果蠅大腦模擬教學：從 MaleCNS 到 DOOMFLY，自己接上遊戲與奇怪實驗

想自己做出 X 上會玩遊戲的「果蠅大腦」，最實際的起點是使用公開的神經接線資料，搭配現成模擬程式。本文選用 DOOMFLY，帶你從看懂資料、安裝環境，到改變視覺輸入，觀察遊戲控制如何跟著變化。

先把成果說清楚：你會建立一個使用真實果蠅接線資料的軟體模型，讓它接收遊戲畫面並輸出控制訊號。這和復活一隻果蠅、重現牠的記憶，或證明牠學會玩遊戲，是不同的事。

教學面向第一次接觸神經模擬、能開啟終端機操作的讀者。完全不寫程式，也可以先完成官方網頁的探索。以下流程已在 Apple Silicon Mac 實際完成：下載並核對 MaleCNS v1.0、建立全量圖譜、通過 16 項測試、啟動 DOOMFLY，再用相同 seed 比較正常視覺與關閉視覺。文中的儀表板圖片都是這次實跑截圖。

你要建立的「果蠅大腦」，其實包含哪些東西？

這類專案的核心是神經連接組（connectome），也就是記錄神經細胞彼此如何相連的接線圖。突觸則是細胞之間傳遞訊號的接點。知道接線，可以研究訊號可能往哪裡走，但仍需要另外定義細胞怎麼產生反應。

MaleCNS 是成年雄果蠅中樞神經系統的資料集名稱，範圍包含頭部的大腦與連接身體的腹神經索。Google Research 的介紹以超過 16.6 萬個神經元、約 1.25 億個突觸連接概括其規模。官方專案時間表則顯示，v1.0 在 2026 年 6 月 8 日釋出，論文於 9 月 3 日發表。

把接線資料變成能互動的作品，還要補上三件事：模擬細胞活動的計算規則、把畫面轉成神經刺激的方法，以及把神經活動轉成遊戲操作的方法。DOOMFLY 已把這些部分接在一起，適合拿來理解完整流程。

例如遊戲中出現一面亮牆，程式先把畫面的亮度與顏色轉成輸入，模型算出神經反應，再由開發者指定的規則決定轉向、移動與射擊。這套轉接規則叫做解碼器，你可以把它理解成「把神經訊號翻成按鍵」的翻譯層。

研究團隊的官方動畫可以幫你看懂真實資料中的視覺與運動通路。遊戲專案如何選擇輸出訊號，仍是另一層工程設計。

X 上那些作品，哪些現在能自己做？

先選一個有程式、資料入口與操作說明的專案，成功機率會高很多。下面區分可自行安裝的作品，以及仍以展示為主的作品。

Fly64 作者說明使用 M2、16 GB 記憶體的 MacBook，並需要約 1.1 GB 的腦資料空間。這是該作品的環境紀錄，不能當成所有果蠅模擬的通用需求。NeuroCraft Fly則明確標示軟體仍在準備釋出，目前適合參考展示與方法。

下面採 DOOMFLY 為主線。它的價值在於能查看從資料到遊戲的每一層，而且作者也公開了失敗的驗證結果。

第一步：先用瀏覽器探索官方果蠅接線圖

不用先下載大量資料。打開 MaleCNS Explore，選擇 Neuroglancer。這是一個用瀏覽器查看大型 3D 研究資料的工具。

1. 從頁面的「Open in new tab」打開完整場景，先觀察目前顯示的神經形狀。
2. 找到 cns-seg 圖層，它用來顯示辨識出的神經細胞。依官方範例，把搜尋詞 DNa01 改成 DP1m，觀察另一類細胞。
3. 開關 presyn 與 postsyn 圖層，查看所選神經的突觸位置。
4. 想查細胞彼此的連接，再回到 Explore 選 neuPrint。它提供搜尋、形狀與連接關係的分析入口。

完成這一步，你應該能解釋「我正在看哪類細胞、它的接點在哪裡」。畫面中漂亮的線條提供的是結構資訊，還需要計算程式才能變成會隨時間更新的反應。

第二步：準備 DOOMFLY 的本機環境

DOOMFLY 安裝文件要求 Python 3.11、C++ 編譯器，以及數 GB 的可用記憶體。觀看介面另需 Node.js 22.13 以上。Python 負責神經運算，Node.js 負責啟動網頁介面，兩者會同時執行。

以下使用 macOS／Linux 的終端機語法。先確認 git --version、python3.11 --version、clang++ --version 與 node --version 都能顯示版本。缺少工具時，先依 Python、Node.js與作業系統的開發工具安裝說明完成設定。Windows 讀者需要另行處理環境相容性，本文不把這些命令視為 PowerShell 教學。

先取得程式，固定到本教學查閱的版本，避免後續更新讓檔名或參數不同。

git clone https://github.com/nftechie/doomfly.git
cd doomfly
git checkout 71ecf53d78eaffaf1a57ed7b0ccf5d458abc9f33
python3.11 -m venv .venv-neural
source .venv-neural/bin/activate
python -m pip install --upgrade pip
python -m pip install -r requirements-neural.txt -r doom/requirements.txt \
  --build-constraint neural-build-constraints.txt

其中 .venv-neural 是這個專案自己的 Python 套件空間，可避免不同專案的套件版本互相干擾。後續命令都在 doomfly 資料夾執行，終端機也要維持這個環境啟用。若重新開啟終端機，先回到資料夾，再執行一次 source .venv-neural/bin/activate。

如果電腦沒有 python3.11，但已安裝 uv，也可以先執行 uv python install 3.11，再用 uv venv --python 3.11 .venv-neural 建立環境。本次 Apple Silicon Mac 實跑採用這條路線，套件則以 uv pip install --python .venv-neural/bin/python 安裝相同的需求檔。

第三步：下載資料，建立可計算的神經網路

只下載程式還不夠，神經接線資料需要另外取得。專案的 doom/datasets.json 指定了三份來源，分別是細胞註記、神經傳遞物質資訊與連接權重。權重表示模型中一條連接的影響程度。

以下程式依專案清單下載，並檢查 SHA-256。它是一種檔案指紋，可以檢查下載內容是否與作者記錄的版本一致，避免檔案不完整卻繼續運算。

python - <<'PY'
from pathlib import Path
import hashlib
import json
import urllib.request

name = 'malecns_v1'
registry = json.loads(Path('doom/datasets.json').read_text())['datasets'][name]
locked = json.loads(Path(f'data-provenance/{name}/source.lock.json').read_text())
root = Path('connectome_data') / name
root.mkdir(parents=True, exist_ok=True)
for filename, url in registry['files'].items():
    target = root / filename
    if not target.exists():
        partial = target.with_suffix('.download')
        urllib.request.urlretrieve(url, partial)
        partial.replace(target)
    with target.open('rb') as stream:
        digest = hashlib.file_digest(stream, 'sha256').hexdigest()
    if digest != locked[filename]['sha256']:
        raise RuntimeError(f'Source checksum mismatch: {filename}')
(root / 'source.lock.json').write_text(json.dumps(locked, indent=2) + '\n')
PY

接著匯入資料、產生模擬需要的檔案，再編譯運算核心。

python -m doom.connectome malecns_v1
python -m doom.prepare
python -m doom.audit_data
python -m doom.build_kernel

每一行成功後才執行下一行。專案保留的模型包含 166,700 個神經元與 25,582,938 條有向連接紀錄。連接紀錄可能彙整多個突觸接點，因此不要把這個數量和研究介紹中的約 1.25 億直接相比。

最後執行作者提供的數值與功能檢查。它們協助找出程式錯誤，但通過也不代表模型已被證明與真實果蠅完全一致。

python -m pytest tests/test_doom.py tests/test_doom_reference.py \
  tests/test_doom_live_training.py -q

若出現失敗，先保留完整錯誤訊息，回到對應步驟處理，不要跳過檢查直接改參數。

第四步：啟動神經模擬，再開觀看介面

第一次先執行 baseline，也就是不啟用實驗性學習的基準版本。先確認訊號能從畫面一路走到遊戲控制，後面比較變化才有依據。

python -m doom.server --model baseline --port 8766 \
  --audit-dir outputs/doom/tutorial-baseline

保留這個終端機執行。另開一個終端機，先檢查本機服務是否啟動。

curl http://127.0.0.1:8766/health
curl http://127.0.0.1:8766/state

health 提供服務狀態，state 提供目前的模擬資料。剛啟動時可能還在載入，等待終端機出現執行狀態後再查一次。連續查詢時，序號或時間應持續更新。127.0.0.1 表示你自己的電腦，這個步驟不需要公開網站。

服務正常後，在第二個終端機回到同一份 doomfly 專案，啟動觀看頁面。

cd doom-ui
npm ci
cat > .dev.vars <<'VARS'
DOOM_STREAM_ORIGIN=http://localhost:8766
VARS
npm run dev

打開終端機顯示的本機網址。這個網頁會向剛才的 Python 服務取得畫面與數據，瀏覽器本身沒有在計算整張神經網路。若只開網頁、沒有開模擬服務，就不會有持續更新的遊戲。

成功的判斷是畫面與神經讀值持續更新，而且模型輸出有傳到遊戲。角色一直轉圈或撞牆，仍可能表示控制流程已接通。至於有沒有玩得更好，需要另外設計比較。

第五步：先做三個能比較結果的奇怪實驗

讓它動起來後，最容易開始的玩法是改變它收到的視覺資訊。每次只改一個條件，保留相同的初始隨機設定，才比較容易追查差異從哪裡來。seed 就是用來固定隨機起點的數字。

以下每次只執行一個命令。切換實驗前，在模擬終端機按 Ctrl+C 停止前一次執行，避免占用同一個連接埠，也避免同時載入多份大模型。

實驗一：正常看世界

python -m doom.server --model baseline --condition intact --seed 41027 \
  --audit-dir outputs/doom/tutorial-intact

把這次當成參考組。記錄固定時間內的轉向、射擊與存活情況，並保存執行紀錄。不要只留下最好看的一段。

實驗二：把視覺輸入歸零

python -m doom.server --model baseline --condition blank_vision --seed 41027 \
  --audit-dir outputs/doom/tutorial-blank

這個條件把送進模型的視覺刺激歸零。若角色依然行動，代表在這個設定下，動作不能全部歸因於當下看到的畫面。它不等於模型在「憑記憶導航」，還可能與持續的網路活動及控制規則有關。

實驗三：讓視野停在同一張畫面

python -m doom.server --model baseline --condition frozen_vision --seed 41027 \
  --audit-dir outputs/doom/tutorial-frozen

這個條件固定模型接收的視覺輸入，遊戲仍會繼續。你可以比較：沒有新畫面後，角色的轉向模式是否改變？若差異很小，就值得進一步檢查控制是否真的依賴連續視覺。

上述參數已存在於專案的服務程式。先做一輪理解差異，再換幾組 seed 重複比較。相同 seed 有助於比較，但不保證所有平台與執行時間都完全一致，也不能靠單次結果證明生物學結論。

本機實跑的比較結果

我在同一台 Apple Silicon Mac、相同 seed 41027 下，各取前 50 秒神經時間比較。正常視覺在這段期間維持第一局，得到 11 kills；關閉視覺則死亡 5 次，共得到 7 kills。正常視覺的平均前進控制值為 19.23，關閉視覺為 7.04。

這一輪顯示視覺刺激確實改變了控制器的行動與存活結果，但樣本只有一個 seed，也沒有重複多輪統計。它是「整條流程已接通」的工程證據，不是模型學會 Doom 或重現自然果蠅行為的科學證明。

還想更怪？把神經輸出接到自己的小遊戲

如果目標是做出可互動作品，我推薦先做「接近亮點的小圓點」。場景只需要左右兩側的亮度、角色位置與目標距離，容易看出輸入和輸出之間的關係，維護成本也比直接改大型遊戲低。

下面是可自行開發的方向，並非 DOOMFLY 已內建的功能。

自己開發時，保留三個清楚的程式邊界：場景提供輸入、模型計算反應、控制器改變角色。先用固定數值檢查角色能否左轉與右轉，再接入模型輸出，較容易分辨是遊戲控制錯了，還是模型本來就沒有你期待的反應。

點雲動畫尤其適合創作，但要標示它如何生成。若是直接把影片明暗畫到神經位置上，成果代表影像映射，不能由此推論大腦看懂、學會或自己生成了那支影片。使用自製影像與音樂，也比較方便後續分享作品。

可以打開「學習模式」嗎？

DOOMFLY 的確提供實驗性學習版本。這裡的學習指的是依活動與回饋改變部分連接的強度，並不是讓語言模型讀懂遊戲說明。

完成基準版本後，可以另開一組紀錄，按作者提供的方式啟動。

python -m doom.server --model experimental-v6 --learning --port 8766 \
  --audit-dir outputs/doom/tutorial-learning \
  --checkpoint-dir outputs/doom/tutorial-learning/checkpoints \
  --checkpoint-seconds 300 --resume

checkpoint 是儲存模型狀態的檔案，方便之後接續執行。這個版本恢復的是模型狀態，遊戲會開啟新的一局，不能把它當作遊戲世界完整回到中斷瞬間。

作者的訓練說明指出，目前視覺、制約與生存驗證仍未通過。看到連接強度改變、偶爾活得較久，都還不足以宣稱學會生存。若要研究學習，至少要比較不同初始設定、凍結學習的對照組，以及訓練時沒見過的測試條件。

因此，第一個作品先以「能接收刺激、輸出動作，而且能說明差異」為目標。這已經足以做成有趣、可展示也可檢查的專案。

安裝卡住時，先檢查哪裡？

果蠅大腦模擬 FAQ

一定要有 GPU 嗎？

DOOMFLY 的這條安裝路線沒有把 GPU 列為必要條件，主要要求 Python、C++ 編譯環境與足夠記憶體。實際速度仍與硬體和執行設定有關，本文沒有提供全量效能實測數字。

可以只在瀏覽器建立完整模擬嗎？

本文的 DOOMFLY 路線需要獨立執行 Python 模擬服務。官方 Neuroglancer 可以直接在瀏覽器探索接線圖，但它和動態神經模擬是兩個不同工具。

可以直接下載 Minecraft 的果蠅 mod 嗎？

截至 2026 年 9 月 12 日，NeuroCraft Fly 的專案頁仍表示 mod 與配套程式尚未提供下載。可以看作者展示和開發計畫，不能把目前頁面當成已完成的安裝包。

這是在操控真正活著的果蠅嗎？

這些步驟操作的是電腦中的數值模型，使用的是研究團隊公開的結構資料。現有展示沒有建立它具有意識或主觀感受的證據，也不能把遊戲受傷直接等同於真實果蠅受傷。

第一個作品，做到能解釋就值得分享

先把官方接線圖看懂，再讓基準模型跑起來，接著完成正常視覺、無視覺與固定視覺三組比較。分享時同時展示畫面、設定和結果，別只剪出看起來最聰明的那一刻。

如果這個流程順了，再把控制輸出接到找香蕉的小遊戲或虛擬寵物。觀眾能玩到作品，你也能指出哪些來自資料、哪些來自模型、哪些是自己寫的規則，這樣的教學與展示才容易被別人重做。

延伸閱讀：「他們把果蠅大腦接上 AI，結果它只聊爛水果？」百萬爆紅推文背後，Google 聯手科學界繪製首張完整雄果蠅神經圖譜

資料來源

• MaleCNS 官方資料入口、時間表與授權
• MaleCNS Explore 操作說明
• MaleCNS 官方圖片與影片庫
• Google Research：成年雄果蠅完整神經圖譜
• DOOMFLY 原始碼與安裝文件
• DOOMFLY 實驗性訓練方法與限制
• DOOMFLY 第三方資料與素材權利說明
• Fly64 作者說明
• NeuroCraft Fly 釋出狀態

本教學的資料下載程式改寫自 DOOMFLY 的 MIT 授權文件。Copyright (c) 2026 nftechie and DOOMFLY contributors。完整授權如下。