FROM LEARNING TO SILICON LOGIC
果蝇诞生记
不是换一张皮肤，而是尝试另一种做决定的结构。
01 · 老师出题，学生学习
最终老师是 Atlas 原来的训练程序。它针对局面提供动作评分，果蝇学生学习这些偏好。Atlas NFT 不会在对战时偷偷替学生做决定。
02 · 先解决学不会的问题
早期学生连训练题也没学好。我们对比普通结构、增加输入与可训练自由度、调整老师和动作评分目标。不是给果蝇图片加灯光就能得到聪明玩家；训练方法与信息是否充分同样关键。
03 · 保留结构，再压缩运算
保留的是 64 节点、1,371 条连接的参与网络，不是把整只果蝇全部装进芯片。第一轮约 681 万～729 万 NAND；随后减少重复运算、共享乘加电路、用 LATCH 保存中间状态，再用模块复用。量化与原浮点并非逐动作相同；后续精确压缩保持冻结定点行为。
04 · 变成真实 NFT
果蝇 11 最终部署为根 NFT #39 和 36 个子 NFT：56,702 NAND、1,615 LATCH。逻辑视图的 28 个模块与链上 36 个子模块并不矛盾：为了满足单笔交易限制，部分模块再次拆分。使用库存 NAND 的完整制作实际支出为 0.019711784811398069 BNB。
05 · 看清结果与限制
历史 R8 的 5,760 局循环对战中，压缩版得分率 50.00%，原浮点 49.78%，Atlas 51.35%（平局计半分）。这不是果蝇更强的证明。十几万个光点是真实解剖坐标，只有参与网络显示人工模型计算。NFT 不会边玩边学习；完整游戏仍在链外运行。