Pomysł uruchomienia mózgu na komputerze przez dekady należał do pogranicza neuronauki, informatyki i spekulacji filozoficznej. Brzmiał jak projekt dla transhumanistów, pisarzy science fiction albo inżynierów zbyt słabo osadzonych w biologii. Mózg nie jest przecież prostą siecią przewodów. Zawiera dziesiątki miliardów neuronów, setki bilionów synaps, komórki glejowe, neuromodulatory, hormony, plastyczność, pamięć, historię ciała i stale zmieniające się relacje między strukturą a funkcją.
Tekst Maximiliana Schonsa w Asimov Press, BuildingBrainson a Computer, stawia tezę ostrożnie ambitną: emulacja całych mózgów przestaje być czystą fantazją technologiczną, ponieważ kilka linii postępu zaczęło zbiegać się w jeden program badawczy. Nie chodzi o proste „wgranie umysłu” ani o kopię osoby z całym jej życiem psychicznym. Chodzi o zbudowanie cyfrowego modelu mózgu, który zachowuje się tak, jak zachowywałby się odpowiadający mu układ biologiczny w określonych warunkach (Schons, 2026).
Taki projekt wymaga trzech elementów. Pierwszy to dane o aktywności neuronów: kiedy komórki się pobudzają, w jakiej sekwencji i pod wpływem jakich bodźców. Drugi to dane o połączeniach: które neurony są ze sobą połączone, jak silne są te połączenia i gdzie znajdują się synapsy. Trzeci to model obliczeniowy: zestaw równań, parametrów i struktur, które pozwalają cyfrowym neuronom przetwarzać sygnały w sposób zgodny z obserwacją biologiczną (Schons, 2026; Sandberg i Bostrom, 2008).
Najważniejsza zmiana polega na tym, że barierą przestaje być sama możliwość obliczeń. Dla wielu wariantów uproszczonych modeli większym problemem jest zebranie właściwych danych, ich rekonstrukcja, dopasowanie parametrów i walidacja zachowania modelu. Komputer może uruchomić bardzo dużą sieć neuronów. Pytanie brzmi, czy wiemy, jak tę sieć ustawić, aby nie była wyłącznie dużą symulacją, lecz emulacją konkretnego rodzaju biologicznego przetwarzania.
Emulacja i symulacja
Schons rozróżnia emulację mózgu od zwykłej symulacji zachowania. To rozróżnienie jest konieczne, ponieważ współczesne modele AI potrafią naśladować fragmenty ludzkiego języka, głosu, stylu decyzji i zachowania, lecz ich architektura nie odwzorowuje architektury mózgu. Model językowy może pisać jak człowiek bez posiadania neuronów, synaps, układu dopaminergicznego, ciała i rozwoju biologicznego (Schons, 2026).
Emulacja mózgu ma inny cel. Chce odtworzyć wewnętrzną organizację systemu biologicznego. Cyfrowy neuron nie musi być chemicznie identyczny z neuronem biologicznym, ale powinien zachowywać odpowiednie relacje wejścia–wyjścia. Powinien reagować na sygnały, modulację, historię aktywności i połączenia w sposób pozwalający przewidywać zachowanie układu.
Różnica przypomina napięcie między naśladowaniem wyniku a odtwarzaniem mechanizmu. Można stworzyć program, który gra w szachy jak arcymistrz, bez kopiowania pracy ludzkiej kory mózgowej. Można też próbować zbudować model, który odtwarza obliczenia konkretnego układu nerwowego. Pierwszy cel należy do inżynierii wydajnych systemów. Drugi do biologii obliczeniowej.
W praktyce pełna granica jest rozmyta. Każdy model upraszcza. Każda emulacja jest decyzją o poziomie szczegółu. Trzeba wybrać, czy modelować potencjały czynnościowe, dendryty, receptory, neuromodulatory, komórki glejowe, metabolizm, plastyczność synaptyczną, stan ciała i sygnały hormonalne. Im większy realizm biologiczny, tym większe wymagania danych i obliczeń. Im mocniejsze uproszczenie, tym większe ryzyko, że model straci własność, którą miał wyjaśnić.
Dlaczego mózg jest trudny do skopiowania
Liczby są pierwszym źródłem trudności. Ludzki mózg zawiera średnio około 86 miliardów neuronów oraz zbliżoną liczbę komórek nieneuronalnych (Azevedo i in., 2009). Każdy neuron może mieć tysiące synaps. Same połączenia nie wystarczają, bo neurony różnią się typem, morfologią, właściwościami błony, receptorami, lokalizacją, historią aktywności i wrażliwością na neuromodulatory.
W skali mniejszych organizmów problem jest łatwiejszy, ale nadal trudny. Mózg muszki owocowej ma około 140 tysięcy neuronów i ponad 50 milionów synaps. W 2024 r. projekt FlyWire dostarczył kompletną mapę połączeń dorosłej muszki, co było jednym z najważniejszych osiągnięć współczesnej konektomiki (FlyWire Consortium, 2024; NIH, 2024). Mimo tego pełna cyfrowa muszka, która swobodnie chodzi, lata, uczy się, śpiewa, kopuluje, podejmuje decyzje i reaguje na środowisko jak zwierzę, nadal pozostaje poza zasięgiem.
To mówi wiele o skali problemu. Mapa połączeń nie jest jeszcze modelem działania. Connectome jest jak szczegółowa mapa instalacji elektrycznej w budynku bez wiedzy o napięciach, stanie urządzeń, historii użycia, regulacji i osobach naciskających przełączniki. Potrzebny jest zapis aktywności i model dynamiki.
Mózg nie jest statyczny. Synapsy zmieniają siłę. Neurony modyfikują progi pobudzenia. Układy neuromodulacyjne zmieniają znaczenie tych samych sygnałów zależnie od kontekstu. Uczenie zachodzi w czasie. Ciało dostarcza sygnałów z narządów, mięśni, skóry i układu hormonalnego. Emulacja mózgu bez ciała może być użyteczna w badaniach, ale pełne odtworzenie zachowania wymaga osadzenia modelu w jakimś środowisku sensoryczno-ruchowym.
Trzy filary emulacji mózgu
Schons opisuje ścieżkę emulacji przez trzy dziedziny: neurodynamikę, konektomikę i neuronaukę obliczeniową (Schons, 2026).
Neurodynamika dotyczy rejestrowania aktywności. Badacz chce wiedzieć, które neurony są aktywne, kiedy, z jaką częstością i wobec jakiego bodźca. Obecne technologie obejmują m.in. implantowane elektrody, sondy typu Neuropixels, obrazowanie wapniowe oraz mikroskopię świetlną w organizmach przezroczystych lub genetycznie przygotowanych do fluorescencji. Każda metoda płaci cenę. Elektrody są szybkie, ale inwazyjne i obejmują ograniczoną liczbę komórek. Obrazowanie optyczne może widzieć wiele neuronów, lecz ma ograniczenia głębokości, szybkości i ruchu zwierzęcia.
Konektomika zajmuje się strukturą połączeń. W klasycznym wariancie tkanka jest utrwalana, cięta na ultracienkie warstwy, obrazowana mikroskopem elektronowym, a następnie rekonstruowana w trzech wymiarach. To daje bardzo wysoką rozdzielczość, ale niszczy żywy mózg i wymaga wielkiej pracy rekonstrukcyjnej. Najtrudniejszy etap to sprawdzanie błędów algorytmów śledzących neurony. Automatyczne segmentacje mogą błędnie rozdzielać jeden neuron na kilka części albo scalać dwa różne neurony w jeden obiekt.
Neuronauka obliczeniowa scala te dane w model. Trzeba zdefiniować cyfrowy neuron, jego parametry, reguły przekazywania sygnału, modulację, plastyczność i interakcję z resztą sieci. Model musi być później walidowany: jego aktywność i zachowanie powinny zgadzać się z aktywnością i zachowaniem układu biologicznego, przynajmniej w zadaniach wybranych do testu.
Każdy filar jest słaby bez pozostałych. Dane o aktywności bez struktury trudniej interpretować. Struktura bez aktywności może dawać układ połączeń bez funkcji. Model bez danych staje się spekulacją matematyczną.
Konektomika jako przemysł pomiaru
Raport Wellcome Trust z 2023 r. szacował, że pełna mapa połączeń mózgu myszy, obejmującego około 70 milionów neuronów, wymagałaby bardzo dużych nakładów. Według przywołanych w tekście Schonsa szacunków samo obrazowanie mogło kosztować 200–300 mln dolarów, korekta ludzkich błędów w rekonstrukcji kolejne miliardy, a dane mogły zajmować około 500 petabajtów (Wellcome Trust, 2023; Schons, 2026).
Te wartości są ważne, ponieważ pokazują ekonomię problemu. Nauka o mózgu przestaje być wyłącznie eksperymentem akademickim wykonywanym w pojedynczym laboratorium. Wchodzi w etap zbliżony do genomiki i astronomii: potrzebuje infrastruktury, standardów danych, automatyzacji, kontroli jakości, dużej pamięci masowej, wspólnego oprogramowania, specjalnych urządzeń i zespołów inżynieryjnych.
Schons używa pojęcia „Brain Fab”: fabryki mózgowych danych i modeli. W takim ujęciu emulacja nie powstaje przez jednego geniusza piszącego model po godzinach. Powstaje przez zorganizowaną linię produkcyjną badań: hodowla organizmów, rejestracja aktywności, obrazowanie tkanki, rekonstrukcja połączeń, adnotacja molekularna, dopasowanie modeli, walidacja, iteracja.
Taka industrializacja jest niezbędna, ale zmienia charakter neuronauki. Pojawia się napięcie między nauką odkrywczą a inżynierią wielkich systemów. W tradycyjnym laboratorium badacz może pytać o jeden obwód, jedną hipotezę, jedną klasę neuronów. W programie emulacji trzeba budować pełne przepływy danych, nawet jeśli nie każdy element jest jeszcze teoretycznie zrozumiały.
Dlaczego postęp ostatnich lat zmienił rachunek
Schons wskazuje kilka zmian, które przesunęły ocenę wykonalności. Pierwsza to mikroskopia ekspansyjna. Polega ona na fizycznym powiększeniu tkanki przez polimer, dzięki czemu struktury zbyt małe dla zwykłej mikroskopii świetlnej stają się dostępne w powiększonej próbce. Ta metoda może zmniejszyć zależność konektomiki od mikroskopii elektronowej i pozwolić łączyć dane strukturalne z oznaczeniami molekularnymi (Chen, Tillberg i Boyden, 2015; Schons, 2026).
Druga zmiana to znakowanie neuronów. Jeśli każdemu neuronowi uda się nadać rozpoznawalny zestaw znaczników białkowych lub kolorystycznych, algorytmy śledzące komórki przez kolejne warstwy obrazu będą popełniały mniej błędów. Projekty takie jak PRISM rozwijane przez E11 Bio próbują zmniejszyć koszt rekonstrukcji przez uczynienie samych neuronów łatwiejszymi do odróżnienia (Park i in., 2025; E11 Bio, 2025).
Trzecia zmiana to automatyzacja korekty. Google Research opublikował PATHFINDER, system uczenia maszynowego dla rekonstrukcji neuronów, który ma znacznie ograniczać potrzebę ręcznej kontroli przez ludzi (Januszewski i in., 2025). Jeśli automatyzacja tego etapu będzie działać w dużej skali, najbardziej pracochłonna część konektomiki może stanieć o rzędy wielkości.
Czwarta zmiana to zbiory łączące aktywność i strukturę. ZAPBench, przygotowany przez zespoły związane m.in. z Google Research, Janelia i Harvardem, zawiera rejestracje aktywności ponad 70 tysięcy neuronów larwalnego danio pręgowanego w rozdzielczości pojedynczych komórek. Ten sam mózg jest mapowany anatomicznie na poziomie synaptycznym, co w przyszłości pozwoli łączyć dynamikę z połączeniami w jednym organizmie (Lueckmann i in., 2025).
Każdy z tych postępów usuwa inną część blokady. Razem tworzą ścieżkę do pierwszych emulacji małych mózgów. Nadal nie tworzą prostej ścieżki do cyfrowego człowieka.
Małe mózgi jako test dojrzałości
Najbardziej realistyczny etap pośredni to emulacja organizmów z mózgami poniżej miliona neuronów: larwalnego danio pręgowanego, owadów, robaków lub innych modeli, dla których można zebrać pełne dane strukturalne i znaczną część danych aktywności. Schons ocenia, że dobrze zwalidowana emulacja takiego mózgu może pojawić się w perspektywie kilku lat do nieco ponad dekady, zależnie od finansowania i tempa rozwoju narzędzi (Schons, 2026).
Taki wynik miałby duże znaczenie, nawet jeśli dotyczyłby małego zwierzęcia. Pozwoliłby sprawdzić, ile informacji potrzeba do odtworzenia zachowania. Czy wystarczy connectome i kilka klas parametrów? Czy potrzebne są dokładne dane o typach neuronów? Jaką rolę odgrywają komórki glejowe? Czy bez rejestracji aktywności tego samego osobnika model będzie działał? Jak szybko cyfrowy mózg odchodzi od zachowania biologicznego po zmianie warunków?
Małe emulacje będą laboratorium epistemologicznym. Odpowiedzą nie tylko na pytanie, czy potrafimy skopiować obwód, lecz także na pytanie, które szczegóły biologii są potrzebne dla zachowania. To może być najważniejszy wkład w neuronaukę: nie sama demonstracja cyfrowego zwierzęcia, lecz określenie poziomu opisu, na którym mózg daje się przewidywać.
W tym sensie projekt emulacji może porządkować neuronaukę. Zmusza do budowy modeli, które muszą działać, a nie tylko wyjaśniać wybrany fragment danych. Wymaga testu: jeśli twierdzimy, że rozumiemy obwód, powinniśmy umieć odtworzyć jego zachowanie w modelu.
Mysz jako próg systemowy
Mózg myszy jest dla emulacji progiem innej klasy. Ma około 70 milionów neuronów, więc jest o wiele większy od mózgu muszki i nadal znacznie mniejszy od ludzkiego. Mysz jest jednak ssakiem, ma zachowania bardziej zbliżone do zachowań interesujących medycynę, rozwinięte układy neuromodulacyjne, ciało o skomplikowanej kontroli ruchowej i bogate środowisko eksperymentalne.
Schons szacuje, że pierwsza przekonująca emulacja mózgu myszy mogłaby kosztować około miliarda dolarów w latach 30. XXI w., pod warunkiem wcześniejszego sukcesu na organizmach poniżej miliona neuronów (Schons, 2026). Margines błędu jest duży. Koszt może być znacznie wyższy, a termin przesunięty o lata lub dekady.
Mysz jest ważna nie dlatego, że sama w sobie jest etapem technologicznym. Jest ważna jako zwierzę modelowe dla psychiatrii, neurologii, farmakologii i podstawowych mechanizmów uczenia. Jeśli dałoby się tworzyć cyfrowe mysie mózgi, można by testować hipotezy dotyczące obwodów, zaburzeń, leków i zmian genetycznych w sposób niedostępny dla tradycyjnych eksperymentów.
Równocześnie emulacja myszy napotka barierę danych aktywności. Nie istnieje metoda, która pozwalałaby rejestrować aktywność każdego neuronu w żywej myszy z wymaganą częstotliwością, przez długi czas, podczas naturalnego zachowania. Dlatego w większych mózgach badacze będą musieli wnioskować o dynamice z danych strukturalnych, molekularnych i częściowych rejestracji. To oznacza większą rolę modeli uczących się relacji między strukturą a funkcją.
Człowiek jako skala spekulacji technicznej
Ludzki mózg ma około 86 miliardów neuronów. Schons sugeruje, że pierwsza emulacja ludzkiego mózgu, rozumiana jako biologicznie realistyczny model na poziomie architektury, może wymagać dziesiątek miliardów dolarów i mogłaby pojawić się w drugiej połowie XXI w., przy założeniu pomyślnego rozwoju wcześniejszych etapów (Schons, 2026).
To nie jest prognoza w stylu daty premiery produktu. To szkic warunkowy. Wymaga rozwiązania kolejnych zależności: tańszego obrazowania, automatycznej rekonstrukcji, lepszego znakowania molekularnego, modeli struktura–funkcja, infrastruktury obliczeniowej, dostępu do ludzkiej tkanki, standardów etycznych i walidacji na mniejszych organizmach.
Obecne symulacje ludzkiej skali są bardzo dalekie od pełnej emulacji osoby. Praca Lu i współpracowników opisała cyfrowy mózg z 86 miliardami neuronów uruchomiony na architekturze obejmującej 14 012 GPU. Model miał bardzo dużą skalę, ale opierał się na uproszczeniach, m.in. ekstrapolacji połączeń z danych MRI i ograniczeniu liczby synaps względem rzeczywistości (Lu i in., 2024). Tego typu prace pokazują, że skala obliczeniowa staje się osiągalna, ale dane biologiczne pozostają głównym problemem.
Trzeba też oddzielić emulację „typowego” mózgu od kopiowania konkretnej osoby. Schons wyraźnie zaznacza, że pierwsze modele będą najpewniej agregatami danych z wielu organizmów, a nie zachowaniem pamięci, osobowości i ciągłości konkretnego człowieka (Schons, 2026). Cyfrowa architektura ludzkiego mózgu i „upload umysłu” to różne poziomy trudności.
Problem indywidualności
Kopiowanie konkretnej osoby wymagałoby czegoś więcej niż mapy połączeń i modelu dynamiki. Trzeba byłoby uchwycić trwałe ślady pamięci, uczenia, nawyków, afektów, preferencji, historii ciała, wzorców hormonalnych, stanów synaptycznych i konfiguracji komórek w chwili pomiaru. Nie wiadomo, które elementy niosą tożsamość psychologiczną na poziomie wystarczającym do zachowania osoby.
Nie wiadomo też, co znaczy „ta sama osoba” w kontekście kopii. Jeżeli cyfrowy model zachowuje się jak człowiek, pamięta jego życie i deklaruje ciągłość, czy jest kontynuacją, kopią, modelem, osobą prawną, eksperymentem, narzędziem badawczym, czy nowym bytem moralnym? Tekst Schonsa nie rozstrzyga tych pytań i świadomie zostawia filozofię oraz etykę poza zakresem głównej analizy (Schons, 2026).
Dla artykułu o technologii to dobra decyzja. Dla cywilizacji byłaby niewystarczająca. Jeśli emulacje kiedykolwiek zaczną wykazywać zachowania sugerujące świadomość, cierpienie, intencję lub pamięć autobiograficzną, prawo i etyka będą musiały reagować wcześniej niż po fakcie. Historia badań biomedycznych uczy, że nowa zdolność techniczna potrafi wyprzedzić język normatywny.
Na razie jednak bardziej pilne są pytania skromniejsze: jak pozyskiwać tkankę, jak traktować zwierzęta w wielkoskalowych projektach, kto kontroluje dane neuronalne, czy cyfrowe modele mózgów mogą zwiększać ryzyko manipulacji zachowaniem i kto odpowiada za zastosowania wojskowe lub komercyjne.
Czego emulacja może nauczyć neuronaukę
Najsilniejszy argument na rzecz emulacji nie dotyczy nieśmiertelności cyfrowej. Dotyczy metody naukowej. Mózg jest systemem tak gęsto sprzężonym, że klasyczne badanie jednego elementu po drugim daje ograniczony obraz. Emulacja wymusza integrację. Model musi połączyć anatomię, fizjologię, zachowanie i dynamikę.
Jeśli cyfrowy model danego układu zachowuje się jak układ biologiczny, można wykonywać eksperymenty trudne lub niemożliwe w żywym organizmie. Można wyciszać neurony, zmieniać połączenia, modyfikować modulację, powtarzać bodziec, cofać stan modelu, sprawdzać kontrfaktyczne wersje rozwoju i obserwować konsekwencje zmian w czasie. Takie eksperymenty nie zastąpią biologii, ale mogą ograniczyć liczbę wariantów wymagających badań in vivo.
W psychiatrii i neurologii znaczenie może być duże. Choroby psychiczne są szczególnie trudne, ponieważ ich objawy są systemowe: dotyczą nastroju, motywacji, pamięci, percepcji, zachowania społecznego i regulacji ciała. Model obwodów może pomóc testować hipotezy o tym, jak zmiany synaptyczne, genetyczne lub farmakologiczne przekładają się na stan systemu.
W biologii rozwoju emulacja mogłaby pomóc pytać, jak układ nerwowy uczy się organizacji. W badaniach AI mogłaby dostarczyć wzorców efektywności, uczenia i adaptacji z systemów biologicznych. W medycynie eksperymentalnej mogłaby skrócić drogę od obserwacji do interwencji.
Ryzyko błędnej metafory AI
Łatwo porównać emulację mózgu do trenowania dużych modeli AI. Oba pola używają dużych danych, dużych obliczeń i modeli. Porównanie szybko staje się mylące.
Modele AI są przede wszystkim cyfrowe. Ich dane są już w formacie nadającym się do obliczeń: tekst, obraz, audio, kod, wideo. Mózg trzeba najpierw przygotować, przeciąć, zobrazować, zrekonstruować, oznaczyć i zweryfikować. Wiele etapów podlega chemii, optyce, mechanice tkanki i pracy laboratoryjnej. Nie da się przyspieszyć wszystkiego przez dodanie GPU.
Schons trafnie zwraca uwagę, że AI może pomóc w części procesu, zwłaszcza w rekonstrukcji neuronów, analizie obrazów, dopasowaniu modeli i wykrywaniu wzorców. Nie znosi jednak sekwencyjnych zależności całego procesu (Schons, 2026). Jeśli próbka została źle przygotowana, jeśli obrazowanie ma artefakty, jeśli znacznik nie działa, jeśli tkanka się zdeformowała, jeśli dane aktywności nie odpowiadają danym strukturalnym, model obliczeniowy będzie budowany na błędnej podstawie.
To odróżnia emulację mózgu od wielu projektów software’owych. Tu nie ma czystego świata bitów. Jest tkanka, czas, temperatura, białka, barwniki, mikroskopy, zwierzęta, chirurgia i protokoły laboratoryjne.
Konektom jako genom XXI wieku
Porównanie konektomu do genomu jest kuszące. Projekt poznania genomu człowieka wymagał wielkiego finansowania, standaryzacji, automatyzacji i wiary, że sama sekwencja DNA stworzy nową podstawę biologii. Konektomika może mieć podobny charakter: wielki zbiór referencyjny, który nie odpowie od razu na wszystkie pytania, ale zmieni sposób ich zadawania.
Różnica jest jednak duża. Genom jest liniowym zapisem o względnie stabilnej strukturze w większości komórek organizmu. Konektom jest trójwymiarową siecią z ogromną liczbą relacji i wariantów. Synapsy mają siłę, historię, lokalizację, typ i kontekst. W przypadku mózgu ważny jest także stan dynamiczny, który nie zostaje w pełni zachowany w martwej tkance.
Dlatego connectome nie będzie „kodowaną instrukcją mózgu” w takim sensie, w jakim genom bywa metaforycznie opisywany jako instrukcja organizmu. Będzie wielką mapą struktury. Samo posiadanie mapy nie wystarczy. Ale bez mapy trudno będzie zbudować modele, które zasługują na nazwę emulacji.
Dane o aktywności jako brakująca połowa
Największym problemem w większych mózgach może pozostać zapis aktywności. Konektom można budować z martwej tkanki, choć drogo i powoli. Aktywność trzeba mierzyć w żywym układzie. Trzeba to robić szybko, długo, z dużym pokryciem, najlepiej przy naturalnym zachowaniu. Dziś żadna metoda nie rejestruje aktywności wszystkich neuronów dorosłego ssaka w rozdzielczości pojedynczych komórek.
Nawet małe organizmy potrafią być trudne. C. elegans ma około 302 neurony, ale ruch ciała komplikuje rejestrację aktywności wszystkich komórek w naturalnym zachowaniu. Danio pręgowane jest dogodniejsze na wczesnych etapach rozwoju, bo larwy są przezroczyste, a ich mózg można obrazować optycznie. To sprawia, że zebrafish staje się dobrym kandydatem dla pierwszych modeli łączących strukturę z funkcją (Lueckmann i in., 2025).
W większych mózgach prawdopodobne będzie połączenie danych częściowych. Badacze będą uczyć modele na fragmentach, regionach, próbkach i powtórzeniach między osobnikami. Następnie będą próbować przewidywać aktywność na podstawie struktury, typu komórki, molekularnych znaczników i lokalnego kontekstu. To może działać częściowo. Pytanie brzmi, czy częściowo wystarczy dla emulacji zachowania.
Plastyczność i czas
Mózg zmienia się w czasie. Emulacja chwilowego stanu może być użyteczna, ale nie wystarczy, jeśli model ma się uczyć. Plastyczność synaptyczna, zmiany ekspresji receptorów, modulacja przez sen, wpływ hormonów, stres, stan metaboliczny i rozwój organizmu sprawiają, że mózg nie jest stałą maszyną.
Model bez plastyczności mógłby odtwarzać reakcję na znany bodziec, lecz zawodzić przy nowych sytuacjach. Model z plastycznością wymaga reguł zmiany. Trzeba wiedzieć, kiedy połączenia się wzmacniają, kiedy słabną, jak różne typy neuronów modyfikują odpowiedzi i jak globalne stany organizmu zmieniają lokalne uczenie.
To wyjaśnia, dlaczego emulacja całego mózgu nie jest prostym przedłużeniem mapowania połączeń. Zestaw kabli nie mówi, jak system będzie przebudowywał siebie pod wpływem doświadczenia. Bez tego trudno mówić o cyfrowym zwierzęciu, które nie tylko reaguje, lecz także uczy się i adaptuje.
Ciało jako część mózgu
Mózg działa przez ciało. Wysyła polecenia do mięśni, odbiera sygnały z receptorów, reguluje oddech, ciśnienie, trawienie, temperaturę, ból i napięcie. Emulacja mózgu bez ciała może przypominać uruchomienie centralnego procesora bez urządzeń wejścia i wyjścia.
Dlatego ważne jest pojęcie ucieleśnienia. Model mózgu powinien działać w wirtualnym ciele lub kontrolować ciało robotyczne, choćby uproszczone. Dla muszki będzie to ciało z nogami, skrzydłami, oczami, narządami zmysłów i środowiskiem. Dla danio ciało pływające w wodzie. Dla myszy ciało poruszające się w przestrzeni, węszące, reagujące na dotyk, głód i lęk.
Ucieleśnienie jest też testem modelu. Łatwiej dopasować model do wybranego zapisu aktywności niż sprawić, aby działał poprawnie w zmiennym środowisku. Zachowanie ujawnia braki, których nie widać w statycznym porównaniu danych.
Co oznaczałby sukces
Sukces w emulacji nie musi od razu oznaczać cyfrowej świadomości. Może oznaczać model, który przewiduje aktywność obwodu lepiej niż obecne metody. Może oznaczać larwalnego danio, którego cyfrowy mózg steruje prostym zachowaniem w zgodzie z danymi biologicznymi. Może oznaczać muszkę reagującą na smak i zapach w sposób zgodny z eksperymentem. Może oznaczać mysi model regionu mózgu, który pozwala testować skutki zmian genetycznych.
Warto rozdzielać poziomy sukcesu:
- emulacja obwodu;
- emulacja regionu;
- emulacja małego całego mózgu;
- emulacja zachowania w wirtualnym ciele;
- emulacja ssaka;
- emulacja ludzkiej architektury mózgu;
- emulacja konkretnej osoby.
Każdy poziom wymaga innych danych i daje inne konsekwencje. Najbliższe lata najpewniej będą dotyczyć pierwszych czterech poziomów. Ostatni poziom pozostaje obciążony tak dużą niepewnością, że nie powinien dominować nad dyskusją naukową.
Co może pójść źle
Pierwsze ryzyko to przecenienie connectome. Mapa połączeń może zachwycać skalą, ale bez funkcji pozostaje niepełna. Historia neuronauki zna wiele projektów, które dostarczały wspaniałych atlasów, lecz wolniej przekładały się na wyjaśnienia zachowania.
Drugie ryzyko to niedoszacowanie typów komórek i chemii. Neurony nie są identycznymi punktami sieci. Różnią się właściwościami i środowiskiem molekularnym. Jeśli model potraktuje je zbyt jednorodnie, może działać tylko w wąskim zakresie.
Trzecie ryzyko to walidacja pozorna. Model może dopasować się do danych treningowych i zawieść przy innych bodźcach. W biologii łatwo uzyskać zgodność na wybranym wykresie, trudniej wykazać stabilne przewidywanie nowych zachowań.
Czwarte ryzyko to koszty społeczne. Wielkie projekty mogą pochłaniać środki kosztem mniejszych badań. Jeśli emulacja stanie się modą finansową, może wypierać inne formy neuronauki, które są mniej spektakularne, ale bliżej pacjentów.
Piąte ryzyko to pośpiech etyczny. Jeśli modele staną się bardziej złożone, pytanie o status moralny nie będzie mogło zostać odłożone na koniec. Lepiej przygotować język i instytucje wcześniej.
Dlaczego mimo wszystko warto traktować ten program poważnie
Sceptycyzm wobec emulacji mózgu jest uzasadniony. Historia tej dziedziny zawiera wiele obietnic większych niż wyniki. Mimo tego obecna sytuacja różni się od wcześniejszych debat. Mamy pełny connectome dorosłej muszki, coraz lepsze obrazowanie, projekty łączące aktywność i strukturę, uczenie maszynowe dla rekonstrukcji neuronów, spadające koszty danych i rosnące możliwości obliczeń.
To nie wystarcza do cyfrowego człowieka. Wystarcza do poważnego programu emulacji małych mózgów. A sukces na małych mózgach może przynieść narzędzia, które będą użyteczne niezależnie od dalszych ambicji. Lepsza rekonstrukcja neuronów, lepsze modele obwodów, lepsze dane o aktywności, lepsze metody walidacji i lepsze środowiska symulacji przydadzą się neuronauce nawet wtedy, gdy pełna emulacja człowieka okaże się znacznie odleglejsza.
W nauce często najcenniejsze są narzędzia powstałe po drodze. Program emulacji może działać podobnie jak program kosmiczny lub genomowy: cel końcowy organizuje wysiłek, ale pośrednie technologie zmieniają całe pole.
Najbardziej rozsądna prognoza
Najbardziej prawdopodobny scenariusz nie zakłada szybkiego „wgrania ludzi do komputera”. Zakłada sekwencję wolniejszych sukcesów.
Najpierw pojawią się lepsze emulacje małych obwodów i zachowań u muszki lub danio. Następnie modele będą obejmować coraz większe części układu nerwowego, z większą liczbą typów komórek, lepszą plastycznością i bardziej naturalnym zachowaniem w wirtualnym ciele. Później możliwe staną się projekty ssacze, prawdopodobnie mysi mózg jako cel infrastrukturalny. Człowiek pozostanie odległym punktem odniesienia, użytecznym dla organizowania skali, lecz za trudnym jako cel pierwszej fali.
W tej prognozie najważniejsze pytanie brzmi nie „kiedy powstanie cyfrowy człowiek?”, lecz „kiedy powstanie model mózgu małego organizmu, który przewiduje zachowanie w sposób lepszy niż dotychczasowe modele?”. To pytanie jest bliższe nauce, mniej obciążone fantazją i łatwiejsze do sprawdzenia.
Wniosek
Tekst Schonsa jest ważny, ponieważ porządkuje rozmowę o emulacji mózgu wokół pracy laboratoryjnej, danych i infrastruktury, a nie wokół najbardziej widowiskowych obietnic. Emulacja mózgu wymaga rejestracji aktywności, rekonstrukcji połączeń i modeli obliczeniowych zdolnych z tych danych korzystać. Każdy etap jest trudny. Żaden nie wygląda dziś jak czysta magia.
Najbardziej przekonująca część argumentu dotyczy małych mózgów. Tam postęp jest wystarczająco konkretny, aby mówić o możliwych emulacjach w perspektywie lat lub kilkunastu lat. W przypadku mózgu myszy mówimy raczej o wielkim programie infrastrukturalnym. W przypadku człowieka o odległym scenariuszu warunkowym.
Emulacja nie musi spełnić wszystkich transhumanistycznych marzeń, aby zmienić neuronaukę. Wystarczy, że pozwoli tworzyć modele, które łączą strukturę, aktywność i zachowanie w sposób testowalny. Wtedy cyfrowy mózg będzie narzędziem poznania, a nie tylko fantazją o cyfrowej nieśmiertelności.
Najlepsza definicja celu brzmi ostrożnie: zbudować taki model układu nerwowego, którego zachowanie pod wpływem nowych bodźców przewidujemy dlatego, że odtworzyliśmy istotne mechanizmy biologiczne. Jeśli to się uda najpierw u małego zwierzęcia, neuronauka otrzyma nowy typ eksperymentu. Jeśli kiedyś uda się u ssaka, medycyna mózgu może wejść w zupełnie inny etap. Jeśli kiedyś uda się u człowieka, pytania techniczne staną się pytaniami o osobę, cierpienie, prawa i granice biologii.
Na razie najważniejsza praca jest mniej teatralna: mikroskopy, barwniki, cięcie tkanek, korekta błędów, modele neuronów, walidacja i cierpliwe łączenie danych. Cyfrowy mózg zaczyna się nie od filozofii umysłu, lecz od bardzo dokładnego obrazu pojedynczej komórki.
Źródła
Azevedo, F. A. C., Carvalho, L. R. B., Grinberg, L. T., Farfel, J. M., Ferretti, R. E. L., Leite, R. E. P., Jacob-Filho, W., Lent, R., & Herculano-Houzel, S. (2009). Equal numbers of neuronal and nonneuronal cells make the human brain an isometrically scaled-up primate brain. Journal of Comparative Neurology, 513(5), 532–541.
Chen, F., Tillberg, P. W., & Boyden, E. S. (2015). Expansion microscopy. Science, 347(6221), 543–548.
E11 Bio. (2025). A roadmap to scale connectomics to entire mammalian brains. E11 Bio.
FlyWire Consortium / Schlegel, P. i in. (2024). Whole-brain annotation and multi-connectome cell typing of Drosophila. Nature.
Januszewski, M. i in. (2025). Accelerating Neuron Reconstruction with PATHFINDER. bioRxiv.
Lu, W. i in. (2024). Simulation and assimilation of the digital human brain. National Science Review.
Lueckmann, J.-M. i in. (2025). ZAPBench: A Benchmark for Whole-Brain Activity Prediction in Zebrafish. arXiv.
NIH. (2024). Complete wiring map of an adult fruit fly brain. NIH Research Matters.
Park, S. Y. i in. (2025). Combinatorial protein barcodes enable self-correcting neuron tracing.
Sandberg, A., & Bostrom, N. (2008). Whole Brain Emulation: A Roadmap. Future of Humanity Institute, University of Oxford.
Schons, M. (2026). Building Brains on a Computer: A roadmap for brain emulation models at the human scale. Asimov Press.
Wellcome Trust. (2023). Scaling up connectomics: The road to a whole mouse brain connectome. Wellcome.