当人工智能在虚拟世界中展现出惊人的语言理解和图像生成能力后，如何让智能系统在真实物理环境中稳定运行，成为科技界关注的焦点。近期，两个关于数字生命的研究项目引发广泛讨论，它们分别代表了不同技术路线对物理智能的探索路径。
美国Eon Systems团队打造的虚拟果蝇项目，通过构建包含14万个神经元和5000万条突触连接的连接组模型，配合87个独立关节的生物力学躯体，在MuJoCo物理引擎中实现了觅食、触角梳理等基础行为。这个项目采用泄漏积分发放（LIF）神经元模型，通过简化神经动力学机制，在仿真环境中完成了"脑-身-环境"的初步闭环。尽管研究团队明确表示当前模型存在人工映射设定和感觉输入覆盖不足等限制，但数字果蝇在虚拟环境中展现出的自然行为，仍引发了公众对"意识上传"的热烈讨论。
中国知跃空间智能团队推出的DeepSoma平台，则选择了更具挑战性的技术路线。该系统从单个神经元的生物物理特性出发，对树突形态、膜电位变化、离子通道动力学等微观机制进行精确建模，再通过连接组数据构建全脑网络。这种自下而上的建模方式，使得每个神经元都成为可观测、可调控的计算单元，为理解智能的涌现机制提供了全新视角。相较于Eon的简化模型，DeepSoma的神经元建模复杂度提升了两个数量级。
在环境构建方面，DeepSoma突破了传统物理仿真框架的局限。研究团队开发了动态4D数字世界重建技术，能够实时捕捉真实场景中的几何结构、物理属性和语义信息。这种环境建模方式不仅为神经网络提供了更丰富的训练数据，还支持跨模态感知信息的有机融合。当虚拟躯体在重建环境中移动时，系统会持续更新空间坐标、物体关系和物理反馈，形成闭环的感知-动作系统。
作为基础研究平台，DeepSoma实现了三个核心模块的深度整合：可交互的数字世界构建、从神经元到全脑的动力学模拟、跨躯体智能体接入。这种架构设计使得同一套脑模型可以映射到不同形态的智能体，包括数字动物、生物实验系统和人形机器人。在实验中，研究团队成功将果蝇脑模型接入机械臂系统，通过调整神经元参数实现了对抓取动作的精细控制，验证了跨躯体迁移的可行性。
两个项目的技术差异体现在多个层面。Eon方案侧重于在仿真环境中验证连接组模型的可行性，采用工程化手段优化计算效率；DeepSoma则追求生物真实性与计算可扩展性的平衡，通过分层建模策略兼顾微观细节与宏观功能。在脑-身映射方面，前者依赖人工设定的转换规则，后者致力于发展自动化的映射算法。这些差异反映了当前物理智能研究的两条主要路径：自上而下的功能模拟与自下而上的机制还原。
物理智能的发展正催生新的技术范式需求。传统深度学习框架在处理连续时空数据、实时物理交互和跨模态感知等方面面临挑战，这促使研究者重新审视生物神经系统的运作方式。DeepSoma团队提出的"世界-大脑-智能体"三元架构，试图构建一个通用的计算框架，就像PyTorch为深度学习提供统一开发环境那样，为物理智能研究提供基础工具链。这种范式转移可能带来计算效率的质的提升，特别是在处理动态环境中的复杂决策任务时。
当前研究仍面临诸多挑战。全脑网络的大规模仿真需要突破现有计算架构的能效瓶颈，生物物理模型的验证缺乏标准化实验范式，跨躯体迁移的泛化能力有待提升。知跃空间智能团队正在开展系统性测试，包括不同规模神经网络的运行稳定性、仿真结果与生物实验的数据对齐、脑-身映射规则的自动化生成等关键指标。这些基础性工作将决定物理智能系统能否从实验室走向真实应用场景。
