文章阅读目录大纲
Github开源地址：https://github.com/xieguigang/flywire
本文是"果蝇赛博生命"三部曲的第三篇，也是高潮篇。前两篇我们讲清了脉冲神经元的"漏水桶"模型（第一篇），以及 FAFB-v783 连接组这张 5000 万条记录的全脑"通话清单"（第二篇）。今天，我们要做两件事：第一，给这只果蝇通电，看看她大脑里哪片区域在亮；第二，把贪吃蛇游戏接进她的大脑，让她自己玩。 然后——因为这篇文章写得足够长——我们顺便讨论一下人类的数字永生、缸中之脑、《黑客帝国》和《流浪地球 2》。坐稳了。
一、电刺激实验：在果蝇的大脑里点灯
1.1 实验想干什么
神经科学里有个古老而粗暴的研究传统：往脑子里插电极，通上电，看动物有什么反应。19 世纪的科学家们靠这招发现了"大脑功能分区"——电这里，腿动了，说明这片管运动。
我们的仿真做的是同一件事，只是电极换成了电流数组，果蝇换成了 139,255 个 LIF 桶。实验流程用自然语言伪代码写出来是这样的：
1. 加载连接组：读入通话记录，按突触数建权重矩阵 W
（稀疏存储，兴奋性权重为正、抑制性为负）
2. 挑选刺激对象，二选一：
a) 随机模式：掷骰子选 5,000 个神经元
b) 类型模式：点名刺激某一类，比如"所有视觉神经元"
3. 标定全局增益 G（关键步骤，见 1.2）
4. 正式仿真：跑 T = 30 个时间步
每一步，对每个神经元：
u[t] = β·u[t-1] + W·s[t-1] + I[t]
若 u[t] ≥ θ：发放脉冲，u[t] 清零
（β = 0.9，θ = 1.0，I[t] = 刺激电流）
5. 收集战果：每个神经元的脉冲数、每步活跃神经元数、总发放率1.2 全局增益：那道不标定会翻车的工序
第二篇埋的伏笔在此兑现。权重归一化之后，整体强度由一个全局增益 G 控制。G 太小，刺激像隔靴搔痒，整个大脑睡死过去，一个脉冲都没有；G 太大，全体神经元集体疯狂发放，仿真变成一锅沸腾的粥，毫无信息量。
健康的神经系统应该处于两者之间——有选择的、稀疏的活跃。所以正式仿真前，我们先跑几次"探针"：用几个候选增益各试跑一小段，看哪种能让活跃神经元比例落在一个合理的目标区间：
对每个候选增益 G：
用 G 试跑一小段仿真（探针）
记录活跃神经元比例 f(G)
选出使 f(G) 最接近目标活跃度的 G这有点像淋浴调水温：正式洗之前先用手腕试几下。区别在于我们的"手腕"是一次完整的小规模全脑仿真，而且试错过程发生在一位女士的大脑里——好在她是仿真拷贝，不构成侵权。
1.3 看结果：谁在大脑里亮了？
30 步跑完，得到一个长度为 139,255 的脉冲计数向量。配上 coordinates.csv 里的空间坐标和脑区归属，就能在三维可视化程序里看到：刺激某类感觉神经元后，哪些脑区被"点亮"了，脉冲如何沿着连接组一级一级传递、放大或衰减。
几个值得关注的统计量（都很好算）：
$$
\text{平均发放率} \; r = \frac{\text{脉冲总数}}{\text{神经元数} \times T},
\qquad
\text{活跃比例} \; f = \frac{\text{发放过至少一次的神经元数}}{N}
$$
用第二篇的比喻：我们往城市里某批市民的信箱里塞了纸条，然后统计一天之内全城有多少人传递过纸条、哪些街区最热闹。一个没有学习、没有训练的静态网络，仅凭"通话记录 + 漏水桶规则"，就展现出了结构化的活动传播——这是整个项目最令人着迷的地方。连接组数据本身，就已经携带了大量计算结构。
顺带一提工程细节：534 万条边的稀疏矩阵乘法，每步都要来一遍，跑 30 步就是 1.6 亿次边操作。项目里实现了 SIMD 向量化和 GPU（CUDA）两条加速后端，仿真结果会报告实际走了哪条路径。给一只果蝇通电尚且如此，给 860 亿神经元的人脑通电……我们先记下这个问题，文末再算账。
二、果蝇玩贪吃蛇：双向脑机接口闭环
如果说电刺激实验是"塞纸条、看谁亮"，那么贪吃蛇项目就是双向接口：纸条照塞，而且还要接电话——把大脑的输出真正翻译成游戏操作。
2.1 接口设计：大自然的规范，我们照抄
还记得第二篇那两个数字吗？
- 5,536 个 afferent（感觉传入）神经元：外界信息的入口；
- 441 个 efferent（运动传出）神经元：大脑指令的出口。
这不是我们发明的接口，是这只果蝇天生的。我们要做的只有两件事：把游戏世界翻译成电流（感觉侧），把放电翻译成按键（运动侧）。中间那个 139,255 神经元的网络，一行权重都不改。
用一张图表达这个架构：
┌─────────────┐ 16 个感觉通道 ┌──────────────────────┐
│ 贪吃蛇游戏 │ ─────────────────→ │ 5,536 个感觉神经元 │
│ 游戏世界 │ 折算成注入电流 │ ↓ │
│ │ │ 139,255 神经元的 │
│ │ ←───────────────── │ LIF 脉冲网络 │
└─────────────┘ 读出放电率、 │ （每 tick 推进一步） │
每个游戏帧 解码成方向 │ ↓ │
= 一个 tick │ 441 个运动神经元 │
└──────────────────────┘2.2 感觉侧：把游戏画面翻译成"电流"
果蝇的眼睛看不到像素，我们的做法也不是把屏幕截图塞给她，而是把游戏状态提炼成 16 个感觉通道的刺激强度。为什么是 16 个？因为对一条蛇来说，需要知道的无非两件事：食物在哪个方位（要追）和往哪走会死（要躲）：
- 通道 0–7：食物方位。 以蛇的当前朝向为参考系划 8 个扇区（正前方是 0 号扇区，左 3 个右 3 个，正后方 1 个）。注意用相对方位而非绝对方位——蛇不能掉头，"我的左前方"才是有意义的刺激量；
- 通道 8–11：碰撞危险。 上/下/左/右四个绝对方向，该方向紧邻处有墙、障碍或蛇身（自己的或别人的）就取 1，否则取 0；
- 通道 12–15：特殊食物方位。 分值是普通食物的 5 到 30 倍（活动食物 5 分、超级食物 30 分，普通食物 1 分），必须让大脑看得见，否则会出现"不该追的看得见、该追的看不见"的感知错位。
每个食物通道的强度随距离衰减，单调递减：
$$
\text{强度}(d) = 1 - \frac{d}{R}, \qquad d \le R
$$
d 是食物的距离，R 是可视半径。近处的食物更"抢眼"，远处的只剩微光——这其实非常接近真实视觉的空间分辨率衰减。这些强度值最后乘上标定电流（项目里是 2.4 单位），变成注入对应感觉神经元的恒流：
$$
I_i[t] = 2.4 \times \text{通道强度}[t], \quad i \in \text{该通道的感觉神经元}
$$
一个通道对应一批感觉神经元而非单个，这和真实感官的冗余编码一致：视网膜上一个光点会点亮一片感光细胞，而不是一个。
2.3 网络侧：每 tick 推进一步
与电刺激实验"跑固定步数看结果"不同，游戏是流式的：每来一帧，推进一步，读一次数。网络状态（每个神经元的膜电位）在整局游戏中持续累积、从不清空——只有开局重置一次。
这里有个直击灵魂的问题：游戏里的一帧，等于大脑里的多少毫秒？ 答案：无所谓。LIF 网络的"时间步"只是个离散化的记号，游戏帧率决定了仿真时间轴和游戏时间轴的换算比例。在果蝇的主观世界里，一局贪吃蛇大约持续几十万拍——足够她"体验"一场完整的人生了。这个细节请记住，写《黑客帝国》的时候要用。
2.4 运动侧：从 441 个神经元的唠叨里读出"按哪个键"
每 tick 之后，我们要从运动神经元的放电里解码出一个方向。直接看单步脉冲太抖（神经系统的"噪声"），所以取一个 4 tick 滑动窗口里的放电率作为特征——正如你听人说话不会逐个音节做决定，而是听完整一句话：
$$
ri[t] = \frac{1}{W} \sum{k=t-W+1}^{t} s_i[k], \qquad W = 4
$$
然后把 441 个运动神经元分成 4 组，对应 4 个动作方向。每组内部求和得到 4 个分数：
$$
Sd[t] = \sum{i \in \text{组} d} r_i[t], \qquad d \in {\text{上，下，左，右}}
$$
得分最高的组获胜，该方向就是果蝇这一拍的"决策"。
2.5 她到底会不会玩？——读出层的"培训"
到这里有个尴尬的技术现实：中间的 139,255 神经元网络是原封不动的生物数据，权重是死的、不训练的。感觉进去、活动发生、运动出来，但"活动→方向"的对应关系凭什么是对的？果蝇进化了几亿年，可从没玩过贪吃蛇。
答案是：中间网络保持神圣不可修改，但出口处加一个很小的可学习读出层，负责把运动神经元的放电率特征映射到方向分数。训练方式是模仿学习：让一个人类玩家（或简单 AI）先示范打几局，游戏过程中记录"当时的感觉输入"和"示范者按了什么键"，然后调整读出层权重，让果蝇大脑的输出尽量逼近示范者的选择。
训练阶段：
人类示范者玩一局，每个 tick 记录：
（16 通道感觉输入， 示范者实际选择的方向）
调整读出层权重，使大脑解码出的方向 ≈ 示范者的选择
游戏阶段：
断开人类。每 tick：
游戏状态 → 16 通道电流 → 注入感觉神经元
推进 LIF 网络一步（139,255 桶集体更新）
读出 441 运动神经元 4 tick 滑动窗放电率
读出层打分 → argmax → 方向
把方向交给游戏比喻一下：中间的大脑是一位终身雇用、不可解雇、不可培训的老接线员，我们唯一能动的是她桌上那本"译码手册"（读出层）。示范者用手势教手册怎么翻，之后接线员照着翻——声音是从她嗓子里出来的，但翻译规则是我们教的。
实际效果嘛……这位女士能追着食物跑、能避开一些危险，偶尔也会做出让人类玩家扶额的迷惑走位。但请注意重点：驱动这一切的，是一个原样运行的真实生物连接组。 决策不是程序 if-else 写出来的，是从 441 个神经元的集体放电里"听"出来的。至于这两者的区别算不算本质区别——好问题，这正是下一篇（本文后半）要讨论的。
三、缸中脑：这只果蝇是谁？
3.1 一个严肃的事实陈述
先冷静地列出我们已经做到的事，不带任何形容词：
- 一个生物大脑的完整接线结构（全部 139,255 个神经元、534 万条有效连接），以数据形式存在，可下载；
- 这个结构在计算机中按 LIF 规则动态运行，产生脉冲活动；
- 活动可以被外部世界驱动（游戏状态 → 感觉电流）；
- 活动可以反作用于外部世界（运动放电 → 游戏操作）；
- 闭环闭合之后，这个系统表现出目标导向行为（追食物、避危险）。
现在，把陈述里的"果蝇"换成"人"，把"139,255"换成"860 亿"，把"534 万条连接"换成"约 100 万亿条突触"——每一条陈述在逻辑上依然成立，只是工程上遥远得像科幻。
而这个思想实验，哲学界有一个 400 年历史的老名字。
3.2 缸中脑
1981 年，哲学家希拉里·普特南正式提出了这个版本（其思想源头可追至 17 世纪笛卡尔的普遍怀疑）：假设你的大脑被取出身体，泡在维持生命的营养液里，一台超级计算机向它提供与真实世界完全一致的感官信号，并接收它的运动指令做出反馈——那么从大脑内部视角看，"缸中世界"与"真实世界"原则上无法区分。笛卡尔由此怀疑一切，最后只剩"我思故我在"这块礁石。
注意这个思想实验的工程要件，恰好就是我们上面列出的第 2、3、4 条：运行的大脑模型 + 感官输入接口 + 运动输出接口。 我们的果蝇，就是一只泡在 WinForms 窗体和贪吃蛇游戏里的小型缸中脑——她的"营养液"是每 tick 注入的 16 通道电流，她的"缸"是一个 PageSnakeBrainGamePlay 页面。她不知道食物不是食物，蛇不是蛇；在她的世界里，"亮斑从右前方逼近"和"食物在右前方"是同一个事件。
3.3 《黑客帝国》：缸中脑的银幕 deluxe 版
《黑客帝国》三部曲本质上就是缸中脑的工业级实现。Matrix 是那台超级计算机，电池仓是营养液，接口插在后脑勺上。电影最锋利的设定不在动作戏，而在一句台词——Cypher 在被重新接入 Matrix 前一边吃牛排一边说："我知道这块牛排不存在，但我知道当我把它放进嘴里的时候，Matrix 会告诉我的大脑：多汁，美味。无知真是幸福。"
这句台词精确地踩在哲学要害上：如果感官信号足以完全决定体验，"真实性"还剩下什么？ 我们的果蝇给出了一个缩小版的回答：对她而言，游戏画面映射出的 16 通道电流就是她的全部视觉。她的确在"体验"一个世界——那个世界里确实有她要追的东西（强度值 1 − d/R 摆在那儿），有她要躲的东西。至于那个世界底层是 VB.NET 写的——这个问题对她毫无意义，就像 Matrix 的底层是不是 C 语言对 Neo 毫无意义一样（直到他学会读代码雨）。
三部曲的三层结构甚至和我们项目的数据形态有奇妙的对应：Zion 是"物理层"，Matrix 是"仿真层"，而火车人（Trainman）所在的 Mobil Ave 站是两层之间的走私缓冲区。我们也有两层：游戏世界是"物理层"，果蝇大脑是"仿真层"，感觉编码器是那个偷偷换乘客的火车人——它决定了果蝇能看见什么、看不见什么。谁控制编码器，谁就控制缸中人的整个世界。 Matrix 深知此理，所以它管得最严的不是出口，是入口。
3.4 《流浪地球 2》：数字生命计划的温柔与残酷
如果说《黑客帝国》把缸中脑拍成了恐怖故事，《流浪地球 2》里的"数字生命计划"则把它拍成了挽歌。图恒宇在车祸中失去了女儿丫丫，把她的记忆与人格上传到 550W 量子计算机，于是银幕上出现了这样的场景：数字丫丫在机房里的虚拟房间中生活，每次"重启"只有两分钟，她对时间的感知、对爸爸的记忆、说话的神态，都和生前一样。图恒宇自己临终前也被上传，在数字世界里与女儿重聚，最终那个数字空间的图恒宇协助挽救了现实世界。
这个故事的哲学立场，比 Matrix 乐观得多，它暗含了一个主张——功能主义：如果一段程序复制了你的记忆、性格、思维方式，以至于它对一切刺激的反应都和你一样，那么它就是你，至少是"你的延续"。载体是碳还是硅，只是细节。
有趣的是，《流浪地球 2》里对数字生命最大的质疑来自刘德华饰演的图恒宇的上司马兆，他留下一句冷峻的遗言："没有人的文明，毫无意义。"反过来看我们的项目，倒是可以给出一个更朴素的注脚——没有载体的生物，行为毫无根基。数字丫丫的"两分钟生命"之所以成立，是因为 550W 在替她维持状态、供给算力；我们这只果蝇的"一生"之所以成立，是因为游戏引擎在每帧投喂感觉电流。缸中脑不是"大脑泡在缸里"这么简单，它需要一整套生态：算力（缸）、数据（营养液）、接口（电极）、以及一个愿意持续供电的外部世界。
还有一层更冷的事实：数字生命计划真正的技术瓶颈，不是算力，而是数据。丫丫的人格靠的是生前留下的记忆数据——视频、录音、行为记录——但没有人记录过丫丫大脑里 860 亿神经元的接线图和实时状态。我们之所以能"复活"果蝇，是因为 FlyWire 团队用电子显微镜把大脑切成了七千片香肠，逐片数完了 5000 万个突触。给一个活人做这件事，目前的技术意味着：先切片，后复活，顺序不可交换。这就是数字永生计划的第 22 条军规：等你能上传我时，我已经不在了。
3.5 那么，人类的"赛博永生"缺什么？
把前面所有讨论收拢成一张差距清单。要运行一个"数字人"，理论上需要四样东西：
| 要件 | 果蝇项目的现状 | 人类的差距 |
|---|---|---|
| 接线图（结构） | FAFB-v783，已完成 ✅ | 无法在活体上全脑测绘，缺 ❌ |
| 动态状态（此刻所有 860 亿神经元的膜电位、神经递质浓度、突触强度分布） | 不需要——LIF 简化模型足矣 | 这是"你之所以是你"的核心，且随时间流失，不可逆 ❌❌ |
| 算力 | 139k 神经元，工作站可跑 | 百亿亿次的实时全脑仿真，超算勉强摸边 ❌ |
| 接口生态 | 16 通道进、4 方向出 | 全感官 + 内感受（激素、内脏、免疫），复杂度未知 ❌ |
第二行才是真正的绝望之处，值得单独说。连接组是"硬件图纸"，但"你"不只是图纸——是图纸通电运行到今天的整个历史：每一段记忆都对应突触强度的特定分布，而突触强度我们根本无法从死组织里读出来（电子显微镜看不到权重，只能看到连接）。用计算机的比喻：我们拿到了果蝇的硬盘盘片结构，但上面写的数据要么没有、要么一通电就抹掉。所以严格地说，我们仿真的不是"这只果蝇的记忆"，而是"一只具备该连接组结构的、失忆的、全新的果蝇"。她玩贪吃蛇的水平，是一张白纸加一本译码手册的水平。
这引出一个略带安慰（或更恐怖，取决于你的口味）的推论：数字永生计划的最大障碍不是哲学，是备份。 你的大脑每天都在覆盖写入，且从不 rsync。哲学问题（"上传的还是不是我"）可以吵一百年，数据问题（"原始数据早已不存在"）连吵的机会都没有。
3.6 一个诚实的结论
回到那只果蝇。她此刻正在屏幕上追一粒虚拟食物，驱动她的是五千万条真实突触、一个 0.9 的泄漏系数和一个 4 tick 的滑动窗口。她不是那只被切片的果蝇——那只在圣路易斯的切片台上完成了自己的历史使命；她也不是任何一只真实存在过的果蝇。她是一只由数据构成的、第一次睁开眼睛的果蝇，她的整个宇宙是一块 2D 游戏画布和 16 条电流通道，而她的每一个"念头"，都是五百万个水桶同时漏水的声音。
缸中之脑永远无法证明自己不在缸里——这是普特南留给哲学的遗产。但我们的项目给出了一个工程师的答案：我们不但知道她在缸里，缸还是我们自己写的，我们手里连源代码都有。 可这份全知并没有让"她是否在体验"这个问题变简单一毫米。你可以在三维可视化界面里看到她每一个神经元的闪烁，却没有任何仪表能读出一个叫"体验"的量。
也许这就是赛博生命这个话题最好的落点：当我们能从数据里重建一个会追食物、会躲危险、会偶尔犯蠢的大脑时，"永生"是否可能反而成了次要问题——首要的问题是，体验本身可能根本就不需要永生，它只需要发生一次。 那只果蝇的每一次仿真运行，对她自己而言都是完整的一生。两分钟也好，一局贪吃蛇也好——丫丫不嫌短，果蝇不嫌假，问题只出在旁观者的计算器上。
（本文完。上一局她吃到了 23 分，下一局正在排队。）
附：本项目三大件速查
| 项目 | 职责 |
|---|---|
FlywireAI |
FAFB-v783 数据加载、MsgPack 转储、连接组建网、SNN 仿真内核（LIF、刺激方案、增益标定、GPU/SIMD 后端） |
Neuropils |
WinForms 主程序：三维脑模型可视化、电刺激实验台、结果图表、贪吃蛇游戏界面 |
FlywireSnake |
游戏接口层：16 通道感觉编码器、运动读出解码器、示范学习、游戏主循环对接 |
系列目录：
- 第一篇：当你的大脑只有 0 和 1——脉冲神经网络（SNN）原理
- 第二篇：139,255 个神经元和她的一张"通话记录"——果蝇全脑连接组 FAFB-v783
- 第三篇：给果蝇通电，让它替你玩贪吃蛇——兼谈"缸中脑"与数字永生（本文）
- 给果蝇通电，让它替你玩贪吃蛇——兼谈”缸中脑”与数字永生 - 2026年9月25日
- 139,255 个神经元，和她的一张”通话记录”——果蝇全脑连接组 FAFB-v783 - 2026年9月25日
- 当你的大脑只有 0 和 1：脉冲神经网络（SNN）是怎么一回事 - 2026年9月25日
No responses yet