Пора создавать коннектом нейросети?

Методологический потенциал коннектомики в изучении эволюции ИИ.

Апрель 2025 года ознаменовался публикацией консорциумом MICrONS десяти исследовательских работ в журнале Nature, представивших полную реконструкцию коннектома кубического миллиметра зрительной коры мыши с функциональной регистрацией активности. Параллельно консорциум FlyWire завершил реконструкцию полного коннектома головного мозга взрослой самки дрозофилы. Эти достижения, признанные редакцией Nature Methods методом года 2025, создают беспрецедентную эмпирическую базу для сравнительного анализа структурно-функциональной организации нейронных сетей. В настоящей статье рассматривается методологический потенциал коннектомного подхода для изучения эволюции искусственного интеллекта. Предложено операциональное различение структурной и функциональной модели коннектома в искусственных системах, что позволяет формализовать отличия биологической эволюции от эволюции ИИ. Проанализированы современные исследования на стыке коннектомики и машинного обучения: концепция «Model Connectomes» (Kotar & Tuckute, 2025), архитектуры Biological Processing Units, фреймворк TDCA (Top-Down Credit Assignment Network), а также результаты сравнительной коннектомики на эхо-сетях. Показано, что коннектомный анализ предоставляет инструментарий для перехода от эмпирического подбора гиперпараметров к теоретически обоснованному проектированию архитектур ИИ, основанному на эволюционно проверенных принципах организации вычислений. Сформулированы направления дальнейших исследований, включая разработку метапластичных архитектур и количественную оценку биосоциальной робастности технических систем.

1. Введение.

Коннектомика — междисциплинарная область на стыке нейробиологии, вычислительной техники и теории графов — переживает период экспоненциального роста. Если на заре дисциплины, почти сорок лет назад, героические усилия Сиднея Бреннера и его коллег позволили реконструировать полный коннектом Caenorhabditis elegans (302 нейрона), то в 2025 году исследовательские консорциумы оперируют масштабами, на несколько порядков превышающими эту пионерскую работу.
В апреле 2025 года консорциум MICrONS (Machine Intelligence from Cortical Networks) опубликовал в журнале Nature серию из десяти исследовательских работ, центральным достижением которых стала реконструкция коннектома кубического миллиметра зрительной коры мыши. Этот массив данных содержит точное картирование 200 000 клеток, 523 миллионов синаптических связей и функциональную регистрацию активности приблизительно 75 000 нейронов, полученную методом кальциевой визуализации при предъявлении визуальных стимулов бодрствующему животному. Общая протяжённость аксональных проводников в реконструированном объёме ткани составляет 4 километра.
Флагманская публикация консорциума (Ding et al., 2025) установила фундаментальное правило связности: нейроны со сходными функциональными свойствами предпочтительно соединяются синаптически как внутри, так и между кортикальными слоями и зонами, включая обратные связи — что подтверждает универсальность принципа «подобное с подобным» (like-to-like) по всей зрительной иерархии. Важнейшим методологическим результатом стало выявление высшего правила связности, согласно которому когорты постсинаптических нейронов, находящихся ниже по потоку от пресинаптических клеток, демонстрируют большее функциональное сходство, чем можно было бы предсказать на основе попарного анализа. Показательно, что рекуррентные нейронные сети, обученные простой классификационной задаче, спонтанно развивают паттерны связности, зеркально отражающие как попарные, так и высшие правила, обнаруженные в данных MICrONS, причём нарушение связей «подобное с подобным» ухудшает производительность сильнее, чем нарушение случайных связей.
Параллельно консорциум FlyWire завершил реконструкцию полного коннектома головного мозга взрослой самки дрозофилы, включающего приблизительно 140 000 нейронов и более 50 миллионов синаптических связей, с последующим расширением на полную центральную нервную систему самца, содержащую 166 691 нейрон, полностью вычитанных и всесторонне аннотированных по типам клеток.
Эти достижения стали основанием для признания электронно-микроскопической коннектомики «Методом года 2025» редакцией Nature Methods. В редакционной статье подчёркивается, что экспериментальные и вычислительные подходы в коннектомике идут рука об руку: ткань должна быть зафиксирована, окрашена и заключена в блок без артефактов, после чего следует многомесячная визуализация тысяч срезов, за которой — реконструкция нейронных траекторий с использованием искусственного интеллекта и последующая автоматизированная коррекция ошибок (proofreading). Следует особо отметить, что в современной коннектомике ручная верификация реконструкций играет вспомогательную роль по отношению к гибридным автоматизированным методам; именно разработка инструментов автоматической коррекции (например, NEURD) позволила масштабировать коннектомный анализ до миллиметровых объёмов ткани.
Представленные эмпирические данные и их первичный теоретический анализ были детально разобраны на летней конференции «Analysis and Modeling of Connectomes» в Исследовательском кампусе Джанелия (1–4 июня 2025 года), где ключевыми темами стали использование коннектома для формулирования гипотез о биологических вычислениях, определение ранее недоступных параметров (темпы обучения, сила синапсов), совершенствование методов моделирования и симуляции.

2. Определение коннектома в биологических и искусственных системах.

Для корректного применения коннектомной методологии к анализу искусственного интеллекта необходимо строгое разграничение понятий. Термин «коннектом» (мужской род, по аналогии с «геном», «протеом») обозначает полную карту нейронных связей организма. В биологическом контексте коннектом представляет собой взвешенный направленный граф, вершинами которого являются нейроны, а рёбрами — синаптические контакты, характеризующиеся пространственной локализацией, морфологическими параметрами и типом нейромедиатора.

Для искусственных нейронных сетей необходимо ввести операциональное различение двух типов коннектомов:
· Структурный коннектом искусственной сети — граф, вершинами которого являются вычислительные единицы (нейроны), а рёбрами — наличие или отсутствие связей между ними, закреплённое на уровне аппаратной реализации или программной архитектуры. Этот уровень определяет топологию сети (полносвязная, свёрточная, трансформерная) и изменяется только при смене архитектурного дизайна — то есть в процессе, аналогичном филогенетической эволюции видов.
· Функциональная коннектома искусственной сети — тот же граф, но с присвоенными рёбрам весовыми коэффициентами, изменяющимися в процессе обучения. Этот уровень эволюционирует быстро (в ходе градиентного спуска) и соответствует онтогенетической пластичности биологического организма.
Данное различение позволяет формализовать ключевое утверждение настоящей статьи: эволюция искусственного интеллекта сегодня — это преимущественно эволюция функциональных коннектом в рамках фиксированных структурных коннектом, тогда как биологическая эволюция оперирует обоими уровнями одновременно, модифицируя как архитектуру связей, так и правила их пластичности.

3. Прямой перенос биологических связей в искусственные архитектуры.

Наиболее радикальным применением коннектомной методологии к ИИ является прямой перенос эмпирически реконструированных биологических коннектом в качестве вычислительного субстрата искусственных нейронных сетей. Два недавних исследования иллюстрируют этот подход.

3.1. Biological Processing Units (BPU).

Исследовательская группа под руководством Джошуа Вогельштейна (Vogelstein et al., 2025) преобразовала полный коннектом мозга личинки дрозофилы (приблизительно 3000 нейронов и 65 000 взвешенных синаптических связей) в фиксированную рекуррентную сеть, получившую название Biological Processing Unit (BPU). Архитектура BPU не обучается в традиционном смысле: матрица смежности непосредственно извлекается из данных электронной микроскопии, а веса связей соответствуют количеству синапсов между соответствующими нейронами в биологическом образце. Выходной считывающий слой обучается стандартными методами.
Несмотря на скромный размер (3000 нейронов), BPU продемонстрировала впечатляющую производительность: точность 98% на MNIST и 58% на CIFAR-10. Этот результат свидетельствует о том, что эволюционно отобранные схемы связности даже простого насекомого содержат вычислительные примитивы, релевантные для задач машинного зрения.

3.2. Эхо-сети на основе коннектомов разных видов.

Ян и коллеги (Yan et al., 2025) интегрировали эмпирические структурные коннектомы четырёх модельных видов — дрозофилы, мыши, крысы и макаки — в качестве рекуррентного слоя в эхо-сетях (echo state networks, ESN). Исследование показало, что биологически реализованные сети, особенно коннектом макаки, достигают превосходной производительности в предсказании хаотических временных рядов и демонстрируют более высокую ёмкость памяти по сравнению со случайно перемешанными контрольными сетями.
Открытием стало то, что вычислительное преимущество коррелирует с топологией «малого мира» (small-world topology), которая масштабируется с филогенетическим уровнем. Узлы со слабыми связями, но высокой центральностью, оказались критически важными для оптимальной сетевой динамики — их целенаправленное возмущение существенно ухудшало производительность. Более того, функциональные коннектомы пациентов с болезнью Альцгеймера демонстрировали вычислительные дефициты, напоминающие те, что возникают при нарушении «слабых связей» в здоровых сетях, что открывает перспективы для кросс-дисциплинарного анализа нейродегенеративных патологий и сбоев в искусственных системах.

4. Model Connectomes: интеграция эволюционного цикла в обучение ИИ.

Ключевое различие между биологической и искусственной эволюцией — наличие в биологии двухуровневого процесса: эволюция вида (межпоколенческий отбор структурных коннектом) и индивидуальное обучение (внутрипоколенческая настройка функциональных коннектом). Стандартные искусственные нейронные сети проходят единственную масштабную процедуру обучения без унаследованных ограничений.
Клемен Котар и Грета Такуте (Kotar & Tuckute, апрель 2025) предложили фреймворк, воспроизводящий это фундаментальное измерение: «внешний цикл» эволюции, формирующий «внутренний цикл» обучения. Модель наследует «модельный коннектом» (model connectome) от внешнего эволюционного цикла, после чего обучается на корпусе развивающего масштаба (100 миллионов токенов). Сравнение с двумя тщательно подобранными контрольными моделями показало, что модель с эволюционно унаследованным коннектомом демонстрирует лучшую или сопоставимую производительность в задачах обработки естественного языка, а также лучшее соответствие человеческому поведению и данным мозговой активности.
Вывод этого исследования состоит в том, что модельный коннектом служит эффективным априорным знанием для обучения в режиме ограниченных данных, сокращая разрыв между одноэтапно обучаемыми искусственными моделями и биологически эволюционировавшими нейронными сетями. Это эмпирическое подтверждение центральной гипотезы настоящей статьи: эволюционно отобранные структурные ограничения повышают эффективность последующего функционального обучения.

5. Проблема многоуровневой организации и нисходящей причинности.

В биологических системах высокоуровневые состояния (внимание, мотивация, контекстуальная модуляция) влияют на низкоуровневую обработку информации через опосредованные механизмы нейромодуляции и изменений эффективности синаптической передачи. В отличие от упрощённого понимания «нисходящей причинности», современная нейробиология рассматривает этот процесс как каскад биофизических событий, поддающихся количественному моделированию.
Для искусственных систем эта проблема трансформируется в вопрос о том, может ли высокоуровневая среда обучения модифицировать не только весовые коэффициенты, но и саму логику обработки информации. Традиционный подход (обратное распространение ошибки с фиксированной функцией потерь) ограничен именно тем, что не допускает адаптивного изменения правил обучения в процессе функционирования.
Исследовательская группа из Института нейронаук Китайской академии наук (декабрь 2025) предложила фреймворк TDCA (Top-Down Credit Assignment Network), который заменяет как символическую функцию потерь, так и алгоритм обратного распространения ошибки биологически вдохновлённой нисходящей сетью распределения кредита. Каждая конфигурация TDCA-сети соответствует специфической комбинации функции потерь и правил обучения. Эмпирические результаты демонстрируют, что хорошо обученная TDCA-сеть превосходит традиционные методы в невыпуклой оптимизации, обучении с учителем и обучении с подкреплением.
Внимания заслуживает механизм кредитной диффузии, вдохновлённый работой мозга — возможность, недостижимая для стандартного обратного распространения. Этот механизм позволяет TDCA-сети достигать более низких вычислительных затрат при сохранении высокой производительности. Применительно к коннектомике ИИ, TDCA представляет собой прототип метапластичной архитектуры, где высокоуровневый контур способен модифицировать не только веса нижележащих слоёв, но и сами правила модификации.

6. Сравнительная коннектомика и эволюционные деревья архитектур ИИ.

Сравнение коннектомов дрозофилы и мыши демонстрирует принципиальные различия в организации нейронных сетей при сходных вычислительных задачах. Мозг насекомого содержит приблизительно 140 000 нейронов с высокой степенью стереотипии межиндивидуальных вариаций, тогда как кора млекопитающего демонстрирует значительно большую вариативность слабых синаптических связей при сохранении сильных функциональных контуров.
Эта эмпирическая база позволяет выдвинуть гипотезу о существовании универсальных принципов организации вычислений, не зависящих от конкретной биологической реализации, и применить её к анализу искусственных архитектур. Методологически это означает построение филогенетических деревьев архитектурных решений, где узлами являются не отдельные модели, а типы организации связей, консервативные для определённых классов задач.
Коннектомный скрининг — систематическое изучение характерных фрагментов архитектуры без необходимости полной реконструкции — применим как к биологическим системам (анализ типовых микросхем зрительной коры), так и к искусственным сетям (изучение паттернов внимания в трансформерах или рекуррентных контуров). Сравнительный анализ коннектомов разных поколений нейронных сетей, оптимизированных для сходных задач распознавания или прогнозирования, может выявить конвергентные паттерны связности, указывающие на фундаментальные ограничения или оптимумы вычислительной организации.

7. Перспективы и направления дальнейших исследований.

Дальнейшее развитие методологического потенциала коннектомики в изучении эволюции ИИ связано с несколькими ключевыми направлениями.
Во-первых, необходима разработка формальных метрик для количественного сравнения структурных и функциональных коннектом искусственных сетей разных архитектур и поколений. Такие метрики должны учитывать не только топологические характеристики графа (кластеризацию, длину пути, распределение степеней), но и динамические аспекты, включая эволюцию связности в процессе обучения.
Во-вторых, концепция метапластичности требует перехода от фиксированных архитектур к адаптивным вычислительным структурам, где высокоуровневые процессы обучения могут модифицировать не только веса, но и саму топологию связей. Фреймворк Model Connectomes представляет собой первый шаг в этом направлении, но необходимо расширение подхода на более масштабные архитектуры и разнообразные модальности данных.
В-третьих, коннектомный анализ позволяет количественно оценивать биосоциальную робастность вычислительных архитектур — их устойчивость к возмущениям на уровне отдельных связей или модулей, а также способность сохранять работоспособность в условиях неопределённости и аппаратных сбоев. Это направление становится критически значимым при создании систем, функционирующих в непредсказуемых средах, от автономного транспорта до медицинской диагностики.
Наконец, интеграция коннектомных данных с большими языковыми моделями открывает новые возможности. Недавние работы (ConnectomeBench, 2025) демонстрируют, что LLM могут эффективно выполнять задачи автоматизированной коррекции реконструкций, включая идентификацию типов сегментов, исправление ошибок разделения и обнаружение ошибок слияния. Обратное направление — использование эволюционно отобранных коннектомов в качестве структурных ограничений для обучения LLM — остаётся многообещающей, но неисследованной областью.

Заключение.

Коннектомика предоставляет методологический инструментарий для перехода от описательной характеристики нейронных сетей к анализу их эволюционной динамики. Достижения 2025 года — публикации консорциумов MICrONS и FlyWire, признание электронно-микроскопической коннектомики методом года — создали беспрецедентную эмпирическую базу для кросс-дисциплинарного синтеза нейробиологии и теории искусственного интеллекта. Это позволяет формализовать отличия биологической эволюции (одновременное оперирование многими уровнями) от эволюции искусственных систем (преимущественно эволюция в рамках фиксированных архитектур). Анализ современных исследований — Biological Processing Units, Model Connectomes, TDCA-фреймворка, сравнительной коннектомики на эхо-сетях — демонстрирует, что это ограничение может быть преодолено путём интеграции эволюционно отобранных структурных принципов в архитектуру и обучение искусственных нейронных сетей.
Дальнейшее развитие коннектомного подхода к ИИ требует как совершенствования методов реконструкции и анализа крупномасштабных графов связности, так и углубления теоретического понимания универсальных принципов организации вычислений, консервативных для широкого спектра биологических и искусственных систем.