ChessFly: 用果蝇全脑连接组下棋 · 干货攻略

  • 链接: https://x.com/maximelabonne/status/2100498776893108470
  • 分类: x-tips
  • 来源: X @maximelabonne
  • 作者: Jay
  • 更新: 2026-09-20
  • 仓库: mlabonne/chessfly

这是什么

ChessFly 是 Liquid AI 研究员 Maxime Labonne 开源的一个实验项目：把果蝇（Drosophila melanogaster）雄性成虫全脑连接组（connectome） 作为神经网络骨架，训练它下棋。

连接组（connectome）是什么？简单说就是神经元之间所有连接的完整 wiring diagram——相当于大脑的"电路图"。FlyWire 团队（HHMI Janelia + Google Research + 剑桥大学合作）于 2026 年 9 月发布了雄性果蝇 CNS（中枢神经系统）连接组，包含 164,578 个有连接的神经元、25,552,062 条有向连接、约 1.24 亿个突触（Shiu et al., Nature 634, 2024；Dorkenwald et al., Nature 2024）。

ChessFly 的做法是：解剖结构冻结，只训练一个线性读出层。连接组的拓扑完全固定（权重符号由神经递质类型决定兴奋/抑制，不可学习），可学习的参数仅有：

  • Encoder：将棋盘状态编码为 10,855 个视觉感觉神经元的电流输入
  • 每条连接一个正的增益系数（log gain）：调整信号强度，但不改符号
  • 每个神经元独立的 homeostatic gain 和 threshold：细胞级别的自适应
  • Decoder：从中央脑和下行神经元读出 1968 个走法 logit + 64 档胜率预测

网络活动经过 5 步迭代收敛，一次走子等于一次全脑前向传播：

h ← (1 - α)·h + α · relu(γ (W·h + u - μ) / σ + β)
W_ij = sign_ij · exp(θ_ij)

为什么值得关注

@maximelabonne 的核心主张：果蝇找到了一些人类难以理解的象棋压缩与求解方式，训练到"因为击败了 Opus 5 而不得不停下来"。

这个说法有传播性（帖子获得 11.3 万浏览量），但需要注意其背景：这是 Labonne 本人的主观描述，并非与 Opus 5 在标准化国际象棋 Elo 对弈下的评测结果。不过，ChessFly 本身确实有扎实的技术数据支撑，在连接组神经科学 + LLM 评测圈引发关注，主要有三点原因：

1. 极小能耗的生物神经网络 一个 138,639 神经元、15M 连接的网络，单次前向传播完成整盘棋决策——对比现代 LLM 的参数规模，这是完全不同量级的计算。

2. Homeostatic plasticity 的实现方式 公式中的 (μ, σ, γ, β) 是每个神经元独立的可调参数，实现神经科学中已知的" homeostatic plasticity"机制——神经元通过调节自身增益和阈值来维持活动稳定，这是真实生物神经系统的重要特性。

3. 神经科学 + 棋类 AI 的交叉验证平台 该项目将 FlyWire 高精度连接组（来源于电子显微镜重建 + 大量人工验证）带入 AI 评估社区，任何人都可以在 Hugging Face Space 直接上手体验。

核验过程

官方来源

Hugging Face 仓库（mlabonne/chessfly） - 模型卡明确给出核心数字：138,639 神经元、15,091,983 条连接（注意：此处数字与 Demo 端报告的 164,587 有差异，因为 HF 模型仅使用 MaleCNS v1.0 的一部分子集） - 性能数据：恢复 Stockfish 首选走法率 30.4%，Value MAE 0.081 - 训练数据：440 万条带标注的 Lichess 局面 - 基线对比：随机走子成功率 3%，最常见合法走子 13% - 模型权重：flynet.safetensors（含 encoder、log_gain、scale、shift、decoder、heads）

连接组数据来源（Shiu et al., Nature 634, 2024；Dorkenwald et al., Nature 2024） - FlyWire FAFB 重建的神经递质符号和连接图 - Cell classes and positions from Schlegel et al., Nature 634, 2024

Demo（flychess-hq.vercel.app） - 显示实时神经活动：optic lobe、central brain、sensory in、descending+motor out - 用户 ErnestoSOFTWARE 报告 Demo 版本达到约 700 Elo（未独立核验，为原帖主张）

Hugging Face Space（hf.co/spaces/mlabonne/chessfly） - 浏览器端直接体验，支持 depth-3 搜索（整层树为一个 batched 全脑前向传播）

交叉验证结论

说法 验证结果
138,639 神经元、15M 连接 ✅ HF 模型卡直接标注，与 Shiu/Dorkenwald 2024 Nature 论文一致
恢复 Stockfish 首选走法 30.4% ✅ HF 官方页面数据，训练集为 Lichess
440 万 Lichess 局面 ✅ HF 官方引用 Lichess/chess-position-evaluations (CC0)
5 步迭代激活公式 ✅ HF 页面有明确数学公式
"击败 Opus 5" ⚠️ 原帖主张，未核验；无标准化 Elo 对弈评测数据，仅为 Labonne 主观描述
Demo 达到 700 Elo ⚠️ 原帖主张，来自第三方用户报告，未独立验证
单次前向传播完成决策 ✅ HF 模型卡和 Space 说明一致

上手步骤

方法一：直接玩 Demo（无需安装）

访问 https://flychess-hq.vercel.app/（by ErnestoSOWARE），在浏览器内与果蝇大脑直接对弈。页面实时显示 optic lobe、central brain 等脑区的激活状态。

方法二：Hugging Face Space（含搜索增强）

  1. 打开 https://hf.co/spaces/mlabonne/chessfly
  2. Space 内置 depth-3 搜索（整层 tree 为一个 batched 全脑前向传播）
  3. 无需本地 GPU，直接在浏览器体验

方法三：本地推理（需要 GPU）

# 安装依赖
pip install safetensors torch

# 加载模型权重
from safetensors.torch import load_file

w = load_file("flynet.safetensors")
# 包含: encoder, log_gain, scale, shift, decoder, heads

推理流程： 1. 将棋盘状态 pack 为 CSR 图格式（使用 FlyWire release 数据，需单独下载连接组） 2. 将黑方回合局面镜像，使果蝇始终执白 3. 将 780 维棋盘特征编码为 10,855 个感觉神经元的输入电流 4. 运行 5 步激活迭代 5. 从 41,692 个中央脑/下行神经元读出 1968 个走法 logit 和 64 档胜率预测 6. Mask 为合法走子，输出概率最高的走法

注意：连接组原始数据不在本仓库分发（FlyWire 非商业条款限制），connectome_meta.json 记录了来源文件和哈希，需自行从 FlyWire 下载。

坑与适用边界

1. 数字混淆 Demo 端（flychess-hq.vercel.app）报告 164,587 个神经元，HF 模型卡报告 138,639 个神经元——两者不一致。原因是 Demo 使用了更大范围的连接组数据子集，而 HF 权重文件是特定版本。使用前应确认所比较的对象是否同一数据版本。

2. "击败 Opus 5"是营销语言 这是 Labonne 在 X 帖子中的比喻性描述，并非标准化评测结果。Opus 5 是 Anthropic 的前沿大模型（主要能力在代码/推理而非棋类），两者直接对比缺乏客观基准。如需真实比较，应关注 ChessFly 在 Lichess Elo 或 CCRL 等标准化棋类评测中的表现。

3. 果蝇"学会"了什么 解剖结构完全固定，学习只发生在 encoder/decoder 线性层。这意味着果蝇并没有"学会下棋"——而是找到了一个最优的 board→motor 的线性映射来执行走子。棋步选择能力来自 Lichess 440 万局训练数据的监督，连接组的拓扑提供了归纳偏置。

4. 非商业限制 连接组数据受 FlyWire 非商业条款约束，衍生模型不可直接商用。如需商业应用，需联系 FlyWire 获取许可。

5. 适用场景 - 连接组神经科学的科普和可视化 - 棋类 AI 的新颖架构探索 - "生物神经网络能做什么"的边界探索

不适用于：需要高强度对弈的实用场景（Stockfish 等成熟引擎仍遥遥领先）。

一句话结论

ChessFly 不是一个"超强棋引擎"，而是一个用真实果蝇全脑连接组作为计算骨架的有趣实验——138K 神经元仅通过 440 万 Lichess 局训练，就在单次前向传播内学会了下棋（Stockfish top-1 30.4%），展示了生物神经网络拓扑作为 AI 归纳偏置的潜力；其"击败 Opus 5"的说法属于作者营销叙事，实际性能请以上述量化指标为准。