تصور کنید مگسی سه‌بعدی روی دسکتاپ مک شما زندگی می‌کند که هر حرکتش توسط شبیه‌سازی زندهٔ یک مغز بیولوژیک هدایت می‌شود. طبق مستندات این پروژه، اپلیکیشن DesktopFly که در ۱۸ اوت ۲۰۲۶ منتشر شد، از داده‌های کونکتوم (Connectome) — یعنی نقشه‌ی کامل اتصالات عصبی — برای تعیین نحوه‌ی راه رفتن، تمیز کردن بدن و فرار مگس از نشانگر موس استفاده می‌کند.
یک حیوان خانگی دیجیتال را تصور کنید که از یک اسکریپت یا متن پیش‌نویس شده پیروی نمی‌کند، بلکه حرکات موس شما را از طریق یک شبکه عصبی شبیه‌سازی شده پردازش می‌کند. در حالی که اکثر همراهان دسکتاپ از منطق ساده‌ی «اگر این شد، آن کار را بکن» (if-then) استفاده می‌کنند، این مگس از همان مسیرهای نورونی استفاده می‌کند که یک مگس واقعی (Drosophila) برای تشخیص تهدیدات قریب‌الوقوع به کار می‌برد.
معماری عصبی
به نقل از مستندات گیت‌هاب این پروژه، این شبیه‌سازی توسط یک مدار ۶۶۸ نورونی با حدود ۱۹,۰۰۰ اتصال سیناپسی واقعی قدرت می‌گیرد. سیستم به صورت یک شبیه‌سازی LIF (Leaky-Integrate-and-Fire) با فرکانس ۱ کیلوهرتز اجرا می‌شود. این مدل به‌طور خاص نورون‌های بینایی تشخیص تهدید شامل LC4 (با ۱۰۴ نورون) و LPLC2 (با ۲۱۰ نورون) و همچنین نورون‌های فرمان فرار Giant Fiber یا GF (مدل DNp01) را شبیه‌سازی می‌کند.
این مدار شامل چندین گروه عملکردی تخصصی است:
- هدایت (Steering): نورون‌های DNa01 و DNa02 (شامل ۴ نورون) چرخش‌های جهت‌دار را مدیریت می‌کنند.
- جابه‌جایی (Locomotion): نورون DNp09 (۲ نورون) راه رفتن به جلو را هدایت می‌کند، در حالی که MDN (۴ نورون) مسئول حرکت به عقب یا همان «مون‌واک» است.
- نگهداری (Maintenance): نورون DNg11 (۶ نورون) رفتارهای تمیز کردن بدن (Grooming) را کنترل می‌کند.
- پرواز (Flight): نورون‌های DNp02، DNp04 و DNp11 (۶ نورون) حرکات بال برای مانورهای فرار را مدیریت می‌کنند.
این ساختار توسط ۳۳۰ مورد از قوی‌ترین شرکای عصبی آن‌ها، از جمله نورون‌های حس بادی (باد) و نورون‌های حس عمیق صعودی (Proprioceptive) پشتیبانی می‌شود.
کاربران می‌توانند از طریق یک پنجرهٔ زنده، موقعیت ۲۳,۲۱۰ نورون واقعی را از مجموع ۱۳۹,۲۵۵ نورون موجود در FlyWire v783 مشاهده کنند. این پنجره بر اساس «سوپر-کلاس» رنگ‌آمیزی شده است که نشان‌دهنده گروه‌بندی‌های کلی نوع سلول در FlyWire است. دو نشانگر زرد درخشان در این محیط، جایگاه Giant Fibers را مشخص می‌کنند.
این پنجره امکان تحریک «اپتوژنتیک» را فراهم می‌کند؛ یعنی با کلیک روی یک ناحیه خاص از مغز، ۶۰ نورون نزدیک‌ترین به آن نقطه برای مدت ۴۰۰ میلی‌ثانیه فعال می‌شوند و مگس بر اساس منطق پایین‌دستی شبکه واقعی واکنش نشان می‌دهد. برای مثال، کلیک روی Giant Fiber باعث فرار سریع مگس می‌شود، در حالی که کلیک روی DNg11 باعث شروع رفتار تمیز کردن بدن می‌گردد.
ادغام فنی و اکولوژی
رفتار مگس به‌طور عمیق با محیط macOS گره خورده است و از حس‌هایی استفاده می‌کند که نیازی به مجوزهای دسترسی خاص ندارند:
- عوارض پنجره‌ها: مگس لبه‌های بالای پنجره‌ها را به عنوان لبه‌های واقعی می‌بیند که می‌تواند روی آن‌ها بنشیند و راه برود. او می‌تواند هنگام کشیدن یک پنجره توسط شما، روی آن سوار شود و اگر پنجره‌ای زیر پای او بسته شود، دچار شوک و وحشت می‌شود. این نوع تعاملات محیطی با دسکتاپ مک، یادآور تلاش‌های پیشین برای گسترش فضای کاری مک است، مانند پروژه NerdLens که دسکتاپ مک را در محیط واقعیت مجازی بازسازی می‌کرد.
- ورودی‌های تهدید (Looming): وقتی پنجره‌ای جدید در نزدیکی مگس ظاهر می‌شود، مدار عصبی بر اساس مسیر تشخیص تهدید تصمیم می‌گیرد که آیا فرار کند یا خیر. نزدیک شدن نشانگر موس توسط سلول‌های LC4/LPLC2 پردازش می‌شود؛ مگس تنها زمانی بلند می‌شود که نورون GF واقعاً شلیک (Spike) کند.
- محرک‌های فیزیکی: کلیک‌های موس در نزدیکی مگس به عنوان ضربات به سطح زیرین حس می‌شوند. همچنین، تایپ کردن کاربر از طریق API زمان‌های بیکاری (Idle-time API) به عنوان لرزش حس می‌شود (سیستم تشخیص می‌دهد که کلیدی فشار داده شده، اما تشخیص نمی‌دهد کدام کلید است).
- ریتم‌های بیولوژیک: مگس از یک ریتم شبانه‌روزی (Circadian Rhythm) پیروی می‌کند که در آن اوج فعالیت در سپیده‌دم و غروب است، در میانه روز چرت می‌زند و در شب به حالت سکون در می‌آید. در زمان استراحت شبانه، او با آستانه تحریک بالاتر می‌خوابد و به آرامی نفس می‌کشد.
- وضعیت حرارتی: از آنجایی که مگس‌ها موجوداتی دماساز (Ectotherms) هستند، گرم شدن دستگاه مک باعث می‌شود مگس سریع‌تر حرکت کند.
حلقه‌ی شبیه‌سازی
این حلقه با بازخورد بدن-به-مغز کامل می‌شود. ریتم گام‌های سه‌پایه (Tripod Gait) مگس، هم‌گام با حرکت پاها، به نورون‌های حس عمیق صعودی در مدار بازمی‌گردد. همچنین حرکات سریع نشانگر موس، شرکای حس بادی (باد) را تحریک می‌کند.
فرار مگس به صورت اسکریپت‌شده نیست. حدود ۱,۲۰۰ سیناپس از نوع بازدارنده پیش‌رو (Feedforward Inhibition) در برابر محرک فرار فشار می‌آورند. این موضوع توضیح می‌دهد که چرا مگس حرکات آرام را تحمل می‌کند، اما به پرتاب‌های سریع در حدود ۴ میلی‌ثانیه واکنش نشان می‌دهد که دقیقاً با عملکرد حیوان واقعی مطابقت دارد.
این پروژه دیدگاه ما را نسبت به «حیوانات خانگی دیجیتال» از انیمیشن‌های ساده به آینه‌های بیولوژیک کاربردی تغییر می‌دهد. با لایه‌بندی انتخاب‌های مدل‌سازی استاندارد مانند علامت‌های انتقال‌دهنده‌های عصبی (ACh+، GABA−، Glu−) و جفت‌شدگی الکتریکی (تقویت اتصالات Gap-junction در مسیر LC→GF و Wind→GF) روی یک گراف واقعی، این برنامه نشان می‌دهد که چگونه داده‌های کونکتوم می‌تواند برای ایجاد رفتارهای باورپذیر و غیربرنامه‌ریزی شده در عامل‌ها استفاده شود.
برای یک کاربر عادی، این یک ابزار کنجکاوی‌برانگیز است؛ اما برای یک پژوهشگر هوش مصنوعی، این یک نمایش عملی از این است که چگونه اتصال ساختاری (نقشه سیم‌کشی) می‌تواند بدون نیاز به یادگیری تقویتی (Reinforcement Learning) سنتی، رفتارهای پیچیده و نوظهور را هدایت کند.
برای اجرای این شبیه‌سازی، سیستم‌عامل macOS 13 به بالا و Xcode Command Line Tools (Swift 5.9+) مورد نیاز است. شما می‌توانید مخزن گیت‌هاب پروژه را کلون کرده، اسکریپت ./build.sh را اجرا کنید و سپس برنامه ./DesktopFly را اجرا نمایید. اپلیکیشن در نوار منو (Menu Bar) ظاهر می‌شود، جایی که کاربران می‌توانند جهان را متوقف کنند، پنجره مغز را فعال کنند یا «تست فرار» (Escape Test) را برای مشاهده شلیک نورون GF اجرا کنند.
گام بعدی شما
- اگر از macOS 13 به بالا استفاده می‌کنید، مخزن گیت‌هاب پروژه را کلون کرده و با اجرای
./build.shآن را نصب کنید. - پنجرهٔ مغز را فعال کنید و با تحریک نورون‌های DNg11، رفتار تمیز کردن بدن مگس را مشاهده کنید.
- تست Escape را اجرا کنید تا سرعت شلیک نورون GF و واکنش آنی مگس را بسنجید.
اما تأثیر این رویکرد بر توسعه‌ی عامل‌های هوش مصنوعی در مقیاس بزرگتر حتی جذاب‌تر است — به بررسی ما درباره‌ی معماری‌های مدل‌های استدلالی مراجعه کنید.
گفتگو