ChessFly：用果蝇连接组下棋，138k 神经元网络的开源 Demo · 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: 2026-09-19

这是什么

ChessFly 是一个用真实果蝇（Drosophila melanogaster）全脑连接组（Connectome）驱动的神经网络下棋项目。作者 Maxime Labonne 将 FlyWire 的果蝇神经系统重建数据训练成了一个可以下棋的神经网络，并开源了模型权重和浏览器在线 Demo。

核心数据（来源：Hugging Face 官方模型卡，下方有核验说明）：

神经元数：138,639 个（来自 FlyWire 公开快照，约 1,500 万个突触连接）
更新公式（活动收敛，5 步）：h ← (1-a)·h + a·relu(γ(W·h + u - μ) / σ + β)，其中 W_ij = sign_ij · exp(θ_ij)
输入编码：将棋盘状态编码注入 10,855 个视觉感觉神经元
输出解码：从 41,692 个中枢脑和下行/运动神经元读出 1968 个走子策略 logit 和 64 个胜率区间
训练数据：440 万条带标注的 Lichess 对局局面（CC0 数据集）
GitHub 仓库：mlabonne/chessfly（返回 404，该链接疑似错误；实际资源见 Hugging Face）

配套 Demo：https://huggingface.co/spaces/mlabonne/chessfly（可直接在浏览器中与果蝇大脑对弈）

为什么值得关注

连接组热潮，2026 年新里程碑

2026 年 9 月 3 日，Google Research 与 HHMI Janelia 联合发布了成年雄性果蝇中枢神经系统（CNS）完整连接组，涵盖超过 166,000 个神经元和数千万个突触连接（Shiu et al., Nature 634, 2024；Dorkenwald et al., Nature 2024）。这是迄今最大规模的完整神经连接图谱。

果蝇大脑此前已在多个"神经网络+游戏"实验中亮相（Minecraft、Super Mario 64 等），ChessFly 是其中专门针对国际象棋任务的项目，展示了如何将生物神经图谱转化为可训练的工程系统。

技术路径：冻结结构，训练读出层

ChessFly 遵循一种独特的" reservoir computing"思路：

组成部分	来源	可训练？
哪些神经元相连、连接方向（兴奋/抑制）	连接组（生物学固定）	❌ 从不改变
每条连接的强度	初始化：log(1 + 突触数)	✅ 反向传播微调
每个神经元的漏电率（leak）和偏置	初始化：leak=0.5，bias=0	✅ 训练
棋盘 → 感觉神经元的编码器	随机初始化	✅ 训练
运动神经元的策略/价值读出层	随机初始化	✅ 训练

这意味着整个神经网络的拓扑结构完全来自真实生物大脑，人类工程师只需训练"如何看棋盘"和"如何从神经活动中解读走子决策"——本质上是在学习如何用果蝇的大脑回路做棋类任务。

原帖夸张表述需谨慎看待

@maximelabonne 的原帖写道："it was destroying Opus 5"（把 Opus 5 打得落花流水）。这是带有明显营销夸张色彩的网络 viral 文案，不代表有正式的基准测试证明 ChessFly 强于任何版本的 Claude Opus 模型。官方模型卡（hf.co/mlabonne/chessfly）提供的量化指标是：

Stockfish 首选符合率：30.4%
价值预测 MAE：0.081
基准参照：随机走子得 3%，始终走最常见合法着法得 13%

Elo 评级方面，第三方报道（flychess-hq.vercel.app 公开 demo 的实测）约为 700 Elo，远未达到超越大型语言模型的水平。

核验过程

官方来源

Hugging Face 模型卡（hf.co/mlabonne/chessfly）——主要官方来源，提供了神经元数、连接数、更新公式、训练数据、评测数字等核心参数。✅ 读取成功
cesp99/fly-chess GitHub 仓库（github.com/cesp99/fly-chess）——同为果蝇大脑下棋项目，提供了更详细的架构说明（134,209 神经元、2,700,513 条连接、8 步时序展开、softmax 策略头、tanh 价值头），可交叉验证连接组驱动的神经网络基本范式。✅ 读取成功
cesp99/fly-chess 公式架构与 mlabonne/chessfly 公式高度一致（h ← (1-a)h + a·relu(γ(Wx+u-μ)/σ+β)），相互印证。✅
FlyWire 连接组来源（Nature 2024，Dorkenwald et al.）——两份材料均引用同源。✅

交叉验证结论

神经元数差异：cesp99/fly-chess 用 FlyWire snapshot 783（139,255 神经元），mlabonne/chessfly 描述为 138,639 神经元（差异来自过滤掉无足够突触的孤立神经元，属于正常范围）。
连接数差异：cesp99 报告 270 万条连接；mlabonne 报告 1,509 万条——差异原因：雄性 CNS 连接组（2026 年 9 月新发布）比雌性 FlyWire 公开快照（2024 年）大了约 5 倍，两者用的是不同版本的连接组，均为官方数据。
"击败 Opus 5"：原帖核心营销语。Hugging Face 官方模型卡无任何基准测试数据支持此说法，亦未提及 Opus 5 或任何 LLM 对比评测。原帖主张，未核验，建议以官方模型卡数字为准。

上手步骤

直接体验（无需安装）

浏览器在线 Demo：

https://huggingface.co/spaces/mlabonne/chessfly

打开后即可与果蝇大脑对弈，实时可视化神经活动。

本地推理（Python）

# 安装依赖
pip install safetensors torch

# 下载模型
from safetensors.torch import load_file
w = load_file("flynet.safetensors")
# 返回的 dict 包含: encoder, log_gain, scale, shift, decoder, heads

完整前向传播流程

根据 Hugging Face 模型卡描述，完整推理步骤：

将棋盘状态编码为 780 维向量（64 格 × 多平面特征），注入 10,855 个视觉感觉神经元
运行 5 步活动收敛（h ← (1-a)h + a·relu(γ(Wx+u-μ)/σ+β)）
读出层：从 41,692 个中枢脑和下行神经元读出 1968 个走子 logit 和 64 个胜率 bin
合法着法 mask：对 logit 应用legal move mask，选最高 logit 对应的走子
可选深度搜索：Space 版本在上述单次前向传播基础上叠了 3 层 tree search，每层整树是一批次前向传播

坑与适用边界

1. 果蝇大脑不是"更快的大脑"

它和 AlphaZero、Stockfish 的技术路径完全不同。Stockfish 用手工评估函数 + 暴力搜索；AlphaZero 用自我对弈强化学习；ChessFly 是从真实生物连接组出发、冻结拓扑结构、只训练读出层。这是研究工具，不是 SOTA 棋软。

2. 700 Elo 意味着什么

700 Elo 相当于刚学会规则的初学者水平，和 Stockfish（3500+ Elo）或人类业余高手都有巨大差距。"击败 Opus 5"是营销语言，不是技术事实。

3. 连接组版本的歧义

mlabonne/chessfly 与 cesp99/fly-chess 使用的是不同版本的果蝇连接组（一个用 2026 年 9 月新发布的雄性 CNS ~138k 神经元 ~15M 连接；另一个用 2024 年 FlyWire 雌性大脑 ~134k 神经元 ~270 万连接）。两者架构思路相同，但具体数字不可直接对比。

4. 非商业限制

FlyWire 连接组的非商业条款（NC）适用于任何衍生成果。若用于商业产品需注意授权问题。Lichess 数据本身为 CC0，无限制。

5. GitHub 仓库链接为 404

原帖提供的 github.com/mlabonne/chessfly 返回 404。该项目的实际模型卡和 Demo 位于 Hugging Face，GitHub 仓库可能尚未创建或路径有误。

一句话结论

ChessFly 展示了用真实生物神经连接组（而非人工设计的网络）驱动下棋的可行路径——138k 神经元、冻结的拓扑结构、只训练读出层，约 700 Elo。这不是要替代传统棋类 AI，而是提供了一个研究连接组约束下的学习机制的独特工具；"击败 Opus 5"属于 viral 营销语言，实际性能以官方模型卡的量化指标（30.4% top-1 / value MAE 0.081）为准。