<div class="key-takeaways"><ul><li>Fly Language Model (FLM) นำกราฟสมองแมลงวัน MaleCNS เชื่อมกับ LLM ขนาด 1.2 พันล้านพารามิเตอร์</li><li>ระบบใช้เรเซอร์วัวร์คอมพิวเตอร์และฝึกพารามิเตอร์อ่านผลเพียง 278,528 ตัว</li><li>ผลการทดสอบเทียบกับชุดควบคุมพบว่าโครงข่ายทางชีวภาพไม่ได้ช่วยเพิ่มประสิทธิภาพเหนือกว่า</li></ul></div><p>วงการปัญญาประดิษฐ์ได้เห็นการทดลองที่น่าสนใจเมื่อนักพัฒนาเปิดตัว Fly Language Model หรือ FLM ซึ่งเป็นการนำโครงข่ายการเชื่อมต่อของสมองแมลงวันทั้งหมดมาผสานเข้ากับโมเดลภาษาขนาดใหญ่ที่ถูกแช่แข็งไว้น้ำหนัก (frozen LLM) โครงงานนี้เปิดให้ใช้งานได้แบบโลคัลผ่านคลังโค้ด nftechie/flm บน GitHub ภายใต้สัญญาอนุญาต MIT โดยรองรับการทำงานบน Python 3.12 ทั้งระบบ macOS และ Linux ผ่านฮาร์ดแวร์ MPS, CUDA หรือหน่วยประมวลผลกลางอย่าง CPU โดยไม่ต้องใช้ API key แต่อย่างใด</p><p>สถาปัตยกรรมภายในของระบบนี้ใช้แนว <span>reservoir computing</span> เชื่อมต่อเข้ากับโมเดลภาษา โดยดึงกราฟโครงข่ายสมองของแมลงวันเพศผู้หรือ MaleCNS มาใช้ทั้งหมด ซึ่งประกอบด้วยโหนดที่ถูกเก็บรักษาไว้ 166,700 โหนด และเส้นเชื่อมทิศทางเดียวจำนวน 25,582,938 เส้น ทั้งโครงกราฟ โครงสร้างหลัก รวมถึงโปรเจกชันอินพุตและเอาต์พุตแบบสุ่มถูกตรึงเอาไว้ทั้งหมด มีเพียงส่วนตัวอ่านผลขนาด 278,528 พารามิเตอร์เท่านั้นที่ถูกนำมาฝึกฝน ซึ่งคิดเป็นสัดส่วนเพียงประมาณ 0.0238% ของพารามิเตอร์โครงสร้างหลักทั้งหมด 1,170,340,608 พารามิเตอร์</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/fly_language_model_flm_llm_mtyzx2d4_inline_1_dfff329de6.jpg" alt="data center server room technology" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><p>ในกระบวนการทำงาน ทุกๆ โทเค็นจะถูกบีบอัดมิติด้วยระบบ Gaussian projection จาก 2,048 มิติเหลือ 128 แชนแนล โดยโหนดในเรเซอร์วัวร์แต่ละตัวจะรับสัญญาณหนึ่งแชนแนลพร้อมเครื่องหมายสุ่ม จากนั้นกราฟทั้งหมดจะอัปเดตสถานะด้วยสมการทางคณิตศาสตร์ และส่งผ่านเมทริกซ์อคติก่อนจะฉายผลลัพธ์ผ่านส่วนหัวคำศัพท์ที่ถูกแช่แข็งไว้ในรูปของเรสิดิวที่จำกัดค่า RMS ไว้ที่ไม่เกิน 0.25 ทั่วพิกัดคำศัพท์</p><div class="stat-row"><div class="stat-item"><span class="stat-number">166,700</span><span class="stat-label">โหนดในกราฟสมองแมลงวัน</span></div><div class="stat-item"><span class="stat-number">25.5M</span><span class="stat-label">เส้นเชื่อมทิศทางเดียว</span></div><div class="stat-item"><span class="stat-number">1.2B</span><span class="stat-label">พารามิเตอร์โครงสร้างหลัก LLM</span></div></div><p>การประเมินประสิทธิภาพบนชุดสนทนาประจำวัน SmolTalk จำนวน 32 ชุด ที่ถูกแช่แข็งไว้ใหม่ (คิดเป็น 1,236 เป้าหมายโทเค็น) ผ่านเมล็ดพันธุ์การทดลอง 3 ชุด พบว่าส่วนอ่านผลแบบแมลงวันช่วยพัฒนาค่าเพอร์เพล็กซิตี้จาก 3.98 ไปอยู่ที่ 3.90 หรือดีขึ้น 0.0222 nats ต่อโทเค็น อย่างไรก็ตาม ชุดควบคุมที่ใช้การป้อนข้อมูลโดยตรง (direct-input control) ซึ่งส่งโปรเจกชัน 128 แชนแนลเดียวกันตรงไปยังส่วนอ่านผลโดยไม่มีกราฟสมองแมลงวัน กลับทำผลงานได้ดีกว่าในทุกๆ เมล็ดพันธุ์ด้วยซ้ำ โดยดีกว่า 0.000488 nats ต่อโทเค็น</p><blockquote class="pull-quote"><p>"ชุดควบคุมและการวิเคราะห์ทางสถิติไม่สนับสนุนข้อสรุปที่ว่าโครงข่ายสมองแมลงวันให้ประโยชน์เฉพาะตัว"
</p><cite>รายงานการวิจัย Fly Language Model</cite></blockquote><p>นอกจากนี้ การทดสอบผ่านชุดควบคุมอื่นๆ ยังให้ผลลัพธ์ที่น่าสนใจ เช่น การกำหนดค่า W ให้เป็นศูนย์จะช่วยลบค่าเรสิดิวออกไปได้อย่างแม่นยำ ซึ่งพิสูจน์ว่ากราฟมีส่วนร่วมในการคำนวณจริงๆ ขณะเดียวกันการสลับป้ายชื่อโหนดโดยไม่ฝึกซ้อมใหม่ทำให้ค่า NLL กลับมาใกล้เคียงกับค่าพื้นฐาน ซึ่งแสดงให้เห็นว่าส่วนอ่านผลขึ้นอยู่กับการจัดวางอินเทอร์เฟซที่เรียนรู้มา ไม่ได้หมายความว่า topology ของแมลงวันจะเหนือกว่าการเดินสายแบบสุ่มแต่อย่างใด</p><div class="ai-insight"><p>การนำโครงข่ายประสาทชีวภาพมาผสานกับโมเดลภาษาปัญญาประดิษฐ์ (Neuro-AI) เป็นแนวทางที่นักวิจัยพยายามสำรวจมาอย่างต่อเนื่อง เพื่อดูว่าสถาปัตยกรรมสมองของสิ่งมีชีวิตที่มีการพัฒนามาอย่างยาวนานจะช่วยเพิ่มประสิทธิภาพหรือความสามารถในการประมวลผลภาษาให้แก่ LLM ได้หรือไม่ แม้ผลลัพธ์ของ FLM จะชี้ว่าโครงข่ายสมองแมลงวันยังไม่สามารถเอาชนะระบบพื้นฐานหรือโครงข่ายสุ่มได้ในแง่ของตัวเลขเพอร์เพล็กซิตี้ แต่การศึกษานี้ถือเป็นก้าวสำคัญในการสร้างระบบลูกผสมที่เปิดซอร์สให้ชุมชนนักพัฒนาสามารถตรวจสอบและต่อยอดได้อย่างโปร่งใส</p></div><p>รายงานการวิจัยยังชี้ให้เห็นอีกว่า การวนซ้ำของระบบจะช่วยลดความแตกต่างของสถานะเริ่มต้นลงได้อย่างมากเมื่อเวลาผ่านไป แต่การอัดโหนดจำนวนมากเข้ามาไม่ได้ช่วยซื้อความจำระยะยาวแยะแ่างใด บริบทของภาษายังคงมาจากตัวโมเดลหลักเช่นเดิม ทั้งนี้ โครงงานดังกล่าวต่อยอดมาจากต้นแบบก่อนหน้าอย่าง ngxson/fly-hf และมีความโดดเด่นในเรื่องของสเกลกราฟที่ใช้แบบเต็มรูปแบบรวมถึงการออกแบบให้ส่วนหลักถูกแช่แข็งไว้เพื่อรักษาแหล่งที่มาของความสามารถทางภาษาให้ชัดเจน</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/09/12/fly-language-model-flm-wires-the-full-fruit-fly-connectome-into-a-frozen-1-2b-llm-and-its-own-controls-show-the-wiring-does-not-help/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

<div class="key-takeaways"><ul><li>Fly Language Model (FLM) integrates the full MaleCNS fruit fly connectome into a 1.2B parameter LLM.</li><li>The system utilizes reservoir computing with only 278,528 readout parameters trained.</li><li>Control experiments reveal that the biological neural wiring does not outperform random configurations.</li></ul></div><p>Artificial intelligence researchers have introduced an intriguing open-source project named the Fly Language Model, or FLM, which wires a complete biological connectome into a frozen language model. Deployable locally via the nftechie/flm repository on GitHub under an MIT license, the system operates on Python 3.12 across macOS or Linux using MPS, CUDA, or CPU hardware without requiring any API key.</p><p>The system architecture functions as a reservoir computer bolted directly onto a language model. All 166,700 retained nodes and 25,582,938 directed edges from the MaleCNS fruit fly graph participate in the setup. The graph backbone, along with random input and output projections, remains entirely fixed. Only a 278,528-parameter readout interface is trained, accounting for roughly 0.0238% of the total 1,170,340,608 backbone parameters.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/fly_language_model_flm_llm_mtyzx2d4_inline_1_dfff329de6.jpg" alt="data center server room technology" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><p>At each token generation step, a fixed Gaussian projection compresses the 2,048-dimensional token embedding down to 128 channels. Each reservoir node receives a single channel paired with a random sign. The entire graph subsequently updates its states through mathematical functions, passing through bias-free matrices and projecting through a frozen vocabulary head as a bounded residual capped at an RMS of 0.25.</p><div class="stat-row"><div class="stat-item"><span class="stat-number">166,700</span><span class="stat-label">Fruit Fly Graph Nodes</span></div><div class="stat-item"><span class="stat-number">25.5M</span><span class="stat-label">Directed Edges</span></div><div class="stat-item"><span class="stat-number">1.2B</span><span class="stat-label">LLM Backbone Parameters</span></div></div><p>Evaluated across a freshly frozen set of 32 SmolTalk everyday-conversation dialogues consisting of 1,236 target tokens across three fit seeds, the fly readout improved upon the baseline backbone by 0.0222 nats per token, shifting perplexity from 3.98 to 3.90. However, a direct-input control experiment—which routed the identical 128-channel projection straight into an identical readout without any graph—outperformed the biological wiring across all three seeds by 0.000488 nats per token.</p><blockquote class="pull-quote"><p>"The paired bootstrap interval does not support a fly-specific gain from the biological connectome wiring."
</p><cite>Fly Language Model Research Report</cite></blockquote><p>Additional control tests yielded critical insights into the system's mechanics. Setting the weight matrix to zero precisely removed the residual, confirming active graph participation. Conversely, shuffling node identities without retraining returned a negative log-likelihood near baseline levels, indicating that the readout depends on its learned interface alignment rather than superior fly topology.</p><div class="ai-insight"><p>Combining biological neural networks with modern artificial intelligence architectures, often explored within computational neuroscience and Neuro-AI, aims to investigate whether millions of years of evolutionary wiring can enhance artificial language capabilities. Although FLM demonstrates that a raw connectome does not inherently surpass random baselines in perplexity metrics, it establishes a valuable open-source framework for exploring hybrid architectures with rigorous controls.</p></div><p>The research report further notes that recurrence contracts initial-state differences quickly, proving that piling in hundreds of thousands of cells does not inherently purchase long-term memory, which remains managed by the backbone. Building upon earlier prototypes like ngxson/fly-hf, FLM's primary distinctions lie in its full-scale graph implementation and frozen-backbone design.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/09/12/fly-language-model-flm-wires-the-full-fruit-fly-connectome-into-a-frozen-1-2b-llm-and-its-own-controls-show-the-wiring-does-not-help/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

medium_fly-language-model-flm-นำโครงข่ายสมองแมลงวันเชื่อมต่อ-llm-mtyzx2d4.png

small_fly-language-model-flm-นำโครงข่ายสมองแมลงวันเชื่อมต่อ-llm-mtyzx2d4.png

thumbnail_fly-language-model-flm-นำโครงข่ายสมองแมลงวันเชื่อมต่อ-llm-mtyzx2d4.png

fly-language-model-flm-นำโครงข่ายสมองแมลงวันเชื่อมต่อ-llm-mtyzx2d4.png

นักพัฒนานำชุดข้อมูล MaleCNS ของแมลงวันเชื่อมเข้ากับโมเดลภาษาขนาด 1.2 พันล้านพารามิเตอร์ ผลการทดลองชี้การเดินสายไม่ได้ช่วยเพิ่มประสิทธิภาพ

Developers wire the full MaleCNS fruit fly connectome into a frozen 1.2B language model, with controls showing the biological wiring provides no specific gain.

Inewgen

Inewgen

#Reservoir Computing

Fly Language Model (FLM): นำโครงข่ายสมองแมลงวันเชื่อมต่อ LLM

Inewgen