Đặt vấn đề

Giả sử có một con cá ngựa vằn bé tí đang bơi trong một chiếc bể.

Nó nhìn thấy một đốm sáng.

Một số tế bào võng mạc phát tín hiệu.

Tín hiệu chạy vào não.

Một nhóm neuron kích hoạt nhóm khác, nhóm khác lại kích hoạt một nhóm khác nữa, cơ bắp co lại, đuôi quẫy sang trái, con cá quay đầu.

Nhìn từ bên ngoài, chuyện xảy ra nhẹ như không: một con cá thấy ánh sáng rồi bơi đi.

Nhưng nếu muốn nhét toàn bộ chuyện đó vào máy tính, ta phải trả lời một câu hỏi khá quái dị:

Nếu biết chính xác từng neuron nối với neuron nào, liệu chúng ta có thể chạy lại bộ não đó như chạy một chương trình hay không?

Đó là câu hỏi trung tâm của luận văn From Worm to Human: Scaling Brain Emulation của Isaak Freeman tại MIT, hoàn thành năm 2026 dưới sự hướng dẫn của Edward Boyden. Đây là một luận văn thạc sĩ, không phải một bài báo tuyên bố rằng con người sắp “upload ý thức”. Tác giả tổng hợp hàng trăm công trình, khoảng 50 cuộc phỏng vấn chuyên sâu và hàng loạt phép tính Fermi để hỏi một câu thực dụng hơn:

Nếu coi brain emulation là một bài toán kỹ thuật, thì những cục đá nào đang nằm chắn đường?

Và đây cũng là điểm làm tài liệu này thú vị.

Nó không bắt đầu bằng linh hồn.

Không bắt đầu bằng ý thức.

Không hỏi “bản sao kỹ thuật số có còn là tôi không?”.

Nó lấy một con dao kỹ thuật rất lạnh, chặt bài toán thành từng mảnh:

 1Bộ não thật
 2    ↓
 3chụp cấu trúc
 4    ↓
 5tìm neuron + synapse
 6    ↓
 7đo hoạt động
 8    ↓
 9suy ra quy luật neuron
10    ↓
11mô phỏng
12    ↓
13đặt vào cơ thể + môi trường
14    ↓
15kiểm tra xem nó có hành xử đúng không

Nghe thì có vẻ đơn giản.

Xong thuật toán, quá dễ.

Chỉ có điều mỗi mũi tên trong sơ đồ trên có thể nuốt hàng tỷ USD, hàng triệu giờ máy và vài chục năm nghiên cứu.

Simulation và emulation không phải một thứ

Có một nhầm lẫn rất dễ mắc phải.

Tạo ra 86 tỷ neuron giả không đồng nghĩa với tạo ra một bộ não người giả.

Cuối năm 2024, nhóm của Wenlian Lu và cộng sự công bố nền tảng Digital Brain có thể dựng mạng spiking neural network lên tới 86 tỷ neuron, chạy trên 14.012 GPU và hỗ trợ tới khoảng 47,8 nghìn tỷ synapse. Đây là một thành tựu HPC rất đáng chú ý.

Nhưng Freeman cố tình phân biệt:

• Brain simulation: chạy một hệ thống có số lượng neuron, synapse hoặc đặc tính nào đó giống não.
• Brain emulation: cố gắng tái tạo đủ chính xác cấu trúc nhân quả và động lực học của một bộ não thật.

Một mô hình có 86 tỷ neuron nhưng dây nối được sinh thống kê vẫn chưa phải là bản sao của một bộ não người cụ thể.

Nó giống như dựng một thành phố có:

• 10 triệu ngôi nhà,
• 20.000 km đường,
• 500 ga tàu,

nhưng tất cả đường phố đều được máy tính bốc ngẫu nhiên.

Số lượng đúng.

Thành phố sai.

Chính Freeman cũng dùng ví dụ Digital Brain như bằng chứng rằng scale tính toán đã bắt đầu tiến gần quy mô con người, nhưng dữ liệu sinh học thực vẫn còn thiếu rất xa.

Đây là sợi chỉ xuyên suốt toàn bộ luận văn:

Chúng ta đang dần có đủ máy tính để chạy một bộ não, trước khi chúng ta biết chính xác phải chạy cái gì.

Từ 302 neuron đến 86 tỷ neuron

Có thể hình dung hành trình hiện tại như một cái thang.

Năm 2024, FlyWire công bố bản đồ toàn bộ não ruồi trưởng thành gồm 139.255 neuron và khoảng 54,5 triệu synapse. Đây là một bước nhảy rất lớn so với con giun 302 neuron.

Nhưng điều thú vị hơn không nằm ở con số 139.255.

Điều thú vị là chúng ta bắt đầu có thể lấy tấm bản đồ đó và cho nó chạy.

Shiu và cộng sự xây dựng một whole-brain model của ruồi chỉ bằng mô hình leaky integrate-and-fire khá đơn giản, sử dụng connectivity và thông tin neurotransmitter. Trong những prediction mà nhóm có thể kiểm tra thực nghiệm, phần lớn phù hợp với kết quả sinh học; mô hình thậm chí giúp dự đoán các circuit liên quan đến ăn uống và grooming.

Đây là một kết quả rất quan trọng về mặt ý tưởng.

Có thể ta chưa cần biết mọi phân tử trong từng neuron mới bắt đầu tái tạo được một phần hành vi.

Có khi hình dạng của mạng lưới đã chứa nhiều thông tin hơn chúng ta tưởng.

Nhưng cũng đừng chạy quá xa.

Connectome không phải bộ não.

Nó mới là một phần của bộ não.

Trụ cột thứ nhất: chụp được bộ não

Muốn mô phỏng một mạng máy tính, trước hết phải biết dây nào cắm vào đâu.

Não cũng vậy.

Lĩnh vực connectomics cố gắng tạo ra bản đồ:

1Neuron A
2   ├── synapse → neuron B
3   ├── synapse → neuron C
4   └── synapse → neuron D

Nhưng dây thần kinh nhỏ đến mức đáng sợ.

Synapse chỉ có kích thước hàng trăm nanomet. Khe synapse khoảng vài chục nanomet. Nhiều axon nhỏ hơn một micromet.

Vì vậy, muốn theo dõi từng sợi dây qua một khối não, electron microscopy (EM) vẫn là một trong những công cụ quan trọng nhất.

Một milimet khối não đã là một con quái vật dữ liệu

Giả sử chúng ta chụp mô não ở độ phân giải:

$$10 \times 10 \times 10\ nm$$

Một milimet bằng một triệu nanomet.

Do đó:

$$1\ mm^3 \approx 10^{15}\ voxel$$

Nếu mỗi voxel chỉ cần đúng 1 byte, ta đã có:

$$10^{15}\ bytes \approx 1\ PB$$

Một khối não chỉ bằng hạt mè đã có thể tạo ra lượng dữ liệu cỡ petabyte.

Não người có thể tích khoảng:

$$1.4 \times 10^6\ mm^3$$

Nhân lên:

$$1.4 \times 10^6 \times 10^{15} = 1.4 \times 10^{21}\ bytes$$

Tức cỡ:

1,4 zettabyte dữ liệu ảnh thô, trước compression, theo phép tính Fermi trong luận văn.

Một zettabyte là một con số khá mất dạy.

Bởi sau vài chữ số 0, não người thường đầu hàng và bảo:

“Ờ, chắc nhiều lắm.”

Vấn đề là máy tính không được phép đầu hàng.

Nó phải ghi từng byte xuống ổ cứng thật.

Một kính hiển vi có thể mất hơn 100 năm để chụp não chuột

Luận văn đưa ra một phép tính rất đẹp.

Giả sử não chuột khoảng:

$$500\ mm^3$$

Ở độ phân giải 10 nm isotropic:

$$5 \times 10^{17}\ voxel$$

Với tốc độ electron microscope khoảng:

$$1.5 \times 10^8\ voxel/s$$

thời gian cần thiết là:

$$ \frac{5 \times 10^{17}} {1.5 \times 10^8} \approx 3.3 \times 10^9\ seconds $$

Tức khoảng:

104 năm.

Một cái kính hiển vi.

Chạy ngày đêm.

Không nghỉ Tết.

Không xin nghỉ phép.

Không hỏng.

Hơn một thế kỷ.

Muốn hoàn thành trong 5 năm?

Chia việc ra cho khoảng 20 kính chạy song song.

Và đột nhiên một bài toán nghe như khoa học viễn tưởng biến thành bài toán rất quen thuộc của dân distributed system:

Không xử lý nổi một worker thì scale worker lên.

Chụp được chưa phải xong: còn phải đọc ảnh

Electron microscope đưa cho chúng ta ảnh.

Nhưng ảnh không tự nói:

“Xin chào, tôi là neuron số 12.737. Sợi bên trái của tôi đi sang neuron 82.914.”

Máy phải:

1. ghép các lát ảnh,
2. segment tế bào,
3. lần theo axon và dendrite,
4. phát hiện synapse,
5. xác định loại tế bào,
6. xác định neurotransmitter,
7. sửa những đoạn AI nối nhầm.

Ngày trước công việc này gần như là lao động thủ công.

Theo tổng hợp trong thesis, reconstruction một neuron C. elegans thời kỳ đầu tương đương khoảng 16.500 USD. Đến khoảng 2025, mức ước tính xuống khoảng 214 USD với Drosophila và khoảng 100 USD với zebrafish; mammalian neuron vẫn ở khoảng 500-1.000 USD tùy pipeline. Đây là các ước lượng lịch sử và dự án chứ không phải “bảng giá neuron”, nhưng xu hướng giảm là rất rõ.

Điểm nghẽn lớn hiện nay không chỉ là kính.

Nó là proofreading.

AI segmentation có thể rất giỏi, nhưng chỉ cần một axon bị nối nhầm qua hàng nghìn lát ảnh, topology phía sau có thể sai theo.

Vì thế machine learning có một vai trò khá thú vị:

AI không chỉ đang ngốn GPU.

AI đang giúp khoa học não bộ giảm lượng lao động cần thiết để xây thứ cuối cùng có thể chạy trên GPU.

Một vòng tròn khá ngáo.

Trụ cột thứ hai: biết dây chưa đủ, phải biết dòng điện chạy thế nào

Giả sử tôi đưa cho bạn toàn bộ sơ đồ bo mạch của một chiếc laptop.

Bạn biết transistor nào nối transistor nào.

Bạn có lập tức biết Chrome đang mở tab gì không?

Không.

Structure không tự động cho ta state và dynamics.

Não cũng vậy.

Một connectome nói:

1A nối B
2B nối C
3C nối D

Nhưng còn vô số câu hỏi:

• A mạnh đến đâu?
• synapse là excitatory hay inhibitory?
• receptor nào nằm ở đó?
• neuron đang ở membrane potential bao nhiêu?
• plasticity đã thay đổi connection strength thế nào?
• neuromodulator đang ở mức nào?
• lịch sử kích hoạt vài giây trước ra sao?

Vì thế trụ cột thứ hai là functional imaging.

Tại sao cá ngựa vằn lại quan trọng?

Có một vấn đề vật lý rất đơn giản.

Ánh sáng đi vào mô não sẽ bị:

• hấp thụ,
• tán xạ.

Não càng dày, ảnh càng mù.

Trong thực tế, whole-brain single-neuron optical imaging ở độ sâu vài milimet trở lên trở nên cực kỳ khó. Thesis gọi đây như một dạng optical frontier.

Và rồi tạo hóa sinh ra một sinh vật gần như gian lận:

larval zebrafish.

Con cá còn nhỏ.

Não nhỏ.

Cơ thể tương đối trong suốt.

Khoảng 100.000 neuron.

Quan trọng hơn: nó là vertebrate.

Tức về mặt tiến hóa, cấu trúc hệ thần kinh đã gần động vật có vú hơn con giun rất nhiều.

ZAPBench năm 2025 công bố dữ liệu light-sheet microscopy chứa hoạt động của hơn 70.000 neuron trong một bộ não zebrafish larva.

Hãy nghĩ về điều này một chút.

Camera không còn quay:

1con cá bơi trái
2con cá bơi phải

Nó đang cố quay:

170.000 neuron
2× hàng nghìn thời điểm
3× không gian ba chiều

Tức ta bắt đầu có cả:

bản đồ đường và camera giao thông.

Đây là lý do Freeman xem zebrafish như một bước trung gian đặc biệt hấp dẫn trên con đường từ worm → fly → mammal.

Calcium imaging và voltage imaging

Không phải mọi functional imaging đều nhìn trực tiếp điện áp neuron.

Calcium imaging thường dùng protein huỳnh quang thay đổi độ sáng khi nồng độ calcium thay đổi.

Nó giống như không nhìn thấy tiếng súng, nhưng nhìn thấy khói súng.

Rất hữu ích.

Nhưng chậm hơn diễn biến điện thật.

Voltage imaging tiến gần hơn tới membrane potential thực tế và có temporal resolution tốt hơn, nhưng khó triển khai ở quy mô toàn não.

Vì thế một mục tiêu lý tưởng sẽ là dữ liệu đồng thời có:

 1connectome
 2+
 3cell type
 4+
 5molecular information
 6+
 7voltage/activity
 8+
 9stimulus
10+
11behavior

Lúc đó chúng ta mới bắt đầu có bộ dữ liệu đủ giàu để hỏi:

Nếu tôi đưa cấu trúc này vào một simulator, liệu simulator có sinh ra đúng activity không?

Trụ cột thứ ba: biến structure thành function

Đây có lẽ là bài toán khoa học sâu nhất trong toàn bộ câu chuyện.

Ta có:

$$Structure \rightarrow ? \rightarrow Function$$

Dấu hỏi ở giữa là gì?

Có thể neuron chỉ cần một mô hình đơn giản.

Có thể cần Hodgkin-Huxley.

Có thể cần hàng nghìn compartment.

Có thể phải mô phỏng receptor.

Có thể phải mô phỏng ion channel.

Có thể glia quan trọng.

Có thể neuromodulator quan trọng.

Có thể một số thứ ta tưởng quan trọng hóa ra chẳng cần.

Một trong những điều thú vị nhất từ mô hình whole-brain Drosophila là: ngay cả mô hình leaky integrate-and-fire rất đơn giản, khi bị ép chạy trên connectivity thật, đã có thể tạo ra nhiều prediction sinh học hữu ích.

Nó gợi ra một khả năng quan trọng:

Một phần rất lớn “thuật toán” của não có thể nằm trong topology của mạng, không nhất thiết nằm trong độ phức tạp khủng khiếp của từng neuron riêng lẻ.

Nhưng hiện tại đây vẫn là một câu hỏi thực nghiệm.

Và zebrafish chính là nơi rất đẹp để thử.

Ta có thể lấy:

1connectome thật
2        ↓
3mô hình neuron
4        ↓
5simulate
6        ↓
7activity dự đoán

rồi so với:

1activity thật đo bằng microscope

Sai thì chỉnh.

Lặp lại.

Rất giống training machine learning.

Vậy chạy một bộ não người cần bao nhiêu compute?

Đây là đoạn dễ gây giật tít nhất của thesis, nhưng cũng cần đọc cẩn thận nhất.

Tác giả đưa ra Fermi estimates, tức phép ước lượng cấp độ lớn, không phải forecast chính xác.

Lower bound: neuron cực đơn giản

Giả sử dùng leaky integrate-and-fire.

Khoảng:

$$40\ FLOP/ms/neuron$$

Não người:

$$8.6 \times 10^{10}\ neuron$$

Một giây có 1.000 millisecond.

Do đó:

$$ 40 \times 8.6 \times 10^{10} \times 10^3 $$

xấp xỉ:

$$3.4 \times 10^{15}\ FLOP/s$$

hay:

3,4 petaFLOP/s.

Nghe khá nhỏ nếu so với các cluster AI hiện đại.

Nhưng đây là mô hình neuron cực kỳ đơn giản và con số FLOPS lý thuyết không thể chuyển thẳng thành throughput simulator thực tế.

Các biological network có:

• sparse access,
• irregular memory access,
• communication,
• synchronization,
• event routing.

GPU rất thích matrix multiplication dày đặc.

Não thì không có nghĩa vụ phải chiều GPU.

Upper ballpark: neuron sinh học chi tiết

Nếu chuyển sang Hodgkin-Huxley, hàng nghìn compartment, hàng nghìn synapse mỗi neuron và mô phỏng chi tiết synaptic dynamics, chi phí nhảy lên hàng chục nghìn lần.

Trong phần thân luận văn, Freeman đặt upper estimate ở bậc:

$$10^{20}\ FLOP/s$$

trong khi abstract đưa ra một pessimistic estimate khoảng:

$$6 \times 10^{20}\ FLOP/s$$

Điểm cần giữ lại không phải chính xác là (1) hay (6).

Điểm quan trọng là:

ballpark đã đi vào phạm vi những cluster AI cực lớn có thể bắt đầu chạm tới về raw compute.

Và thế là một chuyện khá kỳ lạ xảy ra.

Compute có thể không phải con quái vật đáng sợ nhất.

Con quái vật thật có thể là memory wall

Một neuron không sống một mình.

Não người chứa hàng trăm nghìn tỷ synapse.

Thesis dùng giả định khoảng:

$$6 \times 10^{14}\ synapse$$

Nếu mỗi synapse cần 64 byte cho:

• ID,
• type,
• receptor state,
• metadata cần thiết,

và mỗi neuron cũng cần state riêng, cộng thêm khoảng 2× HPC overhead, ta được tổng memory cỡ:

$$7 \times 10^{16}\ bytes$$

tức:

khoảng 70 petabyte RAM/HBM.

Nếu chia cho:

$$100.000\ GPU$$

thì:

$$ \frac{70PB}{100.000} \approx 700GB/GPU $$

Trong khi accelerator hiện tại phổ biến ở dải thấp hơn nhiều.

Nói cách khác:

ALU có thể chạy đủ nhanh, nhưng cái đầu không chứa nổi dữ liệu.

Đây chính là memory wall rất quen thuộc trong AI.

Compute tăng nhanh.

Memory capacity tăng chậm hơn.

Memory bandwidth tăng chậm hơn nữa.

Interconnect cũng không chạy kịp.

Não người phiên bản digital, nếu có, rất có thể không chết vì thiếu phép nhân.

Nó chết vì dữ liệu không kịp bò đến chỗ cần nhân.

Và rồi neuron bắt đầu nói chuyện qua GPU

Giả sử chia não thành 100.000 partition.

Nếu chỉ 10% synapse đi qua ranh giới GPU, thesis ước tính khoảng:

$$6 \times 10^{13}$$

cross-partition connections.

Nếu average firing rate là 10 Hz và một spike event cần 4 byte:

$$ 6 \times 10^{13} \times 10 \times 4 $$

tạo ra lượng communication khổng lồ.

Chia cho 100.000 GPU, tác giả ước tính khoảng:

24 GB/s interconnect traffic trên mỗi GPU.

Con số bandwidth nghe chưa kinh khủng nếu nhìn riêng lẻ.

Nhưng vấn đề còn latency, synchronization, irregular traffic và topology.

Một GPU không gửi cùng một tensor 4 GB đẹp đẽ sang GPU bên cạnh.

Nó có thể nhận vô số spike nhỏ từ vô số nơi.

Đây chính xác là dạng workload khiến hệ thống distributed thích ngồi xuống khóc.

Và cũng giải thích vì sao neuromorphic computing vẫn đáng chú ý: kiến trúc event-driven tự nhiên hợp với spike hơn GPU vốn sinh ra để nghiền matrix.

Chạy được rồi, làm sao biết nó đúng?

Đây là phần mình thấy hay nhất của luận văn.

Giả sử một ngày ta chạy được một con zebrafish kỹ thuật số.

Nó có 100.000 neuron.

Activity nhìn khá giống thật.

Vậy đạt chưa?

Chưa chắc.

Không thể chỉ so từng neuron theo thời gian

Giả sử:

1t = 0
2brain thật:  A B C D
3brain giả:   A B C D

Sau vài giây:

1brain thật:  X K M P
2brain giả:   Y J N Q

Có thể simulator sai.

Nhưng cũng có thể cả hai đều đúng.

Não là hệ động lực phức tạp, có stochasticity và chaos. Một sai khác cực nhỏ ở trạng thái ban đầu có thể khiến trajectory phân kỳ.

Vì vậy benchmark không thể chỉ hỏi:

“Neuron số 823 có đúng voltage tại millisecond 18.273 không?”

Thesis đề xuất nhìn rộng hơn:

• distribution của firing rate,
• population dynamics,
• response đối với stimulus,
• causal perturbation,
• behavior,
• khả năng generalize sang tình huống chưa thấy.

Embodied Turing Test

Một ý tưởng rất đẹp là embodied Turing test.

Không hỏi con giun giả:

“Bạn có phải con giun không?”

Con giun có khi còn không hiểu câu hỏi.

Ta đặt nó vào môi trường.

Có thức ăn.

Có nhiệt độ.

Có chemical gradient.

Có va chạm.

Rồi xem:

• nó bò có giống không?
• tìm thức ăn có giống không?
• tránh stimulus có giống không?
• learning có giống không?

Nếu một C. elegans kỹ thuật số phản ứng với môi trường gần giống con thật, chúng ta đã capture được một thứ quan trọng.

Nhưng behavior vẫn chưa đủ.

Một lookup table khổng lồ cũng có thể giả vờ hành xử đúng.

Vì vậy phải kết hợp:

1anatomy
2+
3neural activity
4+
5causal perturbation
6+
7behavior

Không có một benchmark duy nhất.

Phải là một benchmark suite, giống cách ta đánh giá AI bằng nhiều bài test khác nhau.

Brain emulation không phải bài toán “build model to hơn”

Có một điều rất đáng suy nghĩ ở đây.

Nhìn từ xa, người ta có thể tưởng:

186 tỷ neuron
2→ mua thật nhiều GPU
3→ chạy
4→ xong brain

Nhưng thesis cho thấy chuỗi thật gần với:

 1sinh vật
 2↓
 3sample preparation
 4↓
 5slicing
 6↓
 7electron microscopy
 8↓
 9petabyte/zettabyte dữ liệu
10↓
11registration
12↓
13segmentation
14↓
15tracing
16↓
17proofreading
18↓
19connectome
20↓
21molecular annotation
22↓
23functional recording
24↓
25structure-to-function model
26↓
27distributed simulator
28↓
29body model
30↓
31environment
32↓
33benchmark
34↓
35wet-lab validation

Một mắt xích sai là toàn bộ chuỗi lung lay.

Đây không phải một bài toán AI.

Không phải một bài toán neuroscience.

Không phải một bài toán HPC.

Nó là một bài toán system engineering khổng lồ đứng đúng ở giao điểm của tất cả những thứ đó.

Vì sao AI lại có thể làm dự án này tiến nhanh hơn?

Có một nghịch lý khá vui.

Cơ sở hạ tầng đang được xây để huấn luyện AI có thể chính là cơ sở hạ tầng khiến brain emulation trở nên khả thi.

Machine learning có thể xuất hiện gần như ở mọi tầng:

 1microscope
 2    ↓
 3adaptive acquisition
 4
 5image
 6    ↓
 7compression
 8
 9volume
10    ↓
11segmentation
12
13segment
14    ↓
15tracing
16
17connectome
18    ↓
19annotation
20
21structure
22    ↓
23function prediction
24
25neuron equations
26    ↓
27surrogate models

Thesis dẫn SmartEM như một ví dụ về việc ML điều chỉnh thời gian acquisition tùy độ khó vùng ảnh, đạt mức giảm đáng kể thời gian chụp trong thí nghiệm. Machine learning cũng đã thay đổi mạnh neuron segmentation và proofreading, vốn là phần chi phí rất lớn của connectomics.

Tức AI không nhất thiết thay thế neuroscience.

Nó có thể trở thành máy xúc.

Còn connectomics là công trường.

Một dự án như vậy tốn bao nhiêu?

Freeman so sánh brain emulation với những megaproject như:

• Human Genome Project,
• Manhattan Project,
• Apollo.

Từ các interview và Fermi estimate, thesis đưa ra khoảng rất rộng:

5-50 tỷ USD trong 10-25 năm cho human-scale connectomics và simulation.

Tác giả nhấn mạnh đây không phải forecast chính xác; các con số phụ thuộc cực mạnh vào tốc độ cải tiến của microscopy, automation, reconstruction, storage và compute.

Con số 50 tỷ USD nghe rất to.

Nhưng vấn đề thú vị ở đây không phải “50 tỷ có đắt không?”.

Mà là một câu khác:

Có phải chúng ta vừa đi từ một bài toán tưởng vi phạm khoa học viễn tưởng sang một bài toán có thể viết proposal, chia milestone và lập budget hay không?

Đó là thay đổi nhận thức quan trọng nhất mà thesis muốn tạo ra.

Nhưng vẫn còn những cái hố rất lớn

Nếu đọc bài này rồi kết luận:

“20 năm nữa upload não thôi.”

thì hơi nhanh.

Chính thesis cũng thừa nhận ba trụ cột đều chưa đạt scale cần thiết cho whole-human-brain emulation.

Connectome chưa chắc chứa đủ thông tin

Hai neuron nối nhau chưa cho biết toàn bộ:

• receptor composition,
• ion-channel distribution,
• synaptic plasticity,
• neuromodulation,
• intracellular state,
• gene expression,
• glial interaction.

Ta chưa biết fidelity tối thiểu cần bao nhiêu.

Functional ground truth ở người còn rất xa

Cá nhỏ trong suốt thì dễ.

Não người nằm sau hộp sọ, dày hàng centimet và tán xạ ánh sáng như một đám mây sinh học đặc quánh.

Whole-brain, single-neuron, single-spike recording ở người hiện vẫn ngoài khả năng kỹ thuật.

Bộ não không sống trong cái lọ

Não nhận tín hiệu từ:

• mắt,
• tai,
• da,
• ruột,
• hormone,
• cơ bắp,
• hệ miễn dịch.

Nó điều khiển cơ thể.

Cơ thể thay đổi môi trường.

Môi trường quay lại thay đổi não.

BAAIWorm là một ví dụ thú vị: thay vì chỉ chạy não C. elegans, mô hình ghép cả brain, body và environment thành closed loop.

Nếu bỏ cơ thể ra khỏi bài toán, có thể ta đang mô phỏng một thứ chưa bao giờ tồn tại trong tự nhiên.

Và ý thức vẫn là một cái hố khác

Một simulator có behavior đúng chưa chắc “có trải nghiệm”.

Một bản sao neuron-by-neuron có phải là một con người không?

Nếu copy hai lần thì bản nào là người gốc?

Thesis chủ động không giải quyết sâu tầng đạo đức, pháp lý và triết học này.

Có lẽ như vậy là đúng.

Trước khi cãi xem bản sao có linh hồn hay không, ít nhất nên làm cho con cá giả bơi đúng đã.

Điều mình thấy đáng chú ý nhất

Thứ mạnh nhất trong Scaling Brain Emulation không phải con số (6\times10^{20}) FLOP/s.

Không phải 86 tỷ neuron.

Cũng không phải viễn cảnh sống bất tử trong máy tính.

Nó là một thay đổi rất nhỏ trong cách đặt câu hỏi.

Ngày trước câu hỏi là:

“Con người có thể sao chép bộ não không?”

Một câu hỏi quá lớn.

Gần như triết học.

Còn thesis biến nó thành:

 1Chụp được bao nhiêu nm?
 2
 3Bao nhiêu voxel/s?
 4
 5Bao nhiêu PB?
 6
 7Bao nhiêu USD/neuron?
 8
 9Bao nhiêu neuron ghi đồng thời?
10
11Bao nhiêu FLOP/s?
12
13Bao nhiêu byte/synapse?
14
15Bao nhiêu GB/s giữa GPU?
16
17Benchmark thế nào?

Và khi một câu hỏi có đơn vị đo, nó bắt đầu thay đổi bản chất.

Từ phép màu thành engineering.

Từ tưởng tượng thành backlog.

Từ “không thể” thành:

“Cái nào đang bottleneck?”

Đó là cách rất nhiều công nghệ bước vào thế giới thật.

Không có khoảnh khắc thần thánh nào nơi một nhà khoa học hét lên “Eureka, ta đã tạo ra bộ não!”.

Có thể chỉ có một chuỗi dài hàng chục năm:

 1302 neuron
 2↓
 33.000 neuron
 4↓
 5140.000 neuron
 6↓
 71 triệu
 8↓
 910 triệu
10↓
11100 triệu
12↓
13...

Mỗi bước có một cái kính tốt hơn.

Một thuật toán segmentation tốt hơn.

Một ổ cứng lớn hơn.

Một interconnect nhanh hơn.

Một simulator ít ngu hơn.

Một benchmark khó hơn.

Rồi một ngày con người quay lại và phát hiện thứ từng được gọi là khoa học viễn tưởng đã biến thành một đống server đang nóng rực trong datacenter.

Không có gì là hoàn toàn ảo.

Nếu một bộ não số thật sự xuất hiện, phía dưới suy nghĩ của nó vẫn sẽ là transistor, electron, photon, HBM, cáp quang, hệ thống làm mát và hàng nghìn tỷ spike đang chạy qua những đường dây vật lý rất thật.

Có lẽ điều kỳ lạ nhất của brain emulation không phải việc một ngày nào đó tâm trí có thể chạy trong máy.

Mà là chuyện thứ tinh tế nhất mà chúng ta biết — ký ức, cảm giác, sợ hãi, tình yêu, cái ý nghĩ rất nhỏ đang chạy qua đầu mình lúc này — cuối cùng có thể buộc chúng ta phải quay xuống nhìn một câu hỏi cực kỳ vật chất:

Rốt cuộc cần bao nhiêu byte để chứa một con người?

Tổng kết

From Worm to Human: Scaling Brain Emulation không chứng minh rằng whole-brain emulation của con người sắp xảy ra.

Nó làm một việc thực dụng hơn: chia bài toán thành ba trụ cột lớn:

• Structural mapping: biết neuron và synapse nằm ở đâu, nối với ai.
• Functional recording: biết chúng hoạt động như thế nào trong sinh vật thật.
• Simulation + benchmarking: tái tạo dynamics và chứng minh mô hình thực sự giống biology.

Compute đang tăng rất nhanh, đến mức raw FLOPS có thể không còn là trở ngại tuyệt đối như trước.

Nhưng imaging, reconstruction, functional data, memory capacity, interconnect, structure-to-function modelling và validation vẫn là những bài toán khổng lồ.

Con đường hợp lý cũng không phải nhảy thẳng vào bộ não người.

Nó là:

1worm
2→ fly
3→ zebrafish
4→ mouse
5→ human

Mỗi sinh vật là một bài kiểm tra cho công nghệ cần thiết ở tầng kế tiếp.

Và nếu có một ngày chúng ta thực sự xây được một brain emulation đủ tốt, có lẽ nó cũng sẽ không xuất hiện nhờ một phát minh duy nhất.

Nó sẽ xuất hiện vì hàng nghìn cải tiến nhỏ cuối cùng chạm vào nhau.

Cảm ơn các bạn đã quan tâm và theo dõi bài viết, hẹn gặp lại ở các bài viết tiếp theo.

Tham khảo

• Isaak Freeman, From Worm to Human: Scaling Brain Emulation: https://pdf.isaak.net/scaling-emulations
• Niccolò Zanichelli et al., State of Brain Emulation Report 2025: https://arxiv.org/abs/2510.15745
• Dorkenwald et al., Neuronal wiring diagram of an adult brain: https://www.nature.com/articles/s41586-024-07558-y
• Shiu et al., A Drosophila computational brain model reveals sensorimotor processing: https://www.nature.com/articles/s41586-024-07763-9
• Lueckmann et al., ZAPBench: A Benchmark for Whole-Brain Activity Prediction in Zebrafish: https://arxiv.org/abs/2503.02618
• Lu et al., Simulation and assimilation of the digital human brain: https://arxiv.org/abs/2211.15963
• Zhao et al., An integrative data-driven model simulating C. elegans brain, body and environment interactions: https://www.nature.com/articles/s43588-024-00738-w