Open-Science 实战：从个人 Bot 到科研 Agent
文章目录
部分视频或图片暂未收录，已在正文保留提示；需要时可查看原文。查看原文 ↗
Muse、Grokbot 这些个人Bot火爆了，帮你处理所有日常任务。
今天介绍一个不一样的：专门面向科研的 AIPOCH Open-Science。
为了测试它，我拿上果蝇大脑，搬上 GPU，尝试训练它解三阶魔方。
这里先向科学家们致敬。
HHMI Janelia、Google Research 等团队（MaleCNS 项目），动用了 7 台定制电子显微镜，连续扫描约 13 个月，人工校对累计投入约 44 人年，最终完整重建出一只成年雄性果蝇的中枢神经系统，并向全球开放。
科学家花费多年绘制的神经接线图，现在普通开发者也能下载下来做实验。非常好奇，这里面会不会藏着下一个 ResNet，等着我们去发现。
这次从找论文、搭网络、接 GPU、训练到最后评测，我基本都在 Open-Science 里完成。先来看一下完成效果：
导读
一、大自然的网络架构：果蝇大脑
二、下载果蝇大脑，为什么还不能直接运行？
三、接上眼睛和手：为什么果蝇的“翅膀”死活学不会拧魔方？
四、给生物大脑做“微调”：多卡并行训练与权重揭秘
五、用果蝇做推理：它真的学会了吗？
六、从 Vibe Coding 到 Vibe Research：普通人如何复现前沿科学？
一、大自然的网络架构：果蝇大脑
我们平时折腾模型，通常先看几样东西：多少参数、吃多少显存、每秒吐多少 token。
这次打开果蝇大脑数据，则完全不一样。
16.7 万个神经元，0.026B 连接，0.12B 的突触。
这里有两个容易混的词：神经元可以先理解成处理信号的节点。突触是传递信号的接触点。
跟当前主流规整的 AI 层级网络不同，这里到处是反馈、绕路和并行通路，不同神经元的连接数量也差得极大：一个神经元接收的上游连接，中位数是 98，最多的有 11,526。
果蝇大脑这么复杂，能不能让它学会玩魔方这种任务呢？
1.1 关键第一步：搭实验环境
我不是神经科学研究者，最初其实只有一篇 Google 的博客。但真要把这东西跑起来，马上工作发散：要找原论文、核对参数、下载连接组数据、写代码，还要接远程 GPU。
我干脆把整个实验放进了 AIPOCH Open-Science。
一个开源、本地优先的科研工作台。一个面向 AI4S（AI for Science）的开放科研平台。 你可以在里面发布、下载、使用和分享科研相关的数据集、项目和实验内容。 整个研究过程也可以打包分享。 可以接你自己的Claude、Codex等各种订阅。论文、数据、Notebook、代码执行、远程机器、实验参数和运行记录，都可以沿着同一个 Project 往下走。 最后还可以通过 .science 格式，把一个研究项目整体导出和打包。
我先让它从 Google 那篇博客往下追原论文、核对 DOI、收进文献库，再一路追到后面真正要用的参数和数据。
二、下载果蝇大脑，为什么还不能直接运行
光有连接结构还跑不起来，必须定义信号传递规则和初始权重。
-
信号传递：我参考了 Shiu 等人发表在《Nature》（2024）的计算模型，用简化规则描述神经元怎么积累输入、达到阈值发出脉冲、再复位，对神经活动的近似模拟。
-
初始权重：也就是一根连接的影响强弱。初始化公式可以简化为：
[未转换内容，参见原始 JSON]
果蝇的大脑和下载一个训练好的大模型不一样，它只有天生的生理结构，还不知道魔方是什么，更不知道哪个输出代表哪个动作。这些都得我们来连接和训练。
三、训练果蝇大脑准备
3.1 输入：324 个颜色开关
一个三阶魔方有 54 个贴纸位置，每个位置有 6 种可能颜色。我给每个位置安排 6 个开关（例如是红色，就只打开“红色”开关）：
- 54 个位置 × 6 种颜色 = 324 个开关（始终有 54 个是开的）。
为了简化实验，我没有让它直接做图像识别，而是把 9,201 个视觉神经元分成 324 组与开关一一对应。哪个开关打开，就给对应那组视觉神经元输入电刺激。
3.2 输出：直接读取腿部运动神经元
魔方六个面，每面可顺时针、逆时针、转半圈，共 18 个动作。 最省事的办法是在脑内随便取一组活动，外接一个小分类器算分数。但我加了个挑战：不在脑内随便找位置，直接读取控制肌肉的运动神经元信号！
我从前腿相关的运动神经元里选了 93 个，按肌肉和左右侧归成 18 组。每次推理汇总 18 组活动分数，哪个分高就选哪个动作，并由模拟器映射成腿部动画呈现出来。
3.3 小插曲：为什么翅膀完全学不动？
到底拿果蝇哪一组运动神经元当输出最好？我试了三次，结果非常反直觉：
-
前腿运动神经元：效果不错，可以当分类输出。
-
翅膀相关的运动神经元：完全学不动。
-
六条腿相关的运动输出：果断放弃翅膀改用六条腿后，效果最好！
同样是一只果蝇大脑，不同区域拿来做新任务，学习效果居然差这么多。我在 Open-Science 里往下查文献，看到一个更对口的方向：已经有人把果蝇的“视觉—运动回路”接到机器人和飞行器上，用来做转向、避障。
我现在有个很不严谨、但特别好玩的猜想： 解魔方，翅膀相关回路未必合适；但躲障碍、瞬间转向、快速逃逸，这才是它祖传几亿年的专业。😂
四、果蝇大脑训练开始
输入和输出接好后，直接运行依然没法推理，因为天然连接不是为魔方准备的。
4.1 训练的原理
我把大脑的连接拓扑设置为固定，只通过反向传播训练改变连接的强度：当输出动作分数与目标动作不符时，计算损失（Loss），通过梯度下降一步步微调连接权重。这相当于在大自然进化出的解剖学先验架构和初始参数上，做了一次面向魔方任务的微调。
4.2 设计和执行训练实验
本地笔记本跑不动训练，必须接远程 GPU。这个实验最多同时开 4 条分支跑在 4 张卡上，每条分支的配置、日志、checkpoint 都不一样。改了一份配置，很容易搞混到底跑的是哪个版本。这时候 Open-Science 对我最有用的不是查论文，而是管实验。
4.3 训练好的大脑权重
训练完成后，我比较了训练前后的权重，整体相关系数高达 0.9813。也就是说，训练后的权重仍与生理初值高度相关。按脑区看，视觉区域调整很小，而与下行神经元（从脑向身体传命令的通路）相关的连接调整得更多。
这里再说一个好用的功能，AIPOCH Open-Science 可以把一次完整的研究过程打包成 .science 文件，包括 AI 对话、研究思路、数据文件、代码运行记录和实验结果。 直接发给同事、朋友、师兄师姐，对方导入就能查看整个研究过程，甚至可以 Fork 出新会话，在原来的基础上继续研究。直接分享研究过程和结果，超实用！
五、 用果蝇做推理：它真的学会了吗？
来看训练前后的推理效果对比。单步动作准确率从 6.39% 提到了 64.86%。按“打乱深度”（越深越复杂）来看整局还原成功率：
| 打乱深度 | 1 | 2 | 3 | 4 | 5 | 6 |
|---|---|---|---|---|---|---|
| 训练后 | 100% | 89.80% | 72.70% | 28.10% | 10.20% | 6.20% |
| 训练前的解剖初始化 | 11.70% | 0.80% | 0% | 0% | 0% | 0% |
注意，深度 3 以内只有 3,240 个状态，都在训练集里。看模型有没有真正学到泛化能力，要看深度超过 3 的结果。
在复杂局面下，如果只用贪心原则（每步只取最高分），很容易进入死循环。如果换成 Beam Search（束搜索）——每一步同时留住若干条候选路线展开，只保留累计分数最高的那几条，在训练完全没见过的状态（深度 4~6）上测试结果如下：
| 真实距离 | 贪心 | beam 8 | beam 32 |
|---|---|---|---|
| 4 | 21.10% | 62.50% | 83.30% |
| 5 | 6.60% | 37.50% | 64.60% |
| 6 | 0.80% | 12.50% | 33.30% |
深度 6 从 0.8% 涨到 33.3%，翻了四十倍（这些局面里 99.7% 训练时没见过）。但严谨起见，这里得拆开看：
-
果蝇大脑原生能力：深度 4 为 21.1%，深度 6 为 0.8%
-
果蝇大脑 + 推理搜索优化：深度 4 为 83.3%，深度 6 为 33.3%
这是 Open-Science 很有价值的一点，科研不只是更快拿到结果，证伪和验真同样重要。这张表是哪份数据跑的？哪个 checkpoint？哪次 Notebook？当时参数是什么？这些记录都还在，回头才能重新检查实验记录。
六、从 Vibe Coding 到 Vibe Research：来自果蝇大脑的启示
这次最大的收获，我发现果蝇大脑有很多局限：不同神经回路的学习效果差别很大，浅层魔方存在训练状态重合，搜索算法对最终成功率的影响也很明显。但这才是科研有意思的地方，提出猜想、动手验证，甚至亲自推翻自己的结论。
最后夸一下这次真正帮我把实验跑完的工具：AIPOCH Open-Science。
这次从找论文、追原始数据，到 Notebook、远程 GPU、4 路实验并行、checkpoint、参数和结果管理，我基本都在 Open-Science 里完成。
这个开源项目的愿景：
Vibe Research的时代正在到来。AIPOCH Open-Science希望降低科研工具的使用门槛,让每一个有好奇心、有研究想法的人,都能更容易地参与研究,并通过开放共享的工具和方法,连接全球科研者。
你什么时候会用到：
Open-Science是发布、下载、使用和分享 AI4S 科研相关的数据集/相关内容的平台。研究流程可审计且公开/共享，任何人都实现研究过程的复现。
有一个好想法，先下场做实验。无论你是学生，或者是任何对研究感兴趣的人， 都可以通过Open-Science进行科研project复现 ，比如复现前沿科学或者前沿科学家的项目，AIPOCH Open-Science 可导出，可复现。
AIPOCH Open-Science @aipoch_ai：
关注：https://github.com/aipoch/open-science
Science, open to all.
原始数据：MaleCNS v1.0，CC-BY 4.0。
运行规则与参数参考：Shiu 等，A Drosophila computational brain model reveals sensorimotor processing，Nature，2024。
实验工作台：AIPOCH Open-Science。
