DeepSoma突破数字果蝇：全脑真实运行重构物理AI

近期，一只能在虚拟环境中自主活动的数字果蝇引发了广泛关注，相关话题快速登上热搜。不过有团队并未止步于这类概念性的数字动物，而是瞄准了现有方案的三个核心短板，试图搭建一套更底层的全脑仿真基础平台，打通精细脑模型、真实数字世界与跨身体接口的完整链路。

今年3月，Eon Systems推出的数字果蝇引发了行业震动。这一模型以成年果蝇的连接组为基础，整合了约14万个神经元与5000万条突触连接，搭配拥有87个独立关节的生物力学虚拟身体，首次实现了神经活动、身体运动与环境反馈的完整闭环。不过该团队也坦言，当前方案采用了简化的泄漏积分发放（LIF）神经元模型，脑与身体的部分映射仍需人工设定，仅覆盖少量感觉输入与行为逻辑，本质上更像是一个极具冲击力的研究验证平台，而非完全复刻的生物果蝇。

就在这一节点，国内团队知跃空间智能发布了DeepSoma（知跃灵物）。与仅打造单一数字动物的思路不同，该项目的核心目标是搭建一套通用的全脑仿真基础框架，将真实世界转化为可计算的数字环境，把生物约束与全脑连接结构转化为可运行的计算模型，并支持将模型接入不同形态的身体载体。

简单来说，Eon Systems展示的是“简化的果蝇脑如何驱动物理仿真的虚拟身体”，而DeepSoma则提出了更激进的方向：将完整还原的果蝇大脑，直接接入真实世界与真实身体中运行。

这一方案的核心突破首先体现在模型层面。Eon的方案基于连接组约束的LIF果蝇脑，通过简化高效的神经动力学搭建起脑-身体闭环，让果蝇大脑的线路得以运转。而DeepSoma则将建模粒度下沉到单个神经元内部，将树突、胞体、膜电位、离子通道与突触等生物物理机制全部转化为可求解、可观测的计算状态，再通过连接组（connectome）将这些单元串联为完整的神经回路与全脑网络。前者实现了果蝇脑的基础运转，后者则希望深入到每一个计算单元中，揭开智能的具体计算逻辑。

在环境构建层面，Eon的数字果蝇依托MuJoCo物理引擎，在预设的虚拟仿真环境中完成感知-动作闭环。而DeepSoma并未止步于预设场景，而是聚焦于将真实场景重建为持续更新的4D可计算数字世界，从真实环境中还原几何、语义、时空与物理信息，为脑模型提供更逼真的训练与运行场景。

最后，在平台架构层面，Eon更多展示的是单一的数字果蝇案例，而DeepSoma则将真实世界建模、精细全脑求解与跨本体智能体接入整合为一套完整的开放平台。该团队将这一链路总结为“Build Worlds、Run Brains、Embody Intelligence”：世界层提供可交互的运行环境，脑层运行从精细神经元到全脑连接组的动力学过程，智能体层则可将同一套脑模型映射到数字动物、生物实验系统、机械臂或人形机器人等不同载体，最终形成“环境→大脑→智能体→环境”的完整闭环。

当然，更大的模型边界、更精细的神经元建模，也意味着更高的验证门槛。DeepSoma平台能否稳定运行更大规模的全脑网络？仿真结果与真实神经活动的一致性如何？脑-身映射能否进一步减少人工规则的依赖？跨身体的智能迁移能否在公开任务中实现复现？这些问题都需要知跃空间这样的年轻团队通过持续探索逐一给出答案。

当前，Physical AI（物理智能）正逐渐成为AI产业的新方向。当大模型在文本生成、视觉识别与逻辑推理上愈发成熟，下一个真正的挑战已经不再是让模型在虚拟屏幕上表现得更完美，而是让智能体在不断变化的真实物理世界中持续稳定地工作——这是生物最基础的生存能力，却也是当前AI技术的难点。

知跃空间智能将打造全新的AI技术范式的目标交给了DeepSoma。这一平台的核心定位可以概括为“让世界可计算，让大脑可运行，让智能可迁移”，这一思路很容易让人联想到PyTorch：作为当前最主流的深度学习开发框架之一，PyTorch并未限定神经网络的具体形态，而是为模型的定义、训练与运行提供了通用底座。DeepSoma的目标与此类似，只是将计算对象从虚拟网络扩展到了物理环境、生物脑结构与智能体构成的完整闭环。

越来越多的团队开始从生物大脑中探索Physical AI的智能密码。Eon Systems通过数字果蝇将“脑上传”的概念带到公众面前，而DeepSoma则押注：未来真正重要的并非复刻某一个单一的大脑，而是打造一套能让世界、大脑与身体共同演化的计算系统。如果这一路线得以跑通，Physical AI的下一次跃迁或许将不止来自更大的模型与更多的数据，还会来自一个更古老也更高效的计算原型——生命本身。