剛進入3月中旬，一段看似平凡的實驗影片在科技與神經科學社群裡迅速傳開。畫面中，一隻果蠅在虛擬環境裡緩慢爬行，牠時而停下腳步，用前肢清理觸角，時而朝著氣味源移動，看起來與真實生物幾乎沒有差異。乍看下，就是精緻的生物動畫，但引起研究界震動的地方，在於這隻果蠅的行為並非動畫師所設計，也不是經由機器學習訓練而來，而是由一個被複製進入電腦的神經系統所驅動，研究人員並沒有教這隻虛擬果蠅如何行走、如何清理身體，更沒有提供任何行為資料集，它的動作完全源自神經結構本身。
這項實驗展示，來自矽谷新創公司EON Systems研究團隊，他們嘗試做的事情不是給現下AI的訓練任務，而是一種被稱為「全腦模擬」（Whole Brain Emulation）的工程。研究者利用 FlyWire 計畫所建立的果蠅完整神經連接圖，將大約14萬個神經元與約5000萬個突觸關係轉換成數位結構，並將這個神經網路嵌入一個運行於物理模擬環境中的虛擬身體。
模擬環境使用了接觸性多關節動力學（MuJoCo）物理引擎，使得這個數位神經系統能夠接收感知訊號並輸出運動控制指令。系統開始運行時，研究人員並沒有提供任何預設行為規則，只是單純讓神經電路按照簡化的神經元模型自行運作，結果出現了與真實果蠅高度相似的行為模式，例如行走、清理身體與尋找食物等。
研究團隊表示，在一系列對照實驗中，這套系統產生的運動模式與真實果蠅在相似刺激條件下的反應軌跡具有高度一致性，部分評估指標甚至達到約9成的吻合度。這個結果並不意味著研究者「創造了一隻生命」，也不代表真正的意識已被複製到電腦之中，因為目前的模型仍然忽略了許多生物大腦的重要機制，例如神經遞質系統、長期記憶的可塑性以及完整的身體神經控制網絡。
不過，即使在如此簡化的條件下，單憑神經結構就能夠生成複雜行為，仍讓許多研究者重新思考一個長久以來的問題，智能究竟是由學習產生，還是先來自結構本身。
在過去數十年，AI的發展大致沿著兩條主要路線前進。第一條是早期AI研究中的「符號主義」，研究者以邏輯規則與形式語言描述世界，讓機器透過推理來解決問題。第二條是目前主導整個產業的「連結主義」，也就是以深度神經網路為核心的機器學習方法，如ChatGPT透過海量資料與龐大計算資源進行訓練，最終形成能夠預測語言、圖像或行為模式的系統。然而這些模型在本質上仍然屬於統計學習，其能力主要來自對大量資料中模式的擬合，因此它們雖然能產生令人驚嘆的輸出，但內部參數的真正意義往往難以解釋，這便是AI研究中常被稱作「黑盒」的問題。
果蠅大腦模擬展示的，又是一條截然不同的技術路徑。與其讓AI透過資料學習如何表現出某種行為，不如直接複製自然界在漫長演化過程中，已經形成的神經電路，並在數位環境下重新啟動這些結構。這種方法在研究界有時被稱為「神經逆向工程」，它的核心假設是，生物智能的許多基礎能力，其實已經被寫入神經拓撲之中，只要電路結構被忠實還原，行為便可能自然地從系統裡湧現出來。
這個想法之所以吸引AI工程師的注意，還有另一個原因，那就是能源效率。現今最先進的AI模型，往往需要巨大的計算資源來維持運行，一次大型模型訓練可能消耗數以萬計的GPU和大量電力，而一隻真實果蠅的大腦功率卻不到一毫瓦。若能理解生物神經網路的結構設計，未來的AI硬體或許可以走向另一種發展方向，例如稀疏連接的神經形態晶片，或是能夠以極低功耗運行的類腦計算架構。對機器人研究者而言，這種方法也可能為「具身智能」帶來新的思路，因為動物的神經迴路，原本就擅長處理感知與動作之間的即時協調，這恰恰是目前機器人最困難的問題之一。
儘管如此，從果蠅到更複雜生物仍存在巨大技術距離。果蠅大腦大約只有14萬個神經元，小鼠的大腦則擁有數千萬個神經元，而人類大腦則包含約860億個神經元與數百兆個突觸連結。這種規模差異意味著，即使原理成立，真正複製更高階大腦仍需要巨大的掃描技術、資料處理能力與計算基礎設施。此外，目前的模擬仍然缺乏完整的神經化學環境與學習機制，因此距離真正的生物智能仍然相當遙遠。
然而，這項研究仍帶來一個難以忽視的思想衝擊。假設未來某一天，人類大腦的結構也能被完整掃描並轉換成數位模型，那麼AI與神經科學之間的界線將開始變得模糊。當一個大腦結構在電腦中被精確複製並重新運行時，那個系統究竟只是一個模擬，還是一種新的存在形式，科技或許會在未來數十年逐漸逼近這個問題的答案，只是，人類社會中，法律、倫理與哲學等，不知是否也一起準備好。
（作者為富瑜文教基金會執行長）
※以上言論不代表旺中媒體集團立場※
