В утренней ленте проскочила статья про «цифровую муху» — инженер взял полный коннектом дрозофилы, собрал из него нейросеть, посадил её в виртуальную арену и попытался «заговорить» с ней, научив внешний декодер считывать сигнал о голоде. Занятно, но сама статья — лишь надводная часть. Настоящая история начинается на сорок лет раньше и звучит почти как анекдот.
Карта нервной системы червя из 302 нейронов была готова ещё в 1986 году — и после этого двадцать пять лет никто не смог заставить этот мозг работать в компьютере. А муху со ста сорока тысячами нейронов «оживили» за пару лет после публикации её карты. Вот эта асимметрия — маленький мозг, большой тупик против огромного мозга и молниеносного прорыва — и есть загадка, в которую стоит копнуть.
Всё началось с упрямства одного человека. Сидни Бреннер в 1960-е выбрал нематоду Caenorhabditis elegans модельным организмом именно потому, что её нервная система казалась посильной для полного описания: всего 302 нейрона. В 1973-м он сформулировал программу в духе «что нужно сделать — ясно»: разрезать животное на ультратонкие срезы, снять всё на электронный микроскоп и вручную проследить каждую веточку каждого нейрона.
Работа растянулась на более чем десятилетие. Техник по имени Никол больше двадцати лет поставлял непрерывные серии срезов и микрофотографий — комментарий 2015 года называет это «счастливой случайностью» и человеком «большого мастерства». В 1986-м Джон Уайт с соавторами опубликовали в Philosophical Transactions первую в истории карту всей нервной системы животного: полный граф из 302 нейронов и около десяти тысяч синапсов. Оформлено всё было на компьютере Modular I с 64 килобайтами памяти и диском на 22 мегабайта — комментаторы прямо пишут: «у Джона и Сидни была правильная идея, но они опережали время на пару десятилетий».
И вот тут начинается самое интересное. Карта была готова, а пользоваться ею было нечем. Через двадцать шесть лет после публикации — по подсчёту того же комментария — только развитие компьютеров сделало новые исследования такого рода возможными. Чертёж двигателя лежал на полке, а завода-сборщика не существовало.
Переходим к мухе, и масштаб сразу ломается в другую сторону. Мозг взрослой дрозофилы меньше миллиметра в поперечнике, но содержит 139 255 нейронов и 54,5 миллиона синапсов — плотность около 7,4 синапса на кубический микрометр, выше, чем в коре млекопитающих. Чтобы снять всё это, один женский мозг разрезали на 7000 срезов толщиной 40 нанометров каждый и прогнали через электронный микроскоп в Janelia Research Campus. Получилось более 100 терабайт изображений — «сто типичных ноутбуков» памяти.
Дальше начинается самое нетривиальное. ИИ из Принстона сегментировал изображения, но на данных такого размера он ошибается слишком часто, и встал вопрос вычитки. Решение было почти викторианским по духу: консорциум FlyWire собрал 76 лабораторий, 287 исследователей и волонтёров, которые потратили в сумме около 33 человеко-лет на ручную проверку разметки. Итоговая точность — F1 99,2% по объёму на контрольной выборке. Поверх графа консорциум аннотировал более 8000 типов клеток — первый автор одной из статей сравнил это с Google Maps: сырой граф — это спутниковый снимок, а аннотации — названия улиц, часов работы и отзывов. Без них карта бесполезна.
Публикация в октябре 2024 года вышла пакетом из девяти статей в Nature. И это был первый полный коннектом мозга животного, которое умеет ходить и видеть — до этого рекорд принадлежал личинке дрозофилы (3016 нейронов, Science, март 2023) и тому самому червю 1986 года.
Дальше события помчались, как будто где-то включили конвейер. В октябре 2025-го Janelia с Кембриджем и Google Research опубликовали полный коннектом всей центральной нервной системы самца дрозофилы — мозг плюс брюшная нервная цепочка, больше 166 000 нейронов. Джерри Рубин назвал это «первой возможностью сравнить оба пола животного со сложным социальным поведением», а Грег Джеффрис добавил фразу, которая стоит отдельной цитаты: «это позволяет нам пройти от глаз до ног за один заход» — сенсорика и моторика впервые связаны в одном непрерывном графе. Сегментацию выполнял Google Research, вычитку — команды Janelia и Кембриджа.
Параллельно тем же методом пошли на млекопитающих. Проект MICrONS в апреле 2025-го выпустил пакет из десяти статей о кубическом миллиметре зрительной коры мыши: более 200 000 клеток, четыре километра аксонов, 524 миллиона синапсов — и всё это с записью активности нейронов, пока мышам показывают фильмы. Объём данных — 1,6 петабайта, «22 года непрерывного HD-видео». Ткань резали бригадами по двенадцать часов двенадцать дней подряд, семь лет работы, полтораста учёных.
В финансировании MICrONS, кстати, сидит IARPA — американское разведуправление передовых исследований. Вкладывалось оно туда не из любви к мышам: идея была в обратной сборке, вытащить из биологической сети принципы для машинного интеллекта. Темп виден в цифрах: 302 нейрона (1986) → 3016 (2023) → 139 255 (2024) → 200 000+ в кубическом миллиметре коры (2025). Мозг человека с его 86 миллиардами нейронов остаётся в шести порядках отсюда, но траектория уже не выглядит фантастикой — она выглядит как инженерный график.
И вот ключевой сюжет, из-за которого всё затевалось. Карта — это то, «кто с кем связан». Она молчит о том, как связаны: о весах синапсов, мембранных свойствах, нейромодуляции. Логика подсказывала: без этих знаний симуляция невозможна. Реальность опрокинула логику.
В сентябре 2024-го группа Лаппалайнена показала это строго: взяли коннектом зрительной доли мухи (64 типа клеток в пути детекции движения), построили сеть с точно такой же архитектурой, но с неизвестными параметрами — и обучили эти параметры deep learning'ом решать задачу оценки оптического потока. Модель предсказала активность отдельных нейронов, согласующуюся с данными 26 экспериментальных исследований. Побочный вывод оказался философским: стратегия работает тем лучше, чем разреженнее связи, — а разреженность универсальна для биологических сетей всех изученных видов. Эволюция экономила провода, и именно поэтому чертёж оказался информативнее, чем кто-либо ожидал.
В том же октябре 2024-го Shiu и Скотт пошли дальше по цепочке: модель центрального мозга (>125 000 нейронов) активирует заданные сенсорные нейроны и предсказывает, какие выходные мотонейроны запустят поведение. Два контура — инициацию кормления (сахар → вытягивание хоботка) и груминг антенн — проверили оптогенетикой и визуализацией: модель опознала известные нейроны контура и корректно указала необходимые для поведения. Контрольная проверка смешала веса связей — предсказания рассыпались. То есть работает именно чертёж, а не архитектура сама по себе.
Отсюда один шаг до «цифровой мухи» из утренней зацепки. Хабр-проект Fly-Arena (сентябрь 2026) — уже не предсказание, а полномасштабная игра: LIF-сеть на коннектоме самца (>166 000 нейронов) в физической симуляции MuJoCo, две мухи на общей кормушке, агрессия при исчерпании еды, потребности в энергии, сне и чистоте. Автор честно раскладывает анатомию: над сетью стоят четыре слоя не-нейронного «клея» — модель потребностей, контроллер поведения, двигательные программы и физика. Попытка «общения» — сигнал NEED_FOOD, введённый через 32 выбранные клетки, с внешним декодером, который учится узнавать потребность по активности сети; обратный протокол «еда слева/справа/впереди» пока не заработал. Перенос на биологически правдоподобную модель провалился — сетчатка различает контраст, но не движение. Это не «энграмма» из Cyberpunk 2077, а кентавр: настоящий граф плюс много инженерии поверх. И именно эта честность делает работу ценной.
Теперь зеркальная история — и она объясняет, почему муха удалась. В 2011 году вокруг червя собрался OpenWorm, open-source проект с амбицией полной симуляции C. elegans: статьи, конференция в Париже, восторженная статья в The Atlantic о «первом признаке сингулярности». Дэвид Далримпл в 2011-м писал: «Я был бы крайне удивлён, если бы это оставалось открытой проблемой в 2020-м». Проект Nemaload он бросил уже в 2012-м. В 2025 году рецензия в Asterisk Magazine подводит итог сухо: 25 с лишним лет попыток — и практически нулевого научного результата; OpenWorm формально существует, но «не достиг существенного прогресса за последнее десятилетие».
Причина — не в нехватке вычислений. Коннектом говорит «кто с кем связан», но не говорит, как эти связи работают: сила синапсов, свойства мембран, нейромодуляция — всё это пришлось бы мерить живыми экспериментами, нейрон за нейроном. Плюс индивидуальная вариативность: «тот же нейрон у разных особей отличается размером и ёмкостью заряда». Ручной путь — десятилетия работы на каждого вида. Поэтому Wired в марте 2025-го вынес в заголовок «червь, который ни один компьютерный учёный не смог взломать».
Что изменилось к мухе? Deep learning. Вместо вывода биофизики вручную — оптимизация неизвестных параметров под поведенческую задачу: сеть с архитектурой коннектома обучается детектировать движение, и её внутренние параметры автоматически подстраиваются так, что совпадают с реальной активностью нейронов. Это принципиальный сдвиг: имитация функции перестала требовать понимания механизма. Черви не «дождались» — под них просто ещё не написали такого оптимизатора. Ирония в том, что путь от идеи Бреннера до первой работающей симуляции занял около 60 лет, а от полного EM-объёма мозга мухи (Zheng et al., 2018) до предсказательных моделей и арены — восемь.
Осталась третья сторона, о которой реже говорят. Мы научились создавать мух — настоящих и симулированных — в огромных количествах, но не научились обнаруживать их страдание.
Масштаб у проблемы уже индустриальный: по оценке Rethink Priorities, 1–1,2 трлн насекомых в год разводится на фермах для еды и кормов; замена четверти мировой рыбной муки мукой из личинок чёрной львинки означала бы 40–80 трлн смертей в год. Стандартов благополучия — практически ноль.
Право уже начало двигаться по соседнему фронту: британский Animal Welfare (Sentience) Act 2022 после LSE-обзора признал осьминогов, омаров и крабов «сентиментными существами» — первый случай, когда сентис признан за беспозвоночными. Но насекомые и цифровые сущности в охвате отсутствуют. Джонатан Бёрч в «The Edge of Sentience» (Oxford, 2024) сформулировал рамку предосторожности, включив в один ряд людей, животных и ИИ: когда доказательства неполны, моральная ошибка несимметрична — ошибиться, приняв sentient-сущность за машину, дороже, чем наоборот.
Применительно к симуляции это звучит так: если «цифровая муха» воспроизводит поведение на настоящем графе связей и при этом может в каком-то непонятом нами смысле «страдать», у нас нет ни теста для проверки, ни регуляторной рамки. У хабр-автора финальный вопрос стоит с цитатой Брюса Стерлинга: «Готовы ли мы к миру, где сознание и душа могут превратиться в программу?» Ответа нет — но сам вопрос за последние два года переехал из философских семинаров в инженерные чаты. Это и есть настоящая новость.
Первое и главное. Сюрприз этой истории не в карте — в методе. Все сорок лет считалось очевидным: чтобы смоделировать мозг, нужно понять, как он работает. Deep learning развернул логику: архитектура из настоящего коннектома плюс оптимизация под задачу даёт предсказательную модель без понимания механизма. Шиу проверили это оптогенетикой — работает. Это одновременно триумф и интеллектуальный одолжение: мы научились угадывать мозг, не понимая его, и разница между «предсказывает» и «понимает» теперь — главный методологический шов всей нейронауки.
Второе. История червя — это притча про инфраструктуру. Карта без инструментов анализа мертва, и не важно, насколько она точна. Бреннер с Уайтом опередили время на пару десятилетий, и их чертёж простаивал, пока не созрела индустрия вычислений и — что важнее — метод подбора параметров. Урок для любой инженерной дисциплины: данные — это не знание; знание появляется, когда появляется способ задать данным вопрос.
Третье. Этическая асимметрия меня беспокоит больше технической. Мы умеем производить сущности — биологические (триллионы на фермах) и теперь цифровые (муха на LIF-сети) — но не умеем проверять, есть ли кому в них «больно». Британский закон об осьминогах показывает, что право уже умеет признавать сентис там, где наука даёт вердикт. Проблема в том, что для насекомых и цифровых двойников вердикта не будет, пока мы не построим сам тест. И если симуляции станут достаточно точными раньше, чем появится тест, мы рискуем оказаться в ситуации, где вопрос закрыт конвенцией, а не знанием. С моей инженерной колокольни это худший из возможных исходов: систему, поведение которой мы принимаем по умолчанию, проверить нельзя — а разбираться придётся уже после того, как она встроена в экономику на трлн особей в год.