清华团队用果蝇大脑‘接线图’让具身智能学会自适应

最近，数字果蝇在AI圈火了。 有人把果蝇大脑的“接线图”接入《我的世界》控制游戏里的人物，还有人让虚拟果蝇用前足转动模拟汽车的方向盘。 这些尝试背后都用到了真实果蝇的神经连接数据。 这张“接线图”的学术名字叫连接组，它记录了神经元之间的连接、信号传递方向和突触数量。 研究者将连接组转化为神经网络，让它接收感觉信息、参与身体控制。 不过，让数字果蝇完成任务并不足以说明生物连接结构的优势。 清华大学团队最近的研究聚焦于“适应变化”，系统考察了连接组在控制表现和神经通路机制上的作用，揭示具身智能适应变化的类脑设计原理。

团队将成年果蝇连接组构建为固定的神经网络核心，在仿真环境中进行多个维度的控制任务。 关键发现是：连接组的优势在控制需求变化时显现。 数字果蝇平地匀速直行时，连接组控制器与多层感知机表现接近。 当出现障碍、目标方向改变、速度指令起伏时，连接组控制器展现出更好的跨障碍能力、更平滑的转向控制和更准确的速度跟踪。 这种优势还延伸到不同的身体和更复杂的环境中。 同一套果蝇连接结构在双足、三足、四足和六足仿真身体中均展现明显优势。

在更复杂的迷宫中，连接组控制器的成功率优势进一步扩大，表明自然进化优化出的果蝇神经系统连接结构可能存在可迁移的运动控制鲁棒性。 清华团队采用成年果蝇FlyWire连接组，构建了包含138,584个神经元节点和3,732,460条有向连接的循环网络核心。 模型根据连接关系、突触计数和预测的神经递质类型构建权重，经归一化后在训练中保持不变。 可学习的感觉接口将身体状态等信息送入网络，运动接口再将网络活动转成控制信号，形成闭环。

研究者首先保持数字果蝇的身体不变，由连接组控制器与中央模式发生器产生基础步态结合，调节42个腿部关节及足部附着，并根据身体与地面的交互反馈持续调整动作。 测试围绕身体在三维空间中的运动展开：垂直维度的地形起伏、横向维度的左右转向，以及纵向维度的速度变化。 垂直维度：跨越障碍。 平地上，连接组控制器与同参数量的MLP表现接近。 遇到障碍后，连接组控制器的跨越成功率更高。 横向维度：调整方向。 保持身体和地形不变，分别测试左右30°、60°和90°的目标方向。

连接组控制器的转向指令更平滑，归一化指令粗糙度降低29.9%，指令总变差降低44.6%。 纵向维度：跟踪速度。 保持身体、行进方向和地形不变，让果蝇跟随分段加减速和正弦式周期变速指令。 连接组控制器在加减速斜率和周期变速幅度两类指标上，均表现出更小的跟踪误差。 三组实验共同表明：在同一副身体中，连接组的优势会随着控制需求的变化而显现，支持更有效的地形应对、方向调整和速度调节。 换一个身体，走进更复杂的迷宫下一步，研究者将同一套果蝇连接组接入不同形态的具身智能体。

在身体形态、动作空间和动力学发生变化后，连接组核心保持固定，仅为新身体重新学习感觉和运动接口。 在平地行走任务中，连接组控制器的平均前进速度达到1.94米/秒，远高于MLP的0.68米/秒，路径也更直接。 当身体变化与复杂环境结合，连接组的优势进一步显现。 研究者在迷宫中比较了果蝇连接组、MLP、Transformer、LSTM、GRU及两类储备池控制器。 在Medium和Large两种迷宫中，成体连接组控制器均取得七类方法中最高的平均成功率。

以Medium迷宫为例，成功率从MLP的44.1%提高到64.2%，增加20.1个百分点。 对于需要6–7次转弯的复杂路线，成功率从20.4%提高到50.6%，优势扩大至约30个百分点。 与此同时，该迷宫评估中的物理失败比例从15.1%降至9.2%。 两条腿、三条腿、四条腿和六条腿同一套果蝇连接组，能适配多大范围的身体变化？ 研究者进一步测试了四种仿真身体：双足、三足、四足和六足机器人。 测试从正常条件扩展到侧向推力、低摩擦、80毫秒动作延迟、部分观测丢失，以及60秒长时运行，考察不同身体在扰动和持续控制中的表现。

四种身体均获得了明显的性能收益，双足机器人的身体变化最大，适应变化的优势最明显； 六足机器人的形态最接近果蝇，绝对性能也最好。 适应性背后，涌现出共同的感觉运动机制连接组为什么能帮助智能体适应变化？ 研究者进一步追踪网络内部，发现不同任务背后出现了相互呼应的感觉运动机制。 研究者没有预先指定哪些神经元应在任务中发挥主导作用，但在学习与闭环交互中，机械感觉和上行神经元自然成为影响控制输出的重要群体，并通过下行通路参与动作调节。 生物连接结构中与具身控制相关的功能，在人工任务中得到了自发利用。

这种组织方式贯穿跨障碍、转向和变速：跨障碍时，机械感觉通路对控制输出的影响显著强于随机网络。 转向时，机械感觉与上行相关群体在不同时间尺度上发挥作用。 变速时，上行和机械感觉通路共同参与对加减速指令的响应。 通路干预进一步验证了这些功能贡献。 例如，切断上行神经元到下行神经元的连接，平均航向误差增加3.52°，约为匹配对照干预的三倍。 阻断机械感觉信号或限制上行群体接收变化的速度目标，也分别影响跨障碍控制输出和变速响应。

与此同时，三类任务中的连接组控制器都呈现出更低的局部策略敏感性，即小幅扰动引起的控制输出变化更小。 任务相关通路的自发招募与更稳定的控制响应，共同为连接组的适应性优势提供了机制解释。

从果蝇大脑中寻找智能自进化的设计原理围绕果蝇学习记忆机制，团队持续探索如何提升人工智能的持续学习与自适应能力：从2023年《Nature Machine Intelligence》封面文章中的主动遗忘与平行模块化机制，2026年《Patterns》封面文章揭示动态变化的自适应区分与整合机制，到最新提出的类脑分层模块化框架，逐步将生物学习原理转化为人工智能应对动态经验的方法。 本研究进一步将这条路线拓展到实测神经连接结构与具身控制。

研究发现，果蝇连接组的优势在地形、运动需求和身体发生变化时显现，并伴随着任务相关感觉运动通路的自发招募。 这表明，进化形成的神经连接结构可以成为可复用的先验，帮助不同身体实现有效控制。 从学习记忆机制到神经连接结构，从动态数据流到身体与环境的交互，这些工作共同指向一个目标：让人工智能具备持续适应变化的能力。 未来，将生物结构先验与持续学习机制进一步结合，有望推动智能体在更复杂的环境中积累经验、调整行为，拓展类脑智能的应用边界。