深度神经网络在众多复杂任务中已达到顶尖水平，但面对新环境或感官输入缺失时往往表现得十分脆弱。与之形成鲜明对比的是，生物系统对这类挑战展现出惊人的容忍度。一篇新发表于arXiv的论文提出了一种受生物启发的方法：直接根据果蝇（Drosophila melanogaster）突触分辨率的大脑连接组来构建循环神经网络（RNN），并测试其作为机器人导航控制器的可行性。
该网络被命名为FLYNN（Fly connectome Neural Network）。研究团队在MuJoCo物理仿真环境中训练FLYNN执行基于视觉的导航任务。结果显示，FLYNN的性能与参数量相近的现代手工设计网络相当。然而，真正的亮点在于鲁棒性：在分布外（OOD）数据上，FLYNN表现出更强的抵抗力；在面对感官输入丢失时，它同样展现出更好的容忍度，而且无需额外训练。
最引人注目的实验结果是，即使在完全失去视觉输入的情况下，FLYNN仍然能够维持一定功能，而手工设计的网络则大多彻底失败——即便这些手工网络在训练时专门使用了摄像头随机丢弃（camera dropout）技术来增强鲁棒性。这一对比凸显了生物拓扑结构在应对传感器故障方面的内在优势。
为了探究这种鲁棒性的来源，作者对FLYNN的内部状态进行了主成分分析（PCA）。分析表明，FLYNN表现出特别高的表征模块化（representational modularity）程度，即不同功能子网络在状态空间中相对独立地运作。研究者推测，这种模块化可能是其鲁棒性的关键因素：当部分输入缺失时，模块化的表征可以限制损伤的传播，而手工网络则更容易出现全局性失效。
该论文由Benquan Wang等作者提交，属于机器人学（cs.RO）和人工智能（cs.AI）交叉领域。文章摘要指出，这项工作为设计具有弹性的人工智能代理开辟了新方向：通过模仿生物大脑的拓扑结构，而不是仅仅依赖规模更大的通用网络，来获得对未知环境和传感器故障的适应能力。未来，这种连接组驱动的设计思路或许能推广到其他机器人任务，并启发更广泛的神经形态计算研究。