我们已经有 40 年的线虫全脑接线图——它 302 个神经元的每一条线都在纸上，我们还是猜不透它下一秒会往哪儿爬。
"要把大脑接线图画出来"——你多半听过这类雄心。想象一下把 860 亿个神经元、几百万亿突触全数标出来、连成一张图；直觉会觉得，那时候心智还能剩多少神秘？1986 年，一支英国团队真的把这件事做完了——不过是在一条只有 302 个神经元的线虫身上。四十年过去，那份图还印在无数实验室的墙上，我们依然不能只凭它读出这条虫在想什么。这一期就是要看清这道落差：为什么"知道每一根线"离"看懂这颗脑"，还差着一段谁也没想到会这么远的路。
1960 年代末，Sydney Brenner 决定挑一种小到"能被看穿"的动物做样本——秀丽隐杆线虫 C. elegans，只有约 1 毫米长、身体透明、每一只成年雌雄同体虫的神经元数目与位置都完全一样。他的学生 John White 领着一群人拿电子显微镜切了十几年，1986 年发表：302 个神经元，约 7000 个化学突触，约 900 个电突触。这是历史上第一份完整的连接组。
然后怪事发生了。四十年间这张图印在墙上、录进数据库，可要它回答一个非常朴素的问题——"这条虫下一秒往哪爬"——它还是不够用。要靠它拆出躲避、觅食、交配这些基础动作，得等到近十年，人们把基因表达图、神经调质地图、活体钙成像一层层叠上去、再对着接线图看，才勉强跑起来一部分。
为什么？因为接线图只画了网络的骨架——两个神经元之间有没有物理电缆。可它俩到底传不传信号、传得多强、什么时候传，还取决于一堆图上根本不显示的东西：突触当前是强是弱（突触可塑性天天在改）、这一块被什么神经调质浸着（一颗多巴胺就能把整条回路的增益换掉，Topic 26）、下游有没有跟着当下振荡的节拍开门（Topic 38）。连接组学界有一句诚实的话：接线图是必要的，但远远不够。
EN The first complete connectome — C. elegans, 302 neurons and ~7,000 chemical synapses — was published by White and colleagues in 1986. Four decades later, that wiring alone still doesn't predict what the worm will do next: mapping behaviour requires overlaying gene-expression, neuromodulator, and live-imaging data on top. Wiring is the skeleton; it isn't the circuit.
要在能看见单个突触的精度（也就是几纳米级别）画一颗脑，目前只有一条路：电子显微镜连续切片。流程听起来像拆一本超厚的书。
可怕的地方在规模。这套工艺的数据量按 EB（10 的 18 次方字节）计。近几十年的里程碑，按发表年份排一下就能看到坡有多陡：
· 1986：秀丽线虫，302 神经元（White 等）。· 2019：线虫的雄性版本、加上重画的雌雄同体（Cook 等），第一次两性都齐。· 2020：果蝇"半脑" hemibrain，约 2.5 万神经元、2000 万突触（Scheffer 等）。· 2024：FlyWire 果蝇全脑，约 13 万神经元、5000 万突触（Dorkenwald & Matsliah 等）——这是首个复杂动物的完整脑接线图。· 2024：哈佛/Google 一份人脑颞叶 1 立方毫米样本（Shapson-Coe 等）——1.4 PB 数据、约 5 万神经元、1.5 亿突触，只为了一小指甲盖那么大。· 2025：MICrONS 小鼠视觉皮层 1 立方毫米，约 20 万神经元、5 亿突触，同一块地皮同时录了活体功能数据。
把这条曲线外推到人脑——1500 立方厘米、约 860 亿神经元——用同一套方法要至少几十年、耗电以千兆瓦时计。所以人脑的连接组主要走另一条低分辨率、但活体可测的路子：弥散磁共振顺着水分子在白质束里的方向做"纤维追踪"，画出的是"哪些大区之间有粗电缆"，而不是单突触级别的图。这就是Human Connectome Project（2010 年起，Van Essen 等）在做的事——一份粗看得见、细看不见的地图。（皮层上下六层的微回路：皮层分层与微回路；感觉端的一条走线：视觉通路）
EN Nanoscale connectomes require serial-section electron microscopy: fix → slice at tens of nanometres → image every slice → stitch → trace. Milestones climb steeply: C. elegans (1986) → hemibrain fly (2020, ~25k neurons) → FlyWire whole fly brain (2024, ~130k) → a 1 mm³ human temporal cortex sample (Harvard/Google 2024, 1.4 PB) → MICrONS 1 mm³ mouse visual cortex with matched activity (2025). Full human brain at that resolution is still decades away; macroscale human maps come from diffusion MRI (the Human Connectome Project).
就算把一份人脑接线图端上桌，还是要把两件事分开：
结构连接（structural）：两个区之间有没有物理电缆。功能连接（functional）：这两个区在实际活动里，信号有没有真的在走、走到什么程度（一般用 fMRI 里活动的相关性、或 MEG 里振荡的同步来估）。
两者的关系一点都不平凡。同一份接线，可以支撑截然不同的功能状态。你在睡、在算数、在做梦、在麻醉，同样的电线在传的东西天差地远（Topic 16、Topic 22）。为什么？信号能不能过，除了看有没有线，还要看：突触当前的强弱（突触可塑性时时刻刻在改）、这一片被什么神经调质浸着（多巴胺、血清素等把"增益旋钮"来回拧）、以及下游是不是对上了当下的振荡节拍——对不上就等于没通（Topic 38）。
MICrONS 那份 2025 年的小鼠视觉皮层给了一个特别干净的例子——同一块 1 立方毫米的皮层，纳米级接线图和活体功能记录一起公开。结果比较冷淡：两个神经元之间有多少突触，只是它们功能相关性的一个弱预测因子。换句话说，一颗脑不是一根根电话线的加总，是一张多层的、根据当下状态选择性联通的网。静态图给了骨架，剩下那些让骨架"活起来"的东西——递质、可塑性、节律——每一样都不写在图上。
EN Structural connectivity (is there a cable?) and functional connectivity (is signal actually flowing?) are two different graphs on the same brain. The same wiring supports radically different states — asleep, solving, dreaming, anaesthetised — because whether a signal passes depends on synaptic strength, neuromodulator context, and oscillatory phase alignment (Topic 38). MICrONS (2025) showed it cleanly: how many synapses two neurons share is only a weak predictor of their functional correlation.
换一层看。把神经元当图上的点、把突触当边，跑一下图论的常规量，会得到几个稳定的规律——不论是线虫、果蝇还是人脑，都长得像。
· 模块化：神经元分成一群一群的"社群"，社群内密、社群间稀。· 小世界：任何两个点之间平均跳几步就能到——本地簇很密，加上少数长距离捷径。· 富人俱乐部（rich club）：几个连接特别多的大枢纽相互之间比随机更爱连——走得起长途的往往是同一批"贵族"（van den Heuvel & Sporns 2011）。
Bullmore 和 Sporns 把这套图论视角带进神经科学后，事情第一次能被整体量化地讨论：同一份布线里藏着"能整合"（信号要能跨到远处去汇合）和"能省电"（Topic 41 那张预算表）两条目标之间的谈判结果。这些属性都不是设计者手挑的，是这两条目标互推出来的解。所以连接组学能不能"读出"一颗脑，可能不主要看"每根线通到哪里"，而是看整张图有什么形状——那才是它开始真正说话的地方。
EN Run graph theory on connectomes and the same features reappear across species: modular communities, small-world layout (dense local clusters + a few long shortcuts), and a rich-club of over-connected hubs preferentially wired to one another. Bullmore & Sporns framed all this as brain network economics — the wiring is the negotiated solution between integration and cost (Topic 41). Reading a brain may depend less on tracing every cable than on reading the shape of the whole graph.
人工神经网络本身就是一张图——单元当点、权重当边。但架构一直很规整：全连接层、卷积层、注意力层，都是模板化的规则连接。近些年生物启发的一支叫图神经网络（GNN），干脆把"图不再是规整的"当默认：分子结构、社交关系、蛋白网络，点和边都可以带信息、形状可以任意。反过来还有一个更近的对读——知道一个训练好的大模型里每一个权重，能读懂它在算什么吗？这就是机制可解释性（mechanistic interpretability）在做的事，目前答案是：远远不够。这两边其实撞在同一堵墙上——光有静态图不够，你得看电流真正怎么在里面跑。
"一个东西是它的连接决定的"——这个念头看着现代，其实好几门老学问早就抵达过；连接组学只是给它接上了物理坐标：