2024 年 10 月，我看到 FlyWire 的果蠅全腦 connectome 數字時，第一個念頭不是「這離 AGI 又近了一步」。比較像是在看一台剛被拆開、零件數量剛好落在工程師能想像範圍內的機器：139,255 個 proofread neurons、5,450 萬個化學突觸，外加一張可以下載、查詢、再分析的接線圖。

那個問題很自然會出現：既然 Intel Loihi 2 一顆晶片宣稱最多能放 100 萬個神經元與 1.2 億個突觸，能不能把這隻果蠅的腦搬上去？

短答是：在總容量的第一關，答案看起來是可以；在「這就是果蠅的腦」這個較強的說法上，答案是不可以。 中間差的不是一個更大的 CSV，而是神經動力學、身體回饋、硬體映射，以及我們願意把多少假設藏在「模擬」兩個字裡。

先把「全腦」說準：這是一張成年雌蠅的大腦接線圖

FlyWire 的主論文描述的是一隻成年雌性 Drosophila melanogaster 的 central brain 與兩側 optic lobes。資料包含 139,255 個神經元、5,450 萬個化學突觸，以及超過 8,400 種細胞類型的腦區與神經傳導物質預測。Nature 的原始論文也特別說明，這是 chemical synapses；electrical synapses 仍不在這份資料裡。

它也不是「整隻果蠅的 nervous system」。ventral nerve cord、肌肉、感覺器官如何把光、味道、觸覺變成輸入，以及 motor output 如何真的移動身體，都還需要額外資料。這個限制很重要：沒有 body loop，就不能把晶片上的 spike 直接叫做「飛行」或「覓食」。

如果把圖視為一個有向加權 graph，Network Statistics 那篇 companion paper 在 FlyWire v630 上採用每對神經元至少五個 synapses 的 threshold，得到 127,978 個 neurons 與 2,613,129 條 connections。原始分析還報告，93.3% 的神經元位於同一個 strongly connected component，平均最短有向路徑是 4.42 hops。這不是一張單純由感覺器官流向馬達的 feed-forward graph，而是一個稀疏、強烈 recurrent 的網路。

這個 threshold 是工程上的好切口。54.5M 是 synapse-level 的數字；2.61M 則是把同一對神經元之間的多個 synapses 聚成一條加權 edge 之後的 graph。兩者不能混用，否則很容易在宣稱硬體容量時少算或多算一個數量級。

其實已經有人先做了「可計算的果蠅腦」

在談 Loihi 2 之前，應先看 Shiu 等人的工作。這篇研究沒有把每個神經元的 morphology、receptor dynamics 和內部狀態全部重建，而是用一個全腦 leaky integrate-and-fire（LIF）模型，把 connectome 的 connection weight 與 neurotransmitter identity 轉成脈衝網路。Nature 論文

模型的選擇很樸素，但樸素不等於沒有用。神經元膜電位向 resting potential 衰減；上游 spike 讓下游的 synaptic conductance 增加；conductance 再以 5 ms 的時間常數衰減；超過 threshold 後發 spike 並 reset。原始模型使用 -52 mV 的 resting/reset potential、-45 mV 的 threshold、20 ms 的 membrane time scale、2.2 ms 的 refractory period、1.8 ms 的 synaptic delay，以及每個 synapse 0.275 mV 的自由權重參數。這些細節都寫在論文 Methods，而不是我替它補上的「腦科學直覺」。

更關鍵的是驗證方式。作者把 sugar、water 和 mechanosensory neurons 當成輸入，觀察模型是否能預測 feeding、proboscis extension 與 antennal grooming 相關的下游活動；在 164 個有實驗資料可比對的 predictions 中，91% 與實驗結果一致。作者也公開了模型 code 與資料入口。

這給 Loihi 2 一個很好的 reference oracle：第一個工程目標不必是「模擬一個活的果蠅」，而是先讓另一個 event-driven backend 得到與 Brian2 相同的 spike rate、target-neuron ranking 和延遲行為。只有先對齊這些，談硬體上的 energy 或 latency 才有意義。

Loihi 2 的容量計算：可以，但只算到門口

Intel 的 Loihi 2 技術 brief 列出的單晶片上限是 128 個 neuromorphic cores、100 萬個 neurons 與 1.2 億個 synapses；每個 core 都把一組 spiking neurons 與它們的 synapses 放在一起。Loihi 2 也支援 programmable neuron models、graded spike payload，以及稀疏連線的記憶體壓縮。Intel brief

拿最保守的 headline capacity 先做除法：

項目	FlyWire model	Loihi 2 單晶片 headline capacity	粗略佔用
neurons	139,255	1,000,000	13.9%
synapses	54.5M	120M	45.4%
thresholded connections	2.61M	不等同於 synapse 上限	不能直接比較

所以，若只問「數量會不會立刻超過晶片規格」，答案是不會。這也是這個題目值得做的地方：它不是只能在超級電腦上想像的規模。作為參考，Intel 的 Hala Point 是由 1,152 顆 Loihi 2 組成，總容量約 11.5 億 neurons、1,280 億 synapses；那個系統證明的是多晶片 neuromorphic fabric 的規模，不是這個 fly graph 已經在 Hala Point 上跑過。Intel 對 Hala Point 的說明

真正的風險在 headline capacity 之後：

• graph 要怎麼切到 cores，才不會讓少數高 degree neurons 把單一 core 的 synaptic memory 或 routing table 撐爆？
• 原始模型的 signed weight、1.8 ms delay、alpha-like conductance decay，能不能在 Loihi 2 的 process model 中保留相同語義？
• neurotransmitter prediction 被壓成每個 neuron 一個 excitatory/inhibitory sign 時，硬體上的 integer weight 與有限 precision 會不會改變下游 neuron 的排序？
• 如果所有 neuron 都以固定 time step 更新，原本 event-driven 的優勢會不會被不必要的 baseline activity 消耗掉？

這些問題不能用「Loihi 2 有一百萬神經元」回答。它們要靠 compiler mapping、small-subgraph tests 和真正的 silicon traces 回答。

我會怎麼把它做成一條可重現的路徑

最合理的架構不是先把資料灌進硬體，而是先做兩個互相約束的模型：一個是科學上的 reference model，一個是硬體形狀的 event model。

flowchart LR
  A[FlyWire materialization v630] --> B[stable neuron IDs + sparse edge list]
  B --> C[Brian2 reference LIF]
  B --> D[Lava CPU event model]
  C --> E[spike traces / rates / target ranking]
  D --> E
  D --> F[Loihi 2 mapping]
  F --> G[hardware spike traces + energy]
  E --> H{same scientific result?}
  G --> H
  H -->|pass| I[add VNC/body loop]
  H -->|fail| J[inspect quantization, routing, dynamics]

第一階段固定 FlyWire materialization 版本，產生穩定 neuron ID 與 CSR/COO sparse edge list。不要一開始追最新 snapshot；版本固定比數字看起來最新更重要。

第二階段重跑 Shiu 模型的一個公開實驗，例如 sugar-sensing input 到 feeding motor output。比較的不只是最後平均 firing rate，還要保存 spike times、latency distribution、被啟動的 neuron ranking，以及不同 random seed 的 spread。這一步是在防止「兩個模型都輸出一張漂亮 heatmap，但其實算的是不同東西」。

第三階段把相同方程式寫成 Lava 的 CPU process。Lava 的設計允許先在 CPU/GPU 開發，再把 process 映射到 neuromorphic backend；文件也有 Loihi2NeuroCore 與對應 run configuration 的介面。Lava 文件 所描述的是開發與 mapping 的抽象層，不是這個特定果蠅模型已完成的硬體部署。

第四階段才開始縮放：1,000 個神經元、單一 neuropil、單側腦、最後才是完整 thresholded graph。每一關都要回答同一組問題：memory 使用量、跨 core traffic、spike count、延遲、以及與 Brian2 的 divergence。

這裡最容易誇大的地方：connectome 不是 dynamics

Shiu 團隊自己把限制列得很清楚：模型把每個 neuron 當成相同的 spiking unit，忽略 morphology 與不同 receptor dynamics，也不包含 gap junctions、non-spiking neurons、internal state、long-range neuropeptides，並假設 basal firing 為零。作者因此把模型定位成能產生可測試 sensorimotor hypotheses 的工具，而不是完整 physiology。

這不是吹毛求疵。connectome 告訴我們「誰連到誰」，不自動告訴我們每條連線在什麼狀態下有效、突觸如何被調制、同一個 neuron 如何依據 hunger 或 thirst 改變 response，也不告訴我們腳和翅膀如何把 motor spike 反饋回腦。

因此我會把成果分成三個名稱：

1. connectome-driven spiking model：拓撲與權重來自 FlyWire，神經動力學是明確的簡化模型。
2. Loihi 2 deployment：上一個模型在 Loihi 2 backend 上編譯、執行並通過 trace/energy 對照。
3. fly brain simulation：還需要更完整的 neuron classes、neuromodulation、VNC 與 body loop，並且要以行為資料驗證。

現在公開資料已經讓第一項很實際，第二項值得做，第三項則還不能靠一張 capacity table 宣布完成。

取得硬體的現實限制

Lava 的 CPU 部分是開源的，公開文件也提供跨平台的 process、compiler 與模擬概念；但 Intel 的 Loihi 2 brief 同時寫明，部署到 Loihi 2 所需的較低階敏感元件只對符合資格的 Intel Neuromorphic Research Community 成員開放。換句話說，任何人都可以把問題整理成 Lava-shaped model，不能因此暗示任何人都能在本機下載一個完整 Loihi 2 emulator 並重現 silicon 結果。

截至本文研究日，Lava 的公開 GitHub repository 顯示為 archived。這不等於既有程式碼失效，但代表真正要做這個 project 時，應該 pin release、保存本地依賴與 compiler artifact，不要把可重現性押在一個會自動漂移的 main branch 上。Lava repository

我這次成功抓下來的是 FlyWire／模型相關論文、Intel Loihi 2 brief，以及作者公開 model source archive；沒有把完整 FlyWire 原始 EM volume 當成「下載成功」來冒充。對這個工程問題來說，真正需要的是 materialized connectivity、cell annotations 與 neurotransmitter predictions，而不是幾十 TB 的影像原檔。

結論：先證明 event semantics，再談腦

把果蠅 connectome 搬上 Loihi 2，最有價值的版本不是一個「AI 已經變成昆蟲」的 headline，而是一個很精確的 systems experiment：固定一份可引用的 wiring diagram，保留一個已經和實驗對過的 LIF reference，將它轉成 event-driven process，然後量出 mapping、quantization、latency 與 energy 的代價。

若完整圖在 aggregate capacity 上真的能塞進單晶片，那是很好的結果；若最後因 routing 或 dynamics 只能拆成多晶片，也仍然是有意義的工程邊界。真正需要避免的是把「139,255 個 node 可以放進記憶體」寫成「我們模擬了果蠅的大腦」。前者是一個可以測的 claim，後者目前還差一個身體、一套狀態變數，以及更多實驗。

參考資料

• Dorkenwald et al., Neuronal wiring diagram of an adult brain, Nature (2024).
• Lin et al., Network statistics of the whole-brain connectome of Drosophila, Nature (2024).
• Shiu et al., A Drosophila computational brain model reveals sensorimotor processing, Nature (2024).
• Intel Labs, Taking Neuromorphic Computing with Loihi 2 to the Next Level, Technology Brief.
• Intel, Hala Point.
• Lava documentation and Lava source repository.
• Drosophila brain model source and data pointers.