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。这些看似脑洞大开的尝试，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。它记录了哪些神经元彼此相连、信号沿什么方向传递，以及连接中包含多少突触。通过显微成像与重建，研究者得以描绘这些连接，再将其转化为可以在计算机中运行的神经网络，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带来了独特优势。这张 " 接线图 " 究竟在什么条件下有用，又能为具身智能带来怎样的帮助？清华大学团队最近的一项研究，将这一问题聚焦到" 适应变化 "上，系统考察其控制表现，并追踪背后的神经通路机制，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，在仿真环境中让数字果蝇进行多个维度的控制任务。一个关键发现是：连接组的优势，会在控制需求发生变化时显现。在数字果蝇平地匀速直行时，连接组控制器与作为对照的多层感知机（MLP）表现接近。当脚下出现障碍、目标方向改变、速度指令起伏，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。令人惊讶的是，这种优势还延伸到了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出明显优势。当具身智能体进入更复杂的迷宫、需要完成更多次转向时，它的成功率优势进一步扩大。这意味着，自然进化优化出的果蝇神经系统的连接结构，可能存在可迁移的运动控制鲁棒性，能为不同形态的具身智能体提供可复用运动控制能力。同一副身体，三个空间维度的适应考验将生物 " 接线图 " 用于人工智能，离不开连接组学与身体仿真技术的快速发展。NeuroMechFly v2为感觉与运动的闭环研究提供了仿真平台 [ 1 ] ；Google DeepMind等团队开发的Flybody，让精细的果蝇身体模型在学习控制器驱动下行走和飞行 [ 2 ] ；BPU则将幼虫连接组用于图像分类和棋步预测。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，运动接口再把网络活动转成控制信号，动作引起的身体与环境变化，又成为下一步的感觉输入，由此形成闭环。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。研究者设置了多个高度的障碍，比较所有足部成功跨越的比例。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。研究者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。研究者保持身体、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 [ 3 ] ，2026 年《Patterns》封面文章揭示动态变化的自适应区分与整合机制 [ 4 ] ，到最新提出的类脑分层模块化框架 [ 5 ] ，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。参考资料[ 1 ] NeuroMechFly v2: Simulating Embodied Sensorimotor Control in Adult Drosophila. Nature Methods, 2024.[ 2 ] Whole-Body Physics Simulation of Fruit Fly Locomotion. Nature, 2025.[ 3 ] Incorporating Neuro-Inspired Adaptability for Continual Learning in Artificial Intelligence. Nature Machine Intelligence ( 封面文章 ) , 2023.[ 4 ] Spacing Effect Improves Generalization in Biological and Artificial Systems. Patterns ( 封面文章 ) , 2026.[ 5 ] Brain-Inspired Hierarchical Modularity for General Continual Learning. arXiv:2609.25146, 2026.论文题目：A Drosophila connectome prior enables adaptable embodied control研究团队：清华大学心理与认知科学系、生物医学工程学院、生命科学学院及 IDG/ 麦戈文脑科学研究院。作者为于思雨（第一作者）、周康垒、燕鸿伟、王馨怡、宋森、洪波、王立元（通讯作者）。项目主页：https://thu-neuroml.github.io/FlyControl代码链接：https://github.com/THU-NeuroML/FlyControl论文链接：https://www.researchsquare.com/article/rs-11557476/v1一键三连「点赞」「转发」「小心心」欢迎在评论区留下你的想法！—完—【学术投稿】请在工作日发送邮件至：ai@qbitai.com，标题注明【投稿】，并告诉我们：你是谁，从哪来，投稿内容附上项目 / 主页链接，以及联系方式。我们会 ( 尽量 ) 及时回复你 : )点亮星标科技前沿进展每日见