雜訊與學習方式都是重新設定的。即使模型使用同一張接線圖，也不等於掃描標本以數位形式延續生命。

這不代表倫理問題永遠不需要討論。當模型逐步加入更精細的神經動力、身體回饋與可驗證的學習能力，研究者仍應建立透明的評估標準。但就現階段而言，把這些展示描述為囚禁一個有感受的數位果蠅，已經超出證據。

結論：真正跨過的門檻，是從「看懂接線」到「讓接線運作」

果蠅還沒有學會打 Doom，也沒有成為 Beat Saber 高手。現有成果比較像把一張真實神經接線圖裝上人造感官與控制器，確認它能在數位環境裡產生動作，再開始測試能否形成穩定學習。

這個門檻依然重要。過去，完整連接組的價值主要是讓科學家查詢哪些神經元彼此相連。現在，開源資料、即時模擬與 AI coding 讓更多人可以把接線圖放進可互動環境，直接檢驗自己的假設。

接下來真正該看的，並非哪個遊戲畫面最酷，關鍵是哪個專案願意公開訓練方法、對照組、失敗結果與可重現程式。當模型能在未看過的場景中，穩定依視覺回饋改善行為，才比較接近「果蠅神經模型學會玩遊戲」。在那之前，把它稱為實驗性遊戲控制器最準確。

常見問題

果蠅大腦真的在玩 Doom 嗎？

DoomFly 確實使用 MaleCNS 的神經連接資料產生遊戲控制訊號，但感覺編碼、神經動力與按鍵映射都包含人為設計。專案目前也沒有通過學習生存的驗證，因此更精確的說法是「果蠅連接組模型正在控制 Doom」。

16.6 萬個神經元都是即時運算嗎？

DoomFly 與 Fly64 文件都表示保留並運算完整的約 166,700 個神經元，但會使用簡化的神經動力規則與高效率陣列計算。這不等於逐一重現活體神經元的所有生物與化學細節。

什麼是過度擬合？

過度擬合是模型把練習資料記得太熟，換到新輸入時卻不一定做得好。Beat Saber 作者說運動輸出目前是對預錄軌跡的過度擬合，代表影片能重現一段動作，還不能證明模型會看著新音符即時判斷。

這些模型有果蠅的記憶或意識嗎？

沒有相關證據。連接組主要記錄神經元之間的結構關係，不包含完整的即時活動、身體狀態、生活經驗或可驗證的主觀感受。

這類實驗下一步要驗證什麼？

最重要的是受控比較與第三方重現。研究者需要證明表現會隨訓練穩定改善，勝過隨機接線或移除關鍵神經元的對照模型，而且換到未看過的畫面仍能完成目標。