Mouche vs Humain

Vous jouez les rouges. Simone, une mouche simulée par ordinateur, joue les jaunes. Personne ne lui a appris les règles : elle regarde le plateau, son cerveau réagit, et elle joue la colonne vers laquelle elle se tourne. À droite, vous voyez son cerveau s'allumer pendant qu'elle réfléchit.

Chargement du plateau…

Comment Simone choisit sa colonne

  1. Elle regarde le plateau. On calcule ce que voit chaque petite facette de ses yeux.
  2. Son cerveau réagit. L'image passe de neurone en neurone, en suivant exactement les branchements du cerveau d'une vraie mouche.
  3. Elle tourne, puis elle joue. Si ses neurones du virage s'activent plus à gauche, elle tourne à gauche, et inversement. Quand elle s'arrête, elle joue la colonne en face d'elle.

Aucune règle du Puissance 4 n'est programmée : tout vient de son cerveau.

D'où vient son cerveau ?

Des chercheurs ont découpé le cerveau d'une vraie mouche en tranches ultra-fines, les ont photographiées au microscope, puis ont retracé chaque neurone et chaque branchement. Cette carte complète contient 166 700 neurones. Simone en utilise environ 27 000 : ceux qui servent à voir et à tourner.

Est-ce qu'elle joue bien ?

Non. Sur 1 200 parties de test, elle gagne aussi souvent qu'un joueur qui joue au hasard, avec juste une petite préférence pour la gauche. C'est normal : une mouche n'a jamais appris le Puissance 4. Ce n'est ni une vraie mouche, ni une intelligence artificielle entraînée à gagner, mais la simulation de son cerveau.

Tuto : faire tourner Simone sur votre ordinateur

Environ 10 minutes, sans rien savoir coder. Ça marche sur Windows, Mac et Linux. Le cerveau de Simone est déjà inclus dans le projet : il n'y a rien d'autre à télécharger.

Avant de commencer

  • Installez Node.js : sur nodejs.org, cliquez sur le bouton « LTS », puis suivez l'installation.
  • Ouvrez un terminal : sur Windows, cherchez « Terminal » dans le menu Démarrer ; sur Mac, cherchez « Terminal » avec Spotlight (Cmd + Espace).

Les 4 étapes

  1. Téléchargez le projet. Sur la page GitHub du projet, cliquez sur le bouton vert « Code », puis « Download ZIP ». Décompressez le fichier. Dans le terminal, tapez cd suivi d'un espace, glissez le dossier décompressé dans la fenêtre du terminal, puis appuyez sur Entrée.
    Si vous connaissez Git : git clone https://github.com/Martin-DevSaas/mouche-vs-humain.git puis cd mouche-vs-humain.
  2. Installez les outils du projet (une seule fois, 1 à 2 minutes) :
    npm install
  3. Lancez le jeu :
    npm run dev
  4. Jouez : ouvrez http://localhost:3000 dans votre navigateur. Pour arrêter, revenez dans le terminal et appuyez sur Ctrl + C.

Pour aller plus loin (facultatif)

  • Le mettre en ligne : créez un compte sur vercel.com, cliquez sur « Add New… → Project » et importez le projet depuis GitHub. Il n'y a rien à régler : au bout de 2 minutes, vous avez votre propre adresse.
  • Refabriquer le cerveau à partir des données brutes : inutile pour jouer. Il faut Python et environ 12 Go d'espace libre. La marche à suivre est dans le fichier tools/fly-connectome/README.md du projet.
Crédits & sources

Données et code réutilisés

  • Connectome MaleCNS v1.0 (neurones, synapses, neurotransmetteurs prédits, neuropiles, colonnes optiques) — Janelia FlyEM, MRC LMB Cambridge, Google Research et al. Berg S. et al. Sexual dimorphism in the complete connectome of the Drosophila male central nervous system. Cell 189, 5504–5526 (2026). doi:10.1016/j.cell.2026.08.015. Licence CC-BY 4.0. male-cns.janelia.org
  • Enregistrements de DNa01/DNa02 utilisés pour mesurer le gain de virage — Rayshubskiy, Holtz, Bates, Vanderbeck, Serratosa Capdevila, Rockwell & Wilson. Harvard Dataverse, doi:10.7910/DVN/0NCLP1. Licence CC0. doi.org/10.7910/DVN/0NCLP1
  • Modèle de neurone (paramètres et équations), reproduit en TypeScript — Shiu, Sterne, Spiller, Franconville et al. github.com/philshiu/Drosophila_brain_model (commit 91bdd1e). Licence MIT. github.com/philshiu/Drosophila_brain_model
  • Les données FlyWire (licence CC BY-NC) ont servi uniquement hors ligne, pour valider le moteur de simulation ; elles ne sont pas utilisées sur cette page.

Articles

  • Shiu P.K. et al. A Drosophila computational brain model reveals sensorimotor processing. Nature 634, 210–219 (2024).
  • Rayshubskiy A. et al. Neural circuit mechanisms for steering control in walking Drosophila. eLife (2025). doi:10.7554/eLife.102230
  • Nern A. et al. Connectome-driven neural inventory of a complete visual system. Nature 641 (2025). doi:10.1038/s41586-025-08746-0
  • Zhao A. et al. Eye structure shapes neuron function in Drosophila motion vision. Nature 646, 135–142 (2025). doi:10.1038/s41586-025-09276-5
  • Sharkey C.R. et al. The spectral sensitivity of Drosophila photoreceptors. Sci. Rep. 10, 18242 (2020).
  • Juusola M. et al. Microsaccadic sampling of moving image information provides Drosophila hyperacute vision. eLife 6, e26117 (2017).
  • Govardovskii V.I. et al. In search of the visual pigment template. Vis. Neurosci. 17, 509–528 (2000).
  • Mallett I., Yuksel C. Spectral primary decomposition for rendering with sRGB reflectance. EGSR (2019).
  • Wang-Chen S. et al. NeuroMechFly v2: simulating embodied sensorimotor control in adult Drosophila. Nat. Methods 21 (2024). doi:10.1038/s41592-024-02497-y
  • Maimon G., Straw A.D., Dickinson M.H. A simple vision-based algorithm for decision making in flying Drosophila. Curr. Biol. 18, 464–470 (2008).
  • Reichardt W., Wenking H. Optical detection and fixation of objects by fixed flying flies. Naturwissenschaften 56, 424–425 (1969).
  • Laughlin S. A simple coding procedure enhances a neuron's information capacity. Z. Naturforsch. 36c, 910–912 (1981).
  • Ito K. et al. A systematic nomenclature for the insect brain. Neuron 81, 755–765 (2014).
  • Borst A., Haag J., Reiff D.F. Fly motion vision. Annu. Rev. Neurosci. 33, 49–70 (2010).
  • Wu M. et al. Visual projection neurons in the Drosophila lobula link feature detection to distinct behavioral programs. eLife 5, e21022 (2016).
  • Omoto J.J. et al. Visual input to the Drosophila central complex by developmentally and functionally distinct neuronal populations. Curr. Biol. 27, 1098–1110 (2017).
  • Seelig J.D., Jayaraman V. Neural dynamics for landmark orientation and angular path integration. Nature 521, 186–191 (2015).
  • Hulse B.K. et al. A connectome of the Drosophila central complex reveals network motifs suitable for flexible navigation and context-dependent action selection. eLife 10, e66039 (2021).
  • Namiki S. et al. The functional organization of descending sensory-motor pathways in Drosophila. eLife 7, e34272 (2018).
  • Aso Y. et al. The neuronal architecture of the mushroom body provides a logic for associative learning. eLife 3, e04577 (2014).
  • Vosshall L.B., Stocker R.F. Molecular architecture of smell and taste in Drosophila. Annu. Rev. Neurosci. 30, 505–533 (2007).
  • Kamikouchi A. et al. The neural basis of Drosophila gravity-sensing and hearing. Nature 458, 165–171 (2009).
  • Clark D.A. et al. Defining the computational structure of the motion detector in Drosophila. Neuron 70, 1165–1177 (2011).
  • Behnia R. et al. Processing properties of ON and OFF pathways for Drosophila motion detection. Nature 512, 427–430 (2014).
  • Maisak M.S. et al. A directional tuning map of Drosophila elementary motion detectors. Nature 500, 212–216 (2013).
  • Klapoetke N.C. et al. Ultra-selective looming detection from radial motion opponency. Nature 551, 237–241 (2017).

Projet indépendant, sans lien avec les auteurs ni avec les fabricants de jeux. Détails techniques : fichiers SCIENTIFIC_NOTES.md et tools/fly-connectome/REPORT.md du code du projet.