在人工智能与神经科学的交叉领域，一个极具挑战性的假设长期存在：人类大脑的高效处理能力是否可以类比为大型语言模型（LLM）的架构？为了验证这一假设，研究者们开始尝试将生物大脑的解剖结构直接“翻译”为计算机模型的结构。近日，一项关于“果蝇语言模型（FLM）”的研究引发了广泛关注。这项工作不仅令人惊叹地将果蝇的全脑连接组完整地“布线”进了一个冻结的大型语言模型中，更在实验结果上给出了一个令人意外的答案：这种物理上的“布线”似乎并没有为模型的性能带来实质性的提升。
从技术细节来看，FLM的构建堪称精细。果蝇拥有约166,700个神经元和25.6 million个连接边，这构成了一个极其复杂的神经网络。FLM的作者们利用Token嵌入技术，将这些神经元及其连接关系映射到了Transformer架构中。具体而言，模型以一个预训练的、冻结的1.2B参数的LLM（LFM2.5-1.2B-Instruct）作为骨干，仅仅通过278,528个可训练参数来学习如何调整这个庞大的静态结构，以适应连接组的数据流。这种设计旨在探索将生物神经网络的结构性信息注入到通用AI模型中的可能性。
然而，最引人深思的部分在于实验结果。尽管论文报告称该模型在某种指标上比原始骨干模型每Token有0.0222 nat的改进，但更严谨的对照实验却显示，如果移除连接组映射，仅保留参数规模相同的模型，其表现实际上更好。这意味着，仅仅将大脑的物理连接图直接复制粘贴到AI的架构里，并不能自动复制大脑的智能。
这一发现对理解“大脑即LLM”（Brain as an LLM）这一假说提出了挑战。它暗示了生物大脑的处理机制可能并非简单地对解剖结构进行线性映射，或者是说，当前的Transformer架构并不足以完全捕捉生物神经元的非线性交互本质。此外，该研究还展示了在本地运行如此大规模连接组模型的资源消耗——每Token高达0.6的内存占用，这为未来在边缘设备上运行此类模型敲响了警钟。尽管结果略显“泼冷水”，但这恰恰是科学探索中宝贵的一步：它证明了单纯的结构模拟并不等同于功能模拟。
综上所述，FLM的研究不仅是一次对果蝇大脑连接组学的技术壮举，更是一次对AI架构与生物大脑关系的大胆实验。它提醒我们，大脑的奥秘可能不仅仅在于神经元的连接方式，还在于更深层的动态编码机制。随着MIT许可代码的发布，这项研究也为社区提供了宝贵的资源，用于进一步探索连接组学在人工智能中的应用边界。
信息来源：MarkTechPost，原文链接：https://www.marktechpost.com/2026/09/12/fly-language-model-flm-wires-the-full-fruit-fly-connectome-into-a-frozen-1-2b-llm-and-its-own-controls-show-the-wiring-does-not-help/
封面图片来源：Unsplash / 摄影师 Brett Jordan
