果蝇大脑被完整搬进电脑，虚拟果蝇竟然会自己爬行觅食——这对人类意味着什么？

快速摘要：2026年3月，旧金山初创公司 Eon Systems 发布了一段震撼科学界的视频：他们将成年果蝇大脑的全部12.5万个神经元和5000万个突触连接，以1:1的精度完整复刻到计算机中，并让这颗"数字大脑"驱动了一具虚拟果蝇身体。令人震惊的是，这只虚拟果蝇无需任何AI训练，就能自主完成爬行、梳毛、觅食等多种行为——它的行为完全由大脑结构本身"涌现"出来。 这意味着，只要忠实复制了生物大脑的连线图谱，智能行为就会自然出现。这一结论不仅对脑科学和人工智能有深远影响，也引发了关于人类意识和自由意志的深层思考。莫潇羽@无忆研习社在下文将为你从技术原理到哲学思辨，逐层拆解这个实验的全部细节——往下看有更详细的分析。

一、一个"疯狂"实验的诞生：把真实大脑搬进电脑

2026年3月10日，Eon Systems联合创始人Alexander D. Wissner-Gross在社交平台和Substack博客上发布了一段视频。视频里，一只建模粗糙的3D果蝇在虚拟沙盒里蹒跚爬行，前脚互搓清洁触角，嘴部结构（唇瓣）伸向一个小碗做出饮食的动作。画面看起来像2000年代初的游戏画面，粗糙得很。

但这段视频的意义绝非表面那么简单。

Wissner-Gross在发布时强调了一句关键的话：你看到的不是动画，不是用强化学习策略来模仿生物行为的程序，而是一颗从电子显微镜数据中逐个神经元、逐个突触复制出来的真实生物大脑的副本，在仿真环境中运行，驱动着一具身体在动。

这段话的核心信息是——这只虚拟果蝇的一切行为，都来自于真实大脑结构的计算，而非任何人为编程或机器学习训练的结果。这在全脑仿真（Whole-Brain Emulation）领域，是一个历史性的节点。

Eon Systems是一家成立于旧金山的初创公司，其核心使命用一句话概括就是"上传人类大脑"（Upload the Human Mind）。公司的联合创始人兼顾问Alexander D. Wissner-Gross拥有传奇般的学术背景——他在2003年从麻省理工学院同时获得了物理学、数学和电气科学与工程三个学士学位，此后在AI和复杂系统领域深耕了超过15年。公司的高级科学家Philip Shiu则是连接组计算建模领域的专家，此前在加州大学伯克利分校从事果蝇脑科学研究。这支团队的长远愿景是沿着"果蝇→小鼠→人类"的路径，逐步推进全脑仿真的规模和精度。

二、理解这个实验之前，你需要知道的三个概念

在深入技术细节之前，莫潇羽@无忆研习社（www.wuyi.wiki）先帮你厘清三个经常被混淆的概念，这对于理解Eon Systems做的事情至关重要。

第一个概念：脑启发式AI（Brain-Inspired AI）。 这就是我们日常接触的大语言模型、深度神经网络等。它们受到大脑的"启发"，借用了"层"、"权重"、"激活函数"等概念，但并不试图复制真实大脑的结构。可以理解为"参考了大脑的思路，但自己造了一套全新系统"。

第二个概念：脑模拟（Brain Simulation）。 这是对大脑活动在某种抽象层面上的计算建模，可能针对特定的脑区或神经回路，但不一定追求逐个神经元的精确还原。Google DeepMind和Janelia研究所2025年在Nature上发表的果蝇运动仿真工作就属于这一类——它们用强化学习算法训练神经网络来控制虚拟果蝇的飞行和行走，身体模型非常精细，但"大脑"是AI模型而不是真实连接组的复制。

第三个概念：全脑仿真（Brain Emulation）。 这是最激进的一条路线——逐个神经元、逐个突触地忠实复制一个真实大脑，让仿真系统执行和原始生物大脑完全相同的计算。Eon Systems的果蝇项目，正是走的第三条路。它回答的问题不是"我们能不能造一个行为像果蝇的东西"，而是"我们能不能构建一个执行果蝇大脑真正进行的那些神经计算的系统"。

简单来做个类比：脑启发式AI好比看了一本建筑学教材后自己画了张设计图；脑模拟好比拍了一栋建筑的照片然后建了个3D模型；而全脑仿真则是把那栋建筑的每一块砖、每一根钢筋都测量出来，然后在另一个地方一模一样地重新盖一栋。

三、这颗"数字大脑"是怎么造出来的？——技术路线全拆解

整个项目的技术路线可以分为四个关键环节：获取大脑连接图谱、构建神经元计算模型、搭建虚拟身体、以及让大脑和身体形成闭环。我们逐一来看。

3.1 第一步：获取完整的果蝇大脑连线图——FlyWire连接组

要复制一颗大脑，首先你得有这颗大脑的完整"电路图"。这份图纸来自一个名为FlyWire的国际科研联盟项目。

FlyWire由普林斯顿大学神经科学研究所的Mala Murthy教授和Sebastian Seung教授领导，汇集了全球76个实验室的287名研究人员，加上大量志愿者共同参与。整个项目的起点是2018年由霍华德·休斯医学研究所（HHMI）Janelia研究园区的团队用电子显微镜对一只雌性成年果蝇大脑进行的纳米级分辨率成像——一共拍摄了2100万张图片，切了7050个脑切片。

但光有图片远远不够。要把这堆图像变成有意义的神经连接图谱，需要从中识别出每一个神经元的形态、每一个突触的位置和连接关系。FlyWire团队采用了机器学习算法来自动识别和分割图像中的神经元，然后动员了包括科学家和公民志愿者在内的庞大社区来人工校对这些结果。据统计，这些校对者累计贡献了相当于33人年的工作量；如果没有AI辅助，同样的工作量需要将近5万人年。

2024年10月，FlyWire项目在Nature杂志上以9篇论文的专刊形式发布了最终成果：一份覆盖成年果蝇大脑全部139,255个神经元和超过5000万个突触连接的完整连接组（Connectome）。这是人类迄今为止完成的最大、最完整的成年动物大脑连线图谱。

这份连接组不仅记录了神经元之间的物理连接，还包括了每种神经元的分类标注——研究者们鉴定出了超过8400种细胞类型。其中超过3600种细胞类型与此前已发表的部分果蝇连接组中的类型相对应，各类型的细胞数量和连接模式在不同个体间高度一致，表明果蝇大脑的接线方式具有惊人的物种稳定性。更重要的是，团队还利用机器学习预测了每个突触释放的神经递质类型（如多巴胺、血清素等），这对理解大脑回路如何运算至关重要。

值得特别说明的是，FlyWire连接组不仅仅是一张平面的"接线图"，它实际上是一个多维度的数据集合。研究者利用连接组计算出了一份"投射组图谱"（Projectome），也就是连接不同脑区的神经元束的地图。这份投射组图谱揭示了一个此前被忽视的脑区——食道下区（Subesophageal Zone，SEZ）的关键作用。数据显示，SEZ几乎与大脑的所有区域都有交互，它接收了传入大脑的很大一部分信号，同时也发出了离开大脑的大部分信号，包括几乎全部的运动神经元指令。换句话说，SEZ就像果蝇大脑的"中央车站"，几乎所有进出的信号列车都要在这里经停。投射组图谱还显示，大多数神经投射发生在大脑同侧的区域之间，但某些类别的神经元更倾向于跨半球投射。这些精细的组织规律，正是全脑仿真所必须忠实再现的结构特征。

FlyWire还开发了一个名为Codex（Connectome Data Explorer）的在线工具，任何有互联网连接的人都可以在上面浏览果蝇大脑的每一个神经元和突触通路，全球已有超过1万人使用，每天处理数千次新的查询。普林斯顿的研究者们开玩笑说Codex就是"连接组的搜索引擎"，它让全世界的果蝇研究者都能在几秒钟内找到自己感兴趣的神经回路信息，而不需要下载巨量的数据或者掌握高级的数据分析技术。自2019年数据开放以来，FlyWire连接组已经被引用于超过50篇发表的论文中，极大地加速了果蝇神经科学研究的进展。

3.2 第二步：给每个神经元装上"运算引擎"——LIF计算模型

有了连线图谱，下一步是让每个神经元"活"起来，也就是给它们赋予生物物理学上的运算能力。

Eon Systems的高级科学家Philip Shiu（邱博士）及其团队在2024年于Nature上发表了一篇关键论文《A Drosophila computational brain model reveals sensorimotor processing》。在这项工作中，他们基于FlyWire连接组数据，结合机器学习预测的神经递质身份信息，构建了一个覆盖全部12.5万个神经元和5000万个突触的完整计算模型。

这个模型使用的核心算法是"漏泄积分-发放模型"（Leaky Integrate-and-Fire Model，简称LIF）。LIF是计算神经科学中的一个经典模型，莫潇羽在这里用通俗的语言为大家解释一下它的工作原理：

想象每个神经元是一个带有小孔的水杯。来自其他神经元的信号就像水流，不断往杯子里灌水；同时小孔在持续漏水（模拟生物神经元的电压衰减）。当杯子里的水位达到某个阈值时，就会触发一次"溢出"——在神经科学里叫做"发放"（spike），相当于这个神经元向下游的其他神经元发送了一个电信号。发放之后水位归零，重新开始积累。

用Python伪代码来表达这个过程大致是这样的：

# LIF神经元模型的简化伪代码
class LIFNeuron:
    def __init__(self):
        self.voltage = 0.0        # 当前膜电位（水位）
        self.threshold = 1.0      # 发放阈值
        self.leak_rate = 0.05     # 漏泄速率（小孔大小）
        self.reset_voltage = 0.0  # 发放后重置电位

    def step(self, input_current, dt):
        # 漏泄：电位向零衰减
        self.voltage -= self.leak_rate * self.voltage * dt
        # 积分：累加输入电流
        self.voltage += input_current * dt
        # 发放判定
        if self.voltage >= self.threshold:
            self.voltage = self.reset_voltage
            return True  # 产生一个脉冲
        return False

当然，真实的模型要复杂得多。Eon Systems在模型中还考虑了不同类型神经递质（兴奋性与抑制性）的效应、不同神经元类型特有的电生理参数等。这些参数来源于数十年积累的果蝇电生理学实验数据。举个例子来说，一个兴奋性突触（使用乙酰胆碱等神经递质）接收到上游神经元的脉冲后，会让下游神经元的"水位"上升一点；而一个抑制性突触（使用GABA等神经递质）则会让"水位"下降。果蝇大脑中的5000万个突触，每一个都有自己的类型和强度参数，它们共同构成了一个极其复杂的信号处理网络。

在Shiu团队的工作中，神经递质类型的预测是一个特别巧妙的环节。FlyWire连接组告诉我们哪些神经元之间有连接，但并不直接告诉我们这些连接是兴奋性还是抑制性的。Eckstein等人在2024年发表的研究中，使用机器学习算法从电子显微镜图像中预测了突触位点的神经递质类型，为每个突触标注了它可能使用的化学信号。这一步至关重要——如果不区分兴奋和抑制，仿真出来的大脑就像一个只有"加速器"没有"刹车"的电路，无法产生有意义的计算。

另外值得一提的是，LIF模型虽然是计算神经科学中相对简单的模型，但它在这个项目中有一个独特的优势：它的参数可以直接从生物实验数据中获取，而不需要像更复杂的Hodgkin-Huxley模型那样为每个神经元求解多个离子通道的微分方程。考虑到要同时模拟12.5万个神经元，LIF模型在计算效率和生物保真度之间取得了一个很好的平衡点。每个时间步长内，系统需要为每一个神经元计算一次膜电位的更新，然后检查是否达到发放阈值，再将脉冲信号沿着突触传递给下游的所有连接神经元——以毫秒级的时间分辨率进行，计算量仍然相当可观。

该模型运行在一个名为Brian2的开源脉冲神经网络模拟器上。Brian2是一个用Python编写的仿真工具，专门设计用于高效模拟大规模脉冲神经网络，其源代码托管在GitHub上。Brian2的设计哲学是让用户用接近数学公式的方式来定义神经元模型和突触动力学，然后由引擎自动生成优化的底层代码来执行仿真。这让研究者可以快速迭代不同的模型参数，而不必深入底层的计算优化。

Shiu团队的模型在"无身体"状态下就已经取得了令人印象深刻的成果：它能够以高达95%的准确率预测虚拟果蝇的运动行为，并且当模型中的味觉感觉神经元被糖或水的信号激活时，它能准确地预测出哪些神经元会对味觉产生响应，以及哪些神经元是启动进食行为所必需的。但它有一个关键的限制——它是一颗"没有身体的大脑"，无法与物理环境形成感知-运动的闭环。

3.3 第三步：给数字大脑造一具身体——NeuroMechFly v2

一颗没有身体的大脑，就像一台没有接显示器和键盘的电脑——它内部可能在运算，但你看不到任何输出，也无法给它任何输入。要让这颗数字果蝇大脑真正"活"过来，必须给它配一具身体。

Eon Systems采用的虚拟身体来自瑞士洛桑联邦理工学院（EPFL）Pavan Ramdya实验室开发的NeuroMechFly v2平台。这是一个极其精细的果蝇数字孪生体，具备以下特征：

它的3D外骨骼网格（mesh）来自对一只真实果蝇进行的X射线微型断层扫描（micro-CT），确保了解剖学上的精确还原。整个虚拟果蝇身体拥有87个独立关节，涵盖六条腿、触角、口器等全部运动部位。每个关节都有物理模拟的力、接触和驱动，能真实反映果蝇身体在运动时的力学特性。

更关键的是，NeuroMechFly v2不仅仅是一具"壳"，它还内置了多种感官输入接口：视觉系统模拟了果蝇复眼的大约700-750个小眼（ommatidia），视野覆盖约270度，并且还区分了不同类型的光感受器（黄色型和苍白型），分别对不同的颜色通道敏感；嗅觉传感器模拟了触角和下颚须上的化学感受器，可以检测虚拟环境中的气味浓度梯度；味觉输入可以在腿部和口器与虚拟食物接触时被激活；机械感觉系统可以感知关节角度、关节扭矩和接触力。

此外，Eon还集成了Lappalainen等人2024年发表的果蝇视觉运动通路模型。这是一个基于连接组约束的循环神经网络，涵盖了64种视觉细胞类型和数以万计的神经元。该模型能够利用连接组的连接关系加上任务约束来预测视觉运动系统中各类神经元的活动模式。通过将视觉模型的输出"灌入"到FlyWire全脑LIF模型中，研究者可以模拟从光信号输入到运动行为输出的完整信息流。

这具虚拟身体运行在MuJoCo物理引擎之上。MuJoCo（Multi-Joint dynamics with Contact）最初由Emanuel Todorov在2012年开发，后被Google DeepMind收购并开源。它是机器人学和生物力学仿真领域最常用的物理引擎之一，能够精确模拟刚体动力学、接触碰撞、摩擦力等物理现象。

3.4 第四步：让大脑和身体"对话"——感知-运动闭环

最后，也是最关键的一步，就是把前面三个组件——连接组数据、神经计算模型、虚拟身体——连接成一个完整的闭环系统。Eon Systems在技术文档中详细描述了这个闭环的运作方式：

整个循环分为四个阶段，不断交替进行。第一阶段，虚拟身体的传感器检测环境状态（比如眼睛看到了什么，脚是否碰到了食物），并将这些感官信号输入大脑模型。第二阶段，大脑模型中的12.5万个神经元根据连接组的拓扑结构进行一轮计算，更新各个神经元的活动状态。第三阶段，从大脑模型中选取特定的"下行神经元"（Descending Neurons）的输出信号，将其转换为低维的运动指令发送给身体。第四阶段，虚拟身体根据运动指令在MuJoCo物理引擎中执行动作，产生新的身体姿态和环境状态，然后回到第一阶段，如此循环。

目前，大脑和身体之间的同步时间步长设定为15毫秒：每15毫秒计算一次大脑对感官输入的响应，然后模拟身体在这15毫秒内的物理运动。Eon团队也坦承，这个时间步长对某些需要更快反应的行为来说可能偏慢。

这里有一个关键的设计细节值得注意。Eon Systems并没有让大脑模型直接控制果蝇的每一块肌肉和每一个关节。他们采用的策略是将大约1100个下行神经元的输出作为"控制手柄"，负责发出转向、前进速度、逃避、后退、梳毛等高级指令，然后由底层控制器将这些指令转换为具体的关节扭矩和腿部轨迹。

Wissner-Gross用了一个很形象的类比来解释这种架构：这就像驾驶汽车。如果你知道方向盘、油门和刹车的状态，你就能大致预测汽车会怎么动，而不需要真的去模拟发动机内部的每一次燃烧事件。下行神经元就相当于方向盘和踏板，是大脑控制身体的高级接口。

用一个简化的数据流图来表示整个系统架构：

┌──────────────────────────────────────────────────┐
│            数字大脑 (Brian2 模拟器)                 │
│    125,000 个 LIF 神经元 + 50,000,000 个突触       │
│                                                    │
│  视觉输入 → 视觉通路神经元 → ... → 下行神经元      │
│  味觉输入 → 味觉通路神经元 → ... → 运动指令        │
│  触觉输入 → 机械感觉神经元 → ... → 行为选择        │
└─────────────────────┬────────────────────────────┘
                      │ 下行神经元输出
                      ▼
           ┌──────────────────────┐
           │    大脑-身体桥接层     │
           │  下行信号 → 运动模式   │
           │  (爬行/觅食/梳毛...)   │
           └──────────┬───────────┘
                      │ 关节扭矩指令
                      ▼
┌──────────────────────────────────────────────────┐
│      虚拟身体 (NeuroMechFly v2 / MuJoCo)          │
│  87个关节 · 六条腿 · 触角 · 口器 · 复眼           │
│  物理模拟：重力、碰撞、摩擦、附着力               │
└─────────────────────┬────────────────────────────┘
                      │ 感官反馈
                      ▼
              环境状态更新 → 回到大脑输入

四、这只虚拟果蝇到底能做什么？——行为展示详解

在Eon Systems发布的演示视频中，这只由真实大脑驱动的虚拟果蝇展示了多种自主行为。莫潇羽在这里为大家逐一解读这些行为背后的意义。

自主爬行（Walking/Locomotion）。 虚拟果蝇能够在平面上进行协调的六足步行运动。这是果蝇最基本的行为之一，看似简单，但实际上需要六条腿之间高度协调的节律性运动——每条腿在什么时候抬起、什么时候落下、施加多大力量，都必须精确配合。在Eon的系统中，这种协调并非来自人为设定的步态发生器（Central Pattern Generator），而是来自大脑连接组中天然存在的运动控制回路。

触角梳理（Antennal Grooming）。 果蝇会定期用前腿清洁触角上的灰尘和碎屑。在演示中，当触觉传感器检测到触角上的刺激信号时，大脑模型自动激活了梳毛回路，虚拟果蝇举起前腿对触角进行清洁动作。这个行为在此前Shiu团队2024年发表的"无身体"大脑模型中就已经被成功模拟过——当时模型预测的神经活动模式与真实果蝇进行梳毛行为时的实验记录高度吻合。

觅食与进食（Foraging and Feeding）。 这是演示中技术含量较高的一个行为。Eon团队在虚拟环境中放置了"食物源"（模拟糖溶液的小碗）。当虚拟果蝇的腿部或口器接触到食物时，味觉神经元被激活，信号经过大脑的进食回路处理后，果蝇做出口器伸展（proboscis extension）的进食动作。更复杂的是"觅食"过程——果蝇需要在环境中主动探索以找到食物源，这涉及到运动、感知和决策的多层整合。

避障与逃避反应。 虽然在公开演示中展示有限，但Eon的技术文档提到了逃避行为和后退行走的实现。在真实果蝇中，当视觉系统检测到快速逼近的物体（looming stimulus）时，会触发一个经典的逃避回路：视觉信号经过视叶的特定神经元（如LC4、GF等）处理后，激活下行神经元，驱动果蝇快速起飞或后退。

这些行为共同证明了一个核心论点：在Eon的系统中，行为不是被"编程"出来的，而是从大脑结构中自然"涌现"出来的。 给定正确的神经连接和适当的感觉输入，特定的行为模式就会作为计算的必然结果出现——就像一块电路板通电后必然会执行其固有的电路逻辑一样。

需要补充说明的是，果蝇虽然体型微小（体长约2-3毫米），但它们的行为库远比大多数人想象的要丰富。在自然环境中，果蝇不仅能够飞行和行走，还展现出空间导航能力（利用视觉地标在复杂环境中定向）、学习与记忆（能够学会回避与惩罚相关的刺激，并将这种联想保持数小时甚至数天）、社交行为（识别竞争对手、争夺食物和配偶、根据以往经验调节攻击性），以及多感官整合（同时处理视觉、嗅觉、味觉和机械感觉信息，并将其整合为连贯的行为决策）。这些不是简单的反射弧，而是需要跨越多个专门化回路的协调计算——从功能上看，这颇似小规模的认知活动。也正因如此，果蝇的行为库为验证全脑仿真的正确性提供了一套天然的"测试集"——如果仿真系统在接收到模拟的感觉刺激后未能产生与真实果蝇一致的行为响应，那就说明仿真出了问题。

五、和Google DeepMind的路线有什么不同？——两条技术路线的本质差异

在果蝇数字化研究领域，Google DeepMind和HHMI Janelia研究园区在2025年也在Nature上发表了一项重要工作——他们构建了一个解剖学上极其精细的果蝇全身物理模型（flybody），能够在MuJoCo引擎中逼真地模拟果蝇的飞行和行走。但他们的路线和Eon Systems有着根本性的区别。

DeepMind的路线是：精细的身体 + AI的"大脑"。 他们的果蝇身体模型来自真实果蝇的显微镜成像，关节、肌肉、空气动力学都做到了极高的还原度。但控制这具身体的"大脑"是用端到端强化学习（Reinforcement Learning）训练出来的人工神经网络。简单说，他们是在问："给一具逼真的果蝇身体，AI能不能学会像真果蝇一样运动？"答案是"能"，而且效果非常好。

Eon的路线是：真实的大脑 + 精细的身体。 他们不训练任何AI模型来控制行为，而是直接把从电子显微镜数据中测绘出来的真实大脑连接组加载到神经网络模拟器里，让生物结构本身的计算特性来驱动行为。他们问的问题完全不同："如果我们忠实复制了一颗生物大脑的全部连线，它能不能在没有任何训练的情况下直接产生正确的行为？"

打个比方：DeepMind的做法像是请一位画家看了很多果蝇飞行的视频后，画出了一幅以假乱真的果蝇飞行图——画得很像，但创作过程和果蝇本身无关。Eon的做法则是用三维打印技术把果蝇大脑的每一个细胞都精确复制了出来，然后发现这个复制品自己就会"画画"。

六、从线虫到果蝇：全脑仿真简史中的里程碑

为了更好地理解Eon Systems工作的历史意义，有必要回顾一下全脑仿真领域走过的路。

1986年——线虫连接组的完成。 英国MRC实验室的Sydney Brenner和John White团队在经过13年的艰苦工作后，发表了秀丽隐杆线虫（C. elegans）的完整神经连接组——302个神经元和约7000个突触连接。这是人类第一次拥有一种动物神经系统的完整接线图，Brenner也因此获得了2002年的诺贝尔奖。

2011年——OpenWorm项目启动。 一群科学家和开发者发起了OpenWorm开源项目，目标是在计算机中完整模拟线虫的302个神经元和95块肌肉细胞。他们使用Hodgkin-Huxley型生物物理模型来模拟神经元，用流体力学引擎（Sibernetic）模拟虫体在液体中的运动。虽然项目取得了一些进展（比如让虚拟线虫产生了节律性的蠕动运动），但受限于未知的突触权重和神经调质效应，模拟出来的行为一直未能真正接近真实线虫的复杂适应性行为。

2024年10月——FlyWire连接组发布。 普林斯顿大学领导的FlyWire联盟发布了成年果蝇的完整连接组，将全脑接线图的复杂度从302个神经元一下子推进到了近14万个神经元和5000万个突触——复杂度提升了约460倍。

2024年——Shiu团队的果蝇全脑计算模型。 Eon Systems的Philip Shiu团队基于FlyWire数据发表了覆盖全部12.5万个神经元的计算模型，但当时还没有与虚拟身体连接。

2025年——DeepMind/Janelia的果蝇全身物理模型。 Google DeepMind和Janelia联合开发了解剖学精确的果蝇全身物理模型，并用强化学习实现了逼真的飞行和行走仿真。

2026年3月——Eon Systems的"首次多行为大脑上传"。 Eon将上述多个组件（FlyWire连接组 + LIF计算模型 + NeuroMechFly v2虚拟身体 + MuJoCo物理引擎）整合在一起，首次实现了全脑仿真驱动虚拟身体产生多种自主行为的闭环演示。

从302个神经元到12.5万个，从简单蠕动到自主觅食，全脑仿真走过了40年的路。每一步都是站在前人肩膀上的突破，莫潇羽@无忆研习社认为，这条路虽然漫长但方向日渐清晰。

七、这个实验最核心的结论：行为是结构的必然产物

回到文章开头提出的核心观点——Eon Systems这个实验最震撼的结论是什么？

答案是：行为不是写出来的，是大脑的连线结构自带的。

这意味着什么？当你把12.5万个神经元按照正确的拓扑关系连接起来，赋予它们符合生物物理规律的计算特性，然后给这个系统接上感觉输入——行为就自然地出现了。没有人告诉这颗数字大脑"你该爬了"，没有人为它编写"如果检测到糖就执行进食动作"的规则，也没有用任何标注数据来训练它。它的行为