盡管它們的視覺系統簡單，但果蠅能夠基于視線單獨地可靠地區分個體。這是一項任務，即使是一生都在研究果蠅(Drosophila melanogaster)的人。研究人員現在已經建立了一個神經網絡，模仿果蠅的視覺系統，可以區分和重新識別蒼蠅。這可能使全世界成千上萬的實驗室使用果蠅作為模型生物進行更多的縱向工作，觀察個體果蠅如何隨時間變化。它還提供了證據表明，不起眼果蠅的視力比以前認為的更清晰。

在一個跨學科項目中，圭爾夫大學和密西沙加多倫多大學的研究人員將果蠅生物學方面的專業知識與機器學習相結合，建立了一種基于生物學的算法，通過低分辨率的果蠅視頻進行攪拌，以測試它是否在物理上具有這種約束的系統可能完成這樣一個困難的任務。

果蠅的復眼很小，可以獲取有限的視覺信息，估計有29個單位的平方(圖1A)。傳統觀點認為，一旦圖像由果蠅處理，它只能區分非常廣泛的特征(圖1B)。但是最近發現果蠅可以通過微妙的生物技巧提高它們的有效分辨率(圖1C)，這使得研究人員相信視力可以對蒼蠅的社會生活做出重大貢獻。結合他們的視覺系統結構看起來很像深度卷積網絡(DCN)的發現，帶領團隊問：“我們能夠模擬能夠識別個體的飛行大腦嗎?”

他們的計算機程序具有與果蠅相同的理論輸入和處理能力，并且在兩天內對一只蒼蠅的視頻進行了訓練。然后，它能夠在第三天可靠地識別相同的飛行，其中F1得分(一種結合精度和召回的度量)為0.75。令人印象深刻的是，對于沒有蠅腦生物學限制的算法，這僅比0.85和0.83的分數略差。為了進行比較，當給出一個更容易的任務，即將一只蒼蠅的“面部照片”與其他20個地方相匹配時，經驗豐富的人類飛行生物學家只能得到0.08的分數。隨機幾率為0.05。

根據Jon Schneider的說法，該論文的第一作者本周將在PLOS ONE上發表，該研究指出“誘人的可能性，不僅僅是能夠識別廣泛的類別，果蠅能夠區分個體。所以當一個人登陸時在另一個旁邊，它是“嗨鮑勃，嘿愛麗絲”“。

Graham Taylor，一位機器學習專家和CIFAR Azrieli全球學者在機器和大腦學習計劃中，對于在視覺任務中擊敗人類的前景感到興奮。“許多深度神經網絡應用程序試圖復制和自動化人類的能力，如面部識別，自然語言處理或歌曲識別。但它們很少超出人類的能力。因此，找到算法可以勝過人類的問題令人興奮。”

實驗在多倫多密西沙加大學實驗室進行，該實驗室是CIFAR兒童與大腦發展項目的高級研究員Joel Levine。他對這樣的研究未來寄予厚望。“將深度學習模型與神經系統配對的方法非常豐富。它可以告訴我們模型，神經元如何相互通信，它可以告訴我們整個動物。這是一種令人興奮的事情。它是未開發的領土。”

Schneider總結了各學科之間的工作：“像這樣的項目是神經生物學家和機器學習研究人員共同合作的一個完美舞臺，可以揭示任何系統生物學或其他方式學習和處理信息的基本原理。”