Conectoma de mosca-da-fruta acoplado a LLM não melhora o modelo, mostra estudo controlado

Um projeto de código aberto acaba de dar uma resposta científica valiosa a uma pergunta que circula há anos na fronteira entre neurociência e IA: colocar a “fiação” biológica de um cérebro real dentro de um modelo de linguagem melhora o resultado? Segundo o experimento, não — e os próprios testes de controle do autor comprovam isso.

O Fly Language Model (FLM) é um chatbot público que acopla o conectoma completo da mosca-da-fruta (Drosophila melanogaster) — o mapa de 166.700 neurônios e 25.582.938 conexões direcionadas do sistema nervoso central masculino, conhecido como MaleCNS v1.0 — a um modelo de linguagem congelado, o LiquidAI LFM2.5-1.2B-Instruct. O autor o descreve como um “reservoir computer” acoplado a um LLM.

O que foi construído, em números

A arquitetura é engenhosa: o grafo neural, o backbone e as projeções de entrada e saída ficam todos fixos. Apenas uma camada de leitura com 278.528 parâmetros é treinada — cerca de 0,0238% dos 1,17 bilhão de parâmetros do backbone. A cada token, uma projeção gaussiana comprime o embedding de 2.048 dimensões para 128 canais; cada nó do conectoma recebe um canal com sinal aleatório, e o grafo inteiro é atualizado por uma dinâmica de recorrência baseada nos contatos anatômicos reais.

O resultado que importa: o conectoma não ajuda

Em um conjunto de 32 diálogos do benchmark SmolTalk (1.236 tokens-alvo), a leitura baseada na mosca melhorou o backbone em 0,0222 nats por token — reduzindo a perplexidade de 3,98 para 3,90. Mas um grupo de controle que alimenta a mesma projeção diretamente na camada de leitura, sem o grafo, foi melhor em todas as três sementes de treino. O intervalo de bootstrap pareado não sustenta qualquer ganho específico da “fiação da mosca”.

Os controles adicionais são o ponto mais sólido do trabalho. Zerar a matriz de pesos remove exatamente o resíduo, reproduzindo as perdas do backbone — ou seja, o grafo de fato participa. Reordenar a identidade dos nós sem retreinar derruba o desempenho de volta à linha de base — o que mostra que a leitura depende do alinhamento aprendido, não de uma suposta superioridade da topologia biológica.

Sem memória de longo prazo

O relatório também demonstra que a recorrência contrai diferenças de estado inicial em um fator de 0,6 por token. Após 10 tokens, o limite cai para 0,00605; após 20, para 0,0000366. Em outras palavras: empilhar 166.700 células não compra memória longa — o contexto continua vindo do backbone.

Por que isso importa

O trabalho não é um hype de “IA inspirada no cérebro” — é exatamente o oposto: um teste controlado e honesto que separa sinal de ruído. Ele mostra que uma arquitetura híbrida cérebro-LLM pode ser construída com pouquíssimos parâmetros treináveis e código aberto (MIT, Python 3.12, sem chave de API), mas também que a vantagem alegada da biologia não se sustenta contra um controle bem desenhado. Para a comunidade de pesquisa brasileira, é um exemplo raro de metodologia rigorosa em um campo dominado por demonstrações espetaculares.

Vale notar a limitação: os artefatos do estudo ainda não foram disponibilizados publicamente, então os resultados não são independentemente reproduzíveis por enquanto. O autor também se abstém de reivindicar o título de “primeiro modelo de linguagem de conectoma”, citando o protótipo anterior ngxson/fly-hf como precedente.