2026 年 7 月 29 日，Google AI 發表〈Mapping the Brain with Connectomics〉，再次把 Google Neural Mapping 推到大眾眼前。最吸睛的數字是：一塊約半粒米大小、約 1 mm³ 的人類大腦皮質樣本，竟然產生了 1.4 PB 影像資料，最後重建出約 1.5 億個突觸。
但這不是「AI 已經讀懂人腦」，也不是把 LLM 的人工神經元畫成地圖。它真正處理的是生物神經科學的 connectomics（連接體學）：把固定的腦組織切成超薄片，拍下奈米級影像，再靠 AI 與專家一起追蹤細胞、辨認突觸，做成可瀏覽的 3D 接線資料。
這篇新手教學約需 12 分鐘。你會看懂 Google Neural Mapping 的六步驟工作流、FFN／SegCLR／MoGen 各自負責什麼，還會親手用 Neuroglancer 探索 H01 人類皮質資料。文章最後也會拆掉最常見的誤解：結構地圖不等於思想、記憶或即時腦活動。
Google Neural Mapping 是什麼？先講結論
🧠 神經連線圖 ＝ 顯微鏡切片 × AI 自動描線 × 人類校對 × 可互動資料庫；本文所談的突觸級 connectome ＝細胞的 3D 形狀＋「誰透過突觸連到誰」的接線資料。
Google Neural Mapping 官方站以跨資料集與工具的研究計畫入口呈現。Google Research 與多個神經科學團隊合作，把影像處理、神經元分割、細胞分類、資料儲存與互動瀏覽等元件串在一起。
你可以把 connectome 想成一張「城市道路圖」：細胞是地點，軸突與樹突像道路，突觸是道路交會的接點。道路圖能告訴你哪裡可能相連，卻不會自動告訴你此刻有多少車、交通燈怎麼切換，或哪條路造成某個人的決定。也就是說，接線結構是理解大腦的重要底圖，但不是大腦功能的完整答案。
名稱裡雖然有 neural，這和 LLM 的人工神經網路是不同領域。前者研究真實生物細胞與突觸，後者是用數學參數構成的機器學習模型。
Google Neural Mapping 六步驟：腦切片如何變成 3D 地圖？
- 取樣與固定：先取得並保存腦組織的細胞結構。這是離體、固定後的靜態樣本，不是 MRI、fMRI，也不是活人大腦的即時直播。
- 切片與顯微成像：把組織切成極薄切片，再逐張拍攝。H01 樣本使用超過 5,000 張、每張約 30 nm 厚的切片；Google 表示整段影像採集花了 326 天。
- 拼接與對位：切片在處理與拍攝中會位移、拉伸或變形，演算法要先把大量 2D 影像疊回連續的 3D 體積。
- AI 分割與追線：Flood-Filling Networks（FFN）等模型從種子位置往外擴張，判斷哪些 voxel 屬於同一條神經突。這一步把灰階影像轉成可計算的 3D 結構。
- 找出突觸與細胞特徵：系統再標出細胞之間的接點，辨認軸突、樹突、細胞體與局部形態；SegCLR 可把小塊 3D 結構轉成向量，協助分類。
- 人工校對、儲存與發布：專家修正 AI 把兩個細胞誤接成一個的 merge error，或把同一細胞切斷的 split error。資料再透過 TensorStore、Neuroglancer 與 CAVE 之類工具被管理、瀏覽和校正。
這套流程的關鍵不是「AI 取代研究者」，而是 AI 先把人類幾乎無法逐像素處理的規模縮小，讓專家把時間放在檢查與科學判讀。想先補模型訓練的基本概念，可讀 AI 模型怎麼學會東西。
H01 案例：1 mm³ 為何就需要 1.4 PB？
H01 是理解 Google Neural Mapping 最具體的案例。2024 年刊登於 Science 的最終研究，重建了一名 45 歲女性在癲癇手術中取出的左側前段中顳回皮質樣本。這塊組織約 1 mm³，影像量卻達 1.4 PB，相當於約 1,400 TB。
- 約 57,000 個細胞，其中約 16,000 個是神經元、32,000 個是神經膠細胞，另有約 8,000 個血管相關細胞。
- 約 1.5 億個突觸，讓研究者能查詢「哪個細胞、在哪裡、以什麼接點相連」。
- 數千條神經突跨越大量切片，任何一次誤接或斷裂都可能沿著 3D 結構向後放大。
這些數字必須綁定範圍解讀：H01 是一個人的一小塊顳葉皮質，不是完整人腦，也不能代表所有人的神經接線。研究團隊指出，雖然樣本在一般組織檢查下沒有明顯病理異常，癲癇或藥物是否造成細微影響仍無法排除。
AI 重建也不是無誤的「真實答案」。H01 released data 列出 104 個經人工追蹤與校對的細胞，並同時提供較完整、但可能含更多誤接的版本，以及較保守、適合分析的版本。看到漂亮的 3D 渲染時，要記得它是根據影像與演算法建立、仍可被校正的模型。
FFN、SegCLR、Neuroglancer、MoGen 分別做什麼？
1. FFN：沿著同一個神經元往外追
Flood-Filling Networks 不只是先找邊界、再拼物件，而是從一個種子 voxel 出發，反覆判斷周圍區域是否屬於同一條神經突。原始研究在特定測試資料上把平均無錯路徑提高到 1.1 mm，但也明確承認需要更高計算成本。
2. SegCLR：把局部形態壓成可比較的向量
SegCLR 讀取約 4 µm 見方的局部 3D 影像，學出 64 維 embedding。相似向量表示模型看到相近的局部形態與超微結構，不代表兩點在大腦裡距離很近，也不是思想或語意的座標。研究團隊報告，在其分類任務上使用約少 400 倍的人工標籤，仍可達到與監督式方法相當的效果。
3. Neuroglancer：把龐大體積資料串流到瀏覽器
Neuroglancer 是 Apache-2.0 開源的 WebGL 檢視器。它會依你所在的位置與縮放層級分塊載入資料，所以一般讀者不必先下載完整 1.4 PB，就能同時看 2D 切片、3D 分割結果與突觸標記。
4. MoGen：用合成神經形態補強訓練
2026 年 ICLR 的 MoGen 用 flow matching 生成局部神經形態點雲，拿合成樣本補強特定的形狀判斷模型。它目前從半徑 10 µm 的局部球形區域重採樣成 8,192 個點，生成的是局部片段，不是完整神經元，更不是一顆虛擬大腦。
論文在一個特定下游設定中，報告剩餘 split／merge errors 減少 4.4%，主要改善誤接；Google 所說可節省超過 157 person-years，則是把結果外推到完整小鼠腦規模的估算，不是已經實際省下的工時。這種合成資料補強和 模型蒸餾 都是在改善學習效率，但方法與目的並不相同。
五分鐘實作：用 H01 Gallery 親手探索神經連線
這個實作只需要支援 WebGL 2.0 的桌機瀏覽器，不必寫程式，也不用下載 PB 級資料。第一次體驗建議用桌機版 Chrome；若畫面全黑或長時間空白，先確認瀏覽器硬體加速與 WebGL 已啟用。手機與不同瀏覽器的操作效果可能因場景而異。
- 打開公開的 H01 Gallery。
- 先選 Chandelier Cell，或 Excitatory/Inhibitory Synapses (Point)。頁面會開啟預先設定好的 Neuroglancer 場景。
- 等待資料串流。你看到的是目前視角需要的分塊，不是在背景下載完整 H01。
- 在 2D 切片窗格按住左鍵拖曳可平移，滾輪逐張切換 Z 軸切片，
Ctrl＋滾輪縮放；在 3D 窗格左鍵拖曳可旋轉，Shift＋左鍵拖曳可平移。按小寫h或點右上角「?」查看完整快捷鍵。 - 點一次圖層名稱可切換顯示，雙擊可開啟圖層設定；滑鼠停在圖層名稱上可調整透明度。也可按
1–9切換對應圖層。
完成這三個觀察任務
- 分清影像與模型：暫時關閉 EM，只保留彩色分割，感受「原始像素」與「AI 重建物件」的差別。
- 從 2D 拼回 3D：旋轉 chandelier cell，再回到切片窗格找同一段結構；你會理解為何單張切片無法看出完整神經元。
- 接線圖不只看外形：開關
point annotations圖層，觀察黃色興奮性與藍色抑制性突觸點；再分別開關incoming excitatory、incoming inhibitory圖層查看相關神經結構。讀圖時以圖層名稱為主、顏色為輔；這些突觸點是自動偵測與分類標註，不代表每個點都經過人工驗證。
進階一小步：SegCLR 的 64 維向量怎麼看？
再打開 H01 SegCLR Embeddings。頁面把 64 維向量用 UMAP 投影到 3 維並映射成顏色；點一個資料點，可回到 Neuroglancer 查看它對應的原始位置。鄰近位置與相似色彩只能作為模型表示中的探索線索；UMAP 壓縮後的距離大小、群間空隙、密度與軸向都沒有直接的生物學意義，必須點回原始影像與分割結果核對。
目前有哪些公開資料？MaleCNS、Fish1 與 ZAPBench
Google AI 的 X 長文提供了很好的歷史入口；不過公開資料仍在快速推進。逐一對照目前的官方資料頁後，有兩個狀態需要用較新的口徑理解。
- 雄性果蠅不是「coming soon」：MaleCNS 官方頁已標示 v1.0 在 2026 年 6 月 8 日發布，涵蓋超過 16.6 萬個神經元的完整雄性果蠅中樞神經系統。對應研究目前仍是預印本，資料集已公開不等於論文已完成同儕審查。
- Fish1 是全腦範圍資料集，不是完整全腦 connectome：Fish1 的影像範圍涵蓋 7 日齡幼魚的腦與前段脊髓；但 Google 的現行資料頁明確說明，目前並非完整腦圖，只有若干迴路完成較完整的重建。
ZAPBench 的價值正在於補上另一半：它使用一隻 6 日齡、以凝膠限制身體移動的活體幼魚，在約兩小時、九種簡化視覺刺激下，以 GCaMP 鈣螢光記錄 71,721 個分割細胞的活動，要求模型預測接下來 30 秒的鈣螢光訊號。鈣螢光是神經放電的間接代理，不是直接電位或 spike；但它能清楚提醒我們，靜態接線圖與動態活動資料必須一起看。
Google Neural Mapping 真正有什麼用？
- 把不可處理的影像變成可查詢資料：研究者可以按細胞、部位、連線與突觸類型搜尋，而不只是在成千上萬張切片裡找圖案。
- 提出可驗證的新問題：異常形態、罕見連線或迴路模式可以先從地圖被找出，再由生理實驗檢驗。
- 建立演算法共同基準：公開影像、分割、embedding 與 viewer，讓不同團隊比較重建方法，而不是各自在封閉資料上宣稱進步。
- 把結構與活動逐步接起來：Fish1 提供獨立的結構資源；ZAPBench 則計畫把同一隻受測魚的活動資料，與仍在製作中的突觸級解剖圖配對。兩者不是已完成的同一個體配對資料集。
2025 年的 LICONN 研究展示了另一條路：用多層水凝膠膨脹與光學顯微鏡，在有限的小鼠皮質組織中驗證密集重建。研究展示的是特定組織區塊，不是完整大腦重建。
五個限制：地圖不是大腦本身
- 結構不等於功能：Bargmann 與 Marder 的經典評論指出，接線圖沒有完整包含神經元動態、神經調節與平行迴路。知道道路，不代表知道即時交通。
- AI 輸出仍有測量與重建誤差：誤接、斷裂、漏掉突觸與細胞分類錯誤都可能存在，人工 proofreading 仍是研究流程的一部分。
- 單一樣本不能代表全人類：H01 只有一位手術患者的一小塊顳葉組織；年齡、個體差異、疾病與藥物都是外推時要面對的限制。
- 漂亮渲染不是原始實物：你看到的彩色神經元是對灰階顯微影像進行分割、連接與簡化後的 3D 表示，應回到原始切片交叉檢查。
- 規模仍是硬牆：1 mm³ 已達 1.4 PB。Google 與合作團隊 2023 年啟動的小鼠海馬迴計畫只涵蓋約 2–3% 小鼠腦，當時估計就會產生約 25 PB 資料。
因此，最準確的判斷不是「AI 已理解大腦」，而是：AI 終於把奈米級腦影像轉成可瀏覽、可搜尋、可校正的開放科學基礎設施；從接線圖走到因果、記憶、意識或臨床治療，仍需要活動記錄、實驗與跨個體驗證。
Google Neural Mapping 常見問題 FAQ
1. Google Neural Mapping 是在畫 LLM 的神經網路嗎？
不是。它研究的是生物腦組織中的真實細胞、神經突與突觸；LLM 則是數學參數組成的人工神經網路。兩者都使用 AI 工具，但研究對象完全不同。
2. H01 已經是完整人腦 connectome 嗎？
不是。H01 約 1 mm³，來自一位手術患者的左側前段中顳回皮質。它是奈米級人類皮質資料的重要里程碑，不是完整人腦，也不能代表所有人。
3. Connectome 和 MRI／fMRI 有什麼不同？
本文所談的 connectome 使用離體組織與顯微影像，追到細胞與突觸尺度；MRI 看較宏觀的解剖，fMRI 以血氧變化間接反映活體活動。解析度、訊號與用途都不同。
4. 它能讀取思想、記憶或意識嗎？
不能。固定組織保留的是結構，不含當時神經活動、神經調節、學習歷程與全腦情境。連線可能幫助研究者提出問題，無法直接還原某個人的思想或記憶。
5. 使用 H01 Gallery 要下載 1.4 PB 嗎？
不用。Neuroglancer 會依你的視角與縮放層級串流需要的資料分塊。一般探索只需瀏覽器與穩定網路。
6. H01 Gallery 免費嗎？需要帳號嗎？
公開 Gallery 可直接瀏覽，不需帳號。若要進入 CAVE 做正式 proofreading，則要依研究團隊流程申請並登入。
7. 手機可以操作 Neuroglancer 嗎？
部分場景可能能開啟，但多窗格、滑鼠指向與 3D 旋轉都更適合桌機。第一次體驗建議使用支援 WebGL 2.0 且已開啟硬體加速的桌機版 Chrome。
8. 開發者可以取得程式碼或模型嗎？
可以從 Neuroglancer、FFN、MoGen 與 H01 code 頁開始。官方目前把程式碼、模型與資料入口分別發布在這些研究元件中，開發者會依工作選擇與組合。
新手帶走這五件事
- Google Neural Mapping 是 connectomics 專案與工具鏈，不是單一 AI 模型。
- 核心產物是細胞 3D 形態與突觸接線資料，不是思想、記憶或即時腦活動。
- AI 負責對位、分割、追線與分類；人類仍需校對與做科學解釋。
- H01 約 1 mm³ 就有 1.4 PB，顯示從局部走向全腦仍面臨巨大資料與驗證成本。
- 最好的第一步不是想像讀心，而是打開 H01 Gallery，親眼分辨原始切片、AI 分割與突觸標記。
延伸學習：把這篇接回你的 AI 知識地圖
若你想理解人工智慧另一端的工作方式，可以接著讀 AI 模型如何學習、AI Agent Harness 是什麼，以及 AI 如何參與建立下一代 AI。更多入門內容整理在 AI 知識專區與 AlphaLab 課程。
現在就做一個小實驗：打開 H01 Gallery 的 Chandelier Cell，先關閉 chandelier、pyramidals，只看 4nm EM；再重新開啟兩個分割圖層並在 3D 窗格旋轉。那個「原本看不懂的一堆像素，突然成為一條可追蹤神經元」的瞬間，就是 Google Neural Mapping 真正改變研究流程的地方。