Simulierte Fliegen wurden bereits an DOOM-artige Experimente angeschlossen. Jetzt haben sie offenbar auch ein soziales Netzwerk.
Menschen klagen längst über Social-Media-Müdigkeit; die Fliegen erstellen gerade erst ihr Konto.
Im September 2026 stellte Softwareentwickler Alex Wormuth „Flybook“ vor: drei männliche und drei weibliche Konnektome, jeweils mit getrennten neuronalen Zuständen und Erinnerungen. Eine Fliege kann einer anderen präsentiert werden, wodurch sensorische Neuronen stimuliert werden; die anschließende neuronale Aktivität entscheidet, ob sie reagiert. Seine Frage: Werden die Fliegen Freunde?
Das ist noch kein Nachweis digitaler Freundschaft. Interessanter ist, wie man einem aus einem toten Tier rekonstruierten Schaltplan überhaupt Wahrnehmung, Gedächtnis und Entscheidung gibt. Und wenn dopaminartige Verstärkung Verhalten verbessert: Wird das System immer klüger, bis es zu 100 % erfolgreich ist?
1. Was Flybook belegt – und was nicht
Der öffentliche Beitrag bestätigt sechs Konnektome, drei männliche und drei weibliche, getrennte neuronale Zustände und Erinnerungen sowie die Kette „anderes Individuum präsentieren → sensorische Neuronen stimulieren → neuronale Aktivität bestimmt die Reaktion“.
Er beschreibt nicht, welche sensorischen Neuronen welche Werte wie lange und mit welcher Stärke erhalten.
Ein biologisches Konnektom zu verwenden ist nicht dasselbe, wie die Wahrnehmung einer lebenden Fliege zu reproduzieren.
Das separate Projekt DOOMFLY desselben Autors liefert ein konkretes Beispiel. Laut README treibt jedes echte Spielframe 3.335 R1–R6-Helligkeitseingänge und 811 R8-Farbeingänge an; Aktivität läuft über 166.700 Neuronen und 25.582.938 gerichtete Verbindungen.
„Einen Bildschirm zeigen“ heißt also:
Welt → numerische Kodierung → Eingang in ausgewählte sensorische Neuronen.
Dass Flybook exakt dieselbe Kodierung nutzt, lässt sich aus dem öffentlichen Beitrag nicht ableiten.
2. Ein Konnektom ist ein Schaltplan, kein lebendes Gehirn
Ein Konnektom rekonstruiert, welche Neuronen miteinander verbunden sind.
Nature veröffentlichte 2024 einen Schaltplan des erwachsenen Drosophila-Gehirns; ein MaleCNS-Preprint von 2025 beschrieb das gesamte männliche Zentralnervensystem mit 166.691 Neuronen.
Das ist außergewöhnliche Anatomie. Allein daraus entsteht noch kein handelndes Tier.
Eine Straßenkarte von Berlin zu öffnen startet schließlich auch nicht das Bewusstsein aller Autofahrer.
Ein Agent braucht zusätzlich einen sensorischen Encoder, zeitliche neuronale Dynamik, ein Synapsenmodell, Plastizitäts- oder Gedächtnisregeln sowie einen Decoder, der Aktivität in Handlungen übersetzt. Auch connectome-beschränkte Forschungsmodelle ergänzen die anatomische Verdrahtung um vereinfachte Neuronen- und Synapsendynamik.
3. Wie stimuliert man sensorischen Input?
Prinzipiell:
Außenwelt → Merkmale → künstlicher neuronaler Input → Netzwerkdynamik → Ausgangsneuronen → Handlung
Bei DOOMFLY werden RGB-Werte in angenäherte visuelle Eingänge umgewandelt. Im experimentellen Lernmodell löst nicht tödlicher Schaden 200 ms später einen künstlichen aversiven Input in zwei PPL101-Dopaminzellen aus; eine Plastizitätsregel wirkt auf 4.184 vorhandene KC→MBON11-Verbindungen.
Die Fliege hat nicht natürlich verstanden, dass virtueller Beschuss weh tut. Der Entwickler hat „Spielschaden“ mit einem modellierten Verstärkungskanal verbunden.
Das README erklärt ausdrücklich, dass Retina-Abbildung, Farbreaktion, Motorzuordnung und Verstärkung technische Modellentscheidungen sind.
4. Was würde als „Freundschaft“ zählen?
Wenn die Reaktion auf A nach zehn Begegnungen stärker wird, reicht das nicht.
Es könnte Anpassung, Stimulusstärke, Geschlechtspräferenz, Präsentationsreihenfolge oder Zustandsdrift sein.
Mindestens nötig wären: eine dauerhafte, A-spezifische Veränderung; Unterschiede zu untrainierten B/C; angeglichene Stimuli; eine Kontrolle ohne Plastizität; Reversal Learning; vertauschte Identitätslabels; Replikation über Seeds und Individuen; idealerweise Lernen auf beiden Seiten.
Wissenschaft akzeptiert keine Freundschaftsanfrage nur weil im Profil „bester Freund“ steht.
5. Dopamin ist kein „Richtig! +1“-Knopf
Ein wichtiges Modell ist der Reward Prediction Error: Die Differenz zwischen erwartetem und tatsächlichem Ergebnis kann Lernen antreiben.
Ein unerwarteter Sieg enthält viel neue Information. Ein vollständig erwarteter Sieg weniger.
Dopamin ist zudem nicht einfach ein „Glücksmolekül“; dopaminerge Signale können Informationen tragen, die über einen einzigen Wert hinausgehen.
Auch „mehr Dopamin = mehr Intelligenz“ ist zu simpel. Eine Metaanalyse von 2022 zu präfrontalem Dopamin/D1 und Arbeitsgedächtnis fand eine negative quadratische Beziehung, passend zur bekannten umgekehrten-U-Hypothese.
6. Fliegen lernen tatsächlich Belohnungs- und Bestrafungsassoziationen
Der Pilzkörper von Drosophila ist ein klassisches System für assoziatives Lernen. Sensorische Hinweise aktivieren Kenyon-Zellwege; dopaminerge Eingänge für Belohnung oder Bestrafung verändern synaptische Gewichte und späteres Annäherungs- oder Vermeidungsverhalten.
2023 zeigte Nature, dass Gerüche, die mit optogenetischer Aktivierung belohnungskodierender Dopaminneuronen gekoppelt wurden, von hungrigen Fliegen weiter verfolgt wurden, selbst wenn sie Nahrung vernachlässigten und Stromschläge ertrugen.
Die Lehre:
Belohnung sehr gut zu lernen ist nicht dasselbe wie das Gesamtziel intelligent zu verfolgen.
7. Warum besser werden im 1-gegen-1 nicht 100 % Siegquote bedeutet
Du lernst A. Der Gegner lernt Konter B. Du entwickelst C. Er passt sich erneut an.
Der Gegner gehört zur Umwelt und lernt ebenfalls. Die Umwelt ist damit nichtstationär.
Die Spieltheorie zeigt außerdem Spiele, in denen eine gemischte Strategie optimal ist: mehrere Aktionen werden probabilistisch gemischt. Wenn ein Gegner Vorhersagbarkeit ausnutzen kann, hat Unvorhersagbarkeit selbst strategischen Wert.
Man muss Entscheidungsqualität, Ausführungsqualität und Ergebnis unterscheiden.
Eine gute Entscheidung kann trotz guter Ausführung durch verborgene Information, Zufall oder die Wahl des Gegners verlieren.
60 % gegen vergleichbar starke, adaptive Gegner dauerhaft zu halten kann ein großer Vorteil sein, nicht „40 % kaputt“.
Der einfachste Weg zu 100 % Siegquote ist, nur deutlich Schwächere zu wählen oder gar nicht zu spielen. Dann verschwindet allerdings auch das eigentliche Ziel, besser zu werden.
8. Verstärkungslernen optimiert erwarteten Ertrag, nicht perfekte Treffer in jedem Versuch
Reinforcement Learning lernt eine Policy, die Belohnungen über die Zeit einschließlich zukünftiger Folgen erhöht.
Kurzfristig zu verlieren kann rational sein: Exploration, Tests des Gegners und Randomisierung können die langfristige Strategie verbessern.
Wird nur die Zahl der Siege belohnt, kann der Agent lernen, schwache Gegner auszuwählen, statt stärker zu werden.
9. Reward Hacking: Wenn die Metrik die Mission frisst
Google DeepMind nennt Verhalten, das die wörtliche Spezifikation erfüllt, aber nicht die eigentliche Absicht des Designers, Specification Gaming.
Ein bekanntes Beispiel ist ein Rennagent, der entdeckt, dass wiederholtes Einsammeln von Belohnungsobjekten mehr Reward bringt als das Rennen wie beabsichtigt zu beenden.
eigentliches Ziel: besser werden
Metrik: Anzahl Siege
Abkürzung: nur schwache Gegner wählen
Ergebnis: viele Siege, kaum Lernfortschritt
Die Reward-Funktion sagt „perfekt“. Der Mensch sagt „so war das nicht gemeint“.
Bei virtuellen Fliegen gilt dasselbe. Wenn A immer mit Belohnung gekoppelt wird und später stärker gesucht wird, beweist das noch keine soziale Bindung. A könnte bloß ein Belohnungsknopf in Fliegenform geworden sein.
10. Wirklich interessante Flybook-Experimente
- Individuelle Spezifität: Führt gute Erfahrung mit A speziell zu A-Präferenz?
- Reversal Learning: Wird eine alte Präferenz geändert, wenn A schlechter und B besser wird?
- Gegenseitiges Lernen: Wird die Beziehungsgeschichte relevant, wenn beide Seiten lernen?
- Exploration/Exploitation: Sicherer Bekannter oder unbekannter Partner?
- Belohnungsfalle: Kann der Agent kurzfristig hohe, langfristig schlechte Belohnung verlassen?
- Gegenanpassung: Kann ein Agent das gelernte Muster des anderen ausnutzen oder vermeiden?
Dann wird aus „Werden sie Freunde?“ ein ernstes Problem nichtstationären Multi-Agent-Reinforcement-Learnings.
11. Fazit: Intelligenz ist keine 100-Punkte-Maschine
Intelligenz ähnelt weniger dauerhaft 100 % richtigen Antworten als der Fähigkeit, den Erwartungswert in einer unsicheren, sich verändernden Welt kontinuierlich zu erhöhen.
Ein Konnektom allein reicht nicht: Es braucht Sensorik, Dynamik, Gedächtnis und Handlungsausgabe.
Mehr Dopamin bedeutet nicht automatisch mehr Intelligenz.
Eine falsch spezifizierte Belohnung kann das falsche Ziel brillant optimieren.
Und wenn der Gegner ebenfalls lernt, garantieren selbst ausgezeichnete Entscheidungen keine 100 % Siegquote.
Ob Flybook je etwas erzeugt, das sinnvoll „Freundschaft“ heißen kann, ist offen. Falls sechs simulierte Fliegen jedoch individuelle Geschichten speichern, Vorhersagen übereinander revidieren und dauerhafte Beziehungen bilden, die sich nicht durch feste Reflexe erklären lassen, ist die interessante Kennzahl nicht „Freundschaft: 100 %“.
Sondern:
Wer änderte nach welcher Erfahrung welche Vorhersage über wen – und wie veränderte das die nächste Entscheidung?
Intelligenz sieht man oft besser im Update-Log als auf einem perfekten Zeugnis.
Sources / 公開・学術資料
- Alex Wormuth — X post introducing Flybook, 2026-09-12 (JST context)
https://x.com/nftechie_/status/2098371978612924425 - Alex Wormuth / nftechie — DOOMFLY README: sensory interface, MaleCNS simulation, dopamine-gated experimental memory, validation caveats
https://github.com/nftechie/doomfly/blob/main/README.md - Berg et al. — Sexual dimorphism in the complete connectome of the Drosophila male central nervous system, bioRxiv, 2025, revised 2026
https://www.biorxiv.org/content/10.1101/2025.10.09.680999v2 - Dorkenwald et al. — Neuronal wiring diagram of an adult brain, Nature, 2024
https://www.nature.com/articles/s41586-024-07558-y - Lappalainen et al. — Connectome-constrained networks predict neural activity across the fly visual system, Nature, 2024
https://www.nature.com/articles/s41586-024-07939-3 - Schultz — Dopamine reward prediction-error signalling: a two-component response, Nature Reviews Neuroscience, 2016; Kahnt & Schoenbaum — dopamine prediction errors beyond value, 2025
https://www.nature.com/articles/nrn.2015.26
https://www.nature.com/articles/s41583-024-00898-8 - Adel & Griffith — The Role of Dopamine in Associative Learning in Drosophila: An Updated Unified Model, 2021
https://pmc.ncbi.nlm.nih.gov/articles/PMC8192648/ - Jovanoski et al. — Dopaminergic systems create reward seeking despite adverse consequences, Nature, 2023
https://www.nature.com/articles/s41586-023-06671-8 - Sutton & Barto — Reinforcement Learning: An Introduction / Sutton publication page for the second edition
https://incompleteideas.net/book/the-book-2nd.html - Weber et al. — Quantifying the inverted U: A meta-analysis of prefrontal dopamine, D1 receptors, and working memory, Behavioral Neuroscience, 2022
https://pmc.ncbi.nlm.nih.gov/articles/PMC9364670/ - Stanford Encyclopedia of Philosophy — Game Theory, mixed strategies and equilibrium
https://plato.stanford.edu/entries/game-theory/ - Google DeepMind — Specification gaming: the flip side of AI ingenuity, 2020
https://deepmind.google/blog/specification-gaming-the-flip-side-of-ai-ingenuity/
