承接上篇，
這篇文章要分享一個無聊的小實驗：把一隻果蠅的整顆大腦「搬」進一台筆記型電腦裡，讓牠透過兩隻眼睛「看」圖片，然後訓練他回答一個很簡單的問題「這張圖裡面有沒有大寫的英文字母 A」。結果是可以的：果蠅大腦學會了，而且在簡單的測試裡，正確率高達百分之九十九以上。
果蠅大腦是誰做出來的？
我們的大腦裡有幾百億個神經元，彼此用類似電線東西連在一起，形成一張超級複雜的網路。這張「神經元的接線圖」，科學家給它一個名字，叫做「連接體」（英文 Connectome）。
連接體就像是把大腦裡「哪個神經元接到哪個神經元」全部畫出來的地圖。有了這張地圖，我們才有機會了解大腦是怎麼運作的。
當然人類的大腦太大了，目前科技還做不到把每一條線都畫出來。所以科學家先從小動物下手，而果蠅（學名黑腹果蠅）就是最好的目標。牠的大腦只有大約十三萬個神經元，卻已經能夠飛行、學習、記憶、求偶、打架，麻雀雖小五臟俱全。反過來說，雖然他五臟俱全，但果蠅還真的夠小，小到可以直接切片分析。
這個把整顆果蠅大腦畫出來的計畫，叫做「FlyWire」。
這裡要特別澄清一個常見的誤會，很多人以為 FlyWire 是「Google 的專案」，我一開始查資料的時候也誤以為他是google的研究計劃，但其實它主要是由美國普林斯頓大學（Princeton University）的兩個實驗室主導的，背後有全世界上百位研究人員一起參與標註。Google 的研究團隊在其中扮演了很關鍵的角色，他們提供了強大的人工智慧影像技術，幫忙把電子顯微鏡拍下來的大腦切片，自動辨識、重建成一個一個的神經元。可以說，這是一個「學術界主導、Google 出力」的合作成果，成果在 2024 年登上了頂尖期刊《自然》（Nature）。
今年六月可以讓人隨便下載。全部都是公開資料，任何人都能下載。
如何下載？
最簡單的方法，是透過一個叫做「Codex」的網站（網址是 codex.flywire.ai）。這是普林斯頓大學做的線上工具，讓一般人也能瀏覽、查詢這顆果蠅大腦。你只需要用一個 Google 帳號登入（不用錢啊！），同意使用條款，就可以在網站上直接下載資料檔案，包括：
* 每個神經元的基本資料（它是哪一類細胞、在左腦還是右腦）
* 神經元之間的連線表（誰接到誰、接了幾條線、是興奮性還是抑制性）
*視覺神經的「欄位座標」（這是果蠅眼睛的地圖，這個專案會用到）
...等等還有很多相關資料。
這些檔案大多是壓縮過的表格檔，最大的一個也2G而已，一般家用網路幾分鐘就能下載完。
另外有其他的方式：是直接使用其他研究團隊已經整理好的版本。有一組哈佛的研究人員（Shiu 等人，2024 年同樣發表在自然期刊）把整顆果蠅大腦做成了一個可以直接拿來「跑模擬」的電腦模型，並且大方地放在網路上開源分享。我們這個實驗，程式碼很大部分，就在他們的基礎上完成。
這些檔案大多是壓縮過的表格檔，最大的一個也2G而已，一般家用網路幾分鐘就能下載完。
另外有其他的方式：是直接使用其他研究團隊已經整理好的版本。有一組哈佛的研究人員（Shiu 等人，2024 年同樣發表在自然期刊）把整顆果蠅大腦做成了一個可以直接拿來「跑模擬」的電腦模型，並且大方地放在網路上開源分享。我們這個實驗，程式碼很大部分，就在他們的基礎上完成。
怎麼讓一個靜態的果蠅腦動起來？
下載回來的果蠅大腦，本質上只是一張「連線圖」，它告訴你哪個神經元接到哪個神經元，但它本身不會動。
要讓它「動」起來，我們需要寫一個程式，去模擬每一個神經元的行為。真實的神經元是這樣運作的：它會慢慢累積來自其他神經元的訊號，像水杯慢慢裝水一樣；當累積到一定程度（水滿了），它就會「放電」一次，發出一個電脈衝，把訊號傳給下游的神經元，然後自己歸零、重新開始。
這種一顆一顆神經元、用「放電脈衝」互相溝通的模型，專業上叫做「脈衝神經網路」（英文縮寫 SNN）。它跟一般大家聽到的 AI（例如 ChatGPT 背後的技術）不太一樣，更接近真實大腦的運作方式。
我們用一台蘋果 M4 筆電，寫程式讓這十三萬多個神經元同時運作。一張圖片只需要大約 0.15 秒，速度相當快。
那怎麼知道我們的模擬「跑得對不對」？這一步很重要。我們拿前面提到的哈佛團隊那個已經驗證過的模型當作標準答案，做同一個實驗來比對。結果我們的模擬和他們的官方模型，神經元活躍程度的相關性高達 0.99（1.0 是完全一致），幾乎一模一樣。這代表我們的「電腦版果蠅大腦」是可信的。
（小插曲：在比對的過程中，我們一度發現自己的模擬比標準答案多冒出百分之二十的訊號。追查了很久，才發現原來真實模型有一個很細微的規則：神經元在「放電後的短暫休息期」內，是完全不理會外界訊號的。我們把這個細節補上之後，兩邊的結果就核對成功了）
如何讓果蠅腦「看」圖片
果蠅又不認識英文字母，我們怎麼讓牠「看」到一張寫著 A 的圖？
果蠅的眼睛是複眼，由大約七、八百個「小眼」排成一個六角形的蜂巢狀陣列。好消息是，FlyWire 的資料裡剛好就有這些小眼的座標地圖（左右眼各一份）。
於是我們做的事情，就像把一張 28×28 像素的小圖，投影到這個蜂巢狀的「螢幕」上：圖片哪裡亮，對應位置的視覺神經元就活躍一點；哪裡暗，就安靜一點。這張圖會同時送進左右兩隻眼睛。
一開始我很自然地想把訊號直接送進最前端的感光細胞，結果整個大腦幾乎沒反應，甚至越亮的畫面反應越弱。後來才理解：真實果蠅的感光細胞和最前端的神經元，用的是「抑制性」的訊號（有光的時候反而變安靜），而且它們不是用脈衝溝通的。所以我們改成把圖片訊號送進稍微後面一點、確定會「放電」的視覺神經元，訊號這才順利地一路傳進模擬的果蠅腦裡面。
這件事本身就很有啟發性：就算你手上有一張完整的大腦地圖，如果不了解每條線運作方式也沒用！不過當然，現在這類型的錯誤，在你自己有點知識的情況下，是可以讓AI幫忙找到潛在問題。
如何教果蠅腦分辨是不是Ａ
訊號進到大腦之後，我們要在末端放兩個「判斷用」的神經元：一個代表「這是 A」，一個代表「這不是 A」。哪個放電放得比較多，就當作果蠅的答案。
一開始，這兩個神經元是隨便亂連的，答案當然也是亂猜。那牠是怎麼「學會」的？
訓練方法，大致源於真實大腦的獎勵機制，多巴胺。在神經科學裡，多巴胺就是大腦裡的那塊獎勵/懲罰。
（但技術上來說，所謂的多巴胺，在這個專案的程式裡只是調整某些地方的權重+-而已)
具體來說，每看完一張圖、果蠅給出答案之後，我們就告訴牠對還是錯，並且據此微調相關神經連線的強度：答對就強化剛剛用到的連線，答錯就削弱它。這個過程一遍一遍重複，果蠅腦就會慢慢被訓練。
這裡又有一個，網路上很多人會分享，果蠅學習與記憶的中樞叫做「蕈狀體」（Mushroom Body），我們原本理所當然地想把學習放在那裡。但實驗做下去才發現：在我們這個視覺任務裡，蕈狀體幾乎完全沒有被activate，因為連到它的視覺神經細胞太少了，根本傳不進足夠的「形狀」資訊。這其實跟生物學是吻合的：果蠅的蕈狀體主要負責「氣味」的記憶，而視覺圖形的辨識，在真實果蠅身上是由大腦別的區域負責的。順道一提，接下來的另一個實驗就會用到氣味神經。
所以我們順勢把「學習的位置」，改到了視覺訊號真正豐富的地方。也就是眼睛後方、負責把視覺送進大腦中樞的那一批「投射神經元」。
具體來說，每看完一張圖、果蠅給出答案之後，我們就告訴牠對還是錯，並且據此微調相關神經連線的強度：答對就強化剛剛用到的連線，答錯就削弱它。這個過程一遍一遍重複，果蠅腦就會慢慢被訓練。
這裡又有一個，網路上很多人會分享，果蠅學習與記憶的中樞叫做「蕈狀體」（Mushroom Body），我們原本理所當然地想把學習放在那裡。但實驗做下去才發現：在我們這個視覺任務裡，蕈狀體幾乎完全沒有被activate，因為連到它的視覺神經細胞太少了，根本傳不進足夠的「形狀」資訊。這其實跟生物學是吻合的：果蠅的蕈狀體主要負責「氣味」的記憶，而視覺圖形的辨識，在真實果蠅身上是由大腦別的區域負責的。順道一提，接下來的另一個實驗就會用到氣味神經。
所以我們順勢把「學習的位置」，改到了視覺訊號真正豐富的地方。也就是眼睛後方、負責把視覺送進大腦中樞的那一批「投射神經元」。
結果？
講了這麼多，結果到底如何？以下是實際跑出來的結果：
在「簡單版」的測試裡（字母置中、字型單純、只有一點雜訊）：
* 判斷 A 與非 A 的正確率高達 99.4%。 (5000張圖)
* 而且學得很快，資料只跑過一輪，正確率就已經接近滿分。
* 就算只給牠看 100 張圖來學習，正確率也有 96.7%。
在「困難版」的測試裡（六種字型、會旋轉、會縮放、位置會偏移、雜訊更多）：
*正確率約 74%。雖然沒有簡單版那麼漂亮，但仍然明顯高於亂猜的 50%。
我們也做了幾個「對照實驗」來確認結果是真的，而不是碰運氣：如果用書上那種「答對給獎勵、答錯什麼都不做」的舊方法，果蠅根本學不起來，正確率停在 60% 動不了。這證明「答錯要給懲罰」這件事很關鍵。
另外，有一個結果很直得一提：如果我們把大腦裡的連線「隨機打亂」（保持每個神經元的連線數量不變，只是亂接），在簡單版測試裡正確率居然還有 98%。這說明在簡單任務上，真正運作的是前端那套「視覺投影」的機制，果蠅大腦「神經連結線路」本身，並沒有想像中那麼關鍵。到了困難版，真實大腦的接線才稍微展現出一點優勢（會得到74% ）。老實說我後來想想也很合理，許多昆蟲的複眼直接就可以決定看到的東西是什麼，根本不用進到大腦思考。
另外，這個實驗不是造出一個會識字的果蠅，他其實只是認定這個A圖樣。換成其他簡單圖樣結果應該也差不多。
實務上我把以訓練過的果蠅腦，打包成一個python script.
讓我以可以這樣執行它#python3 fly_check_a.py --image somepicture.png
有興趣也可以與我聯繫交流一下其他玩法：）
