Stonkfly est une simulation open source qui transforme les données publiques BTC-USDC en graphique en chandeliers RGB, puis envoie cette image à un connectome virtuel de mouche mâle. Le système produit des propositions d’achat, de vente ou de conservation. Son intérêt tient à cette chaîne étonnante entre pixels, activité neuronale simulée et marché crypto — pas à une rentabilité démontrée.
Un cerveau virtuel de mouche face à un graphique crypto
Stonkfly s’appuie sur MaleCNS v1.0, un graphe neuronal simulé représentant le système nerveux d’une mouche mâle. Le modèle reçoit une représentation visuelle du marché et son readout neuronal fixe transforme l’activité simulée en trois sorties possibles : acheter, vendre ou conserver.
Il ne s’agit ni d’une mouche biologique ni d’un cerveau vivant placé devant une plateforme de trading. Le projet reproduit une architecture de connexions et lui associe une interface de marché. La nuance est essentielle : une carte neuronale simulée peut servir de modèle informatique sans constituer une réplique complète de la physiologie vivante.
Le marché transformé en pixels
Stonkfly ne transmet pas directement les cours numériques aux entrées visuelles du modèle. Les prix publics de Coinbase sont d’abord rendus sous la forme d’un graphique en chandeliers RGB. Les photorécepteurs simulés reçoivent donc des informations de luminosité et de couleur, comme une scène visuelle à interpréter.
La description de l’affichage fait état d’un écran de 320 × 180 pixels réparti entre les deux yeux simulés, avec une zone centrale où leurs champs se recoupent. L’implémentation mentionne séparément 3 335 entrées de luminosité et 811 entrées couleur R8. Ces deux descriptions ne doivent pas être confondues avec une correspondance pixel par pixel : elles désignent des niveaux différents de l’interface.
Cette étape donne au projet son idée la plus intéressante. Le modèle ne lit pas une colonne de prix comme le ferait un programme classique ; il reçoit une image codée en couleurs et doit produire une réponse à partir de l’activité de son réseau simulé.
Des signaux de renforcement conçus pour la simulation
Le système associe les variations de la performance du portefeuille à des signaux de renforcement. Un résultat positif stimule 15 cellules dopaminergiques PAM11 ; un résultat négatif stimule deux cellules aversives PPL101.
Ces signaux sont conçus pour guider la simulation. Ils ne représentent pas des récepteurs de douleur et ne prouvent ni plaisir, ni conscience, ni expérience subjective. Autre garde-fou important : une variation positive du portefeuille ne prouve pas que la dernière décision a causé le gain, notamment lorsque des changements non réalisés et les frais entrent dans le calcul du résultat.
Le graphe MaleCNS v1.0 compte 166 700 nœuds et 25 582 938 connexions dirigées. Il comporte également 124 177 617 contacts synaptiques. Ces nombres décrivent une structure de câblage simulée ; ils ne suffisent pas à établir une reproduction complète du fonctionnement d’une mouche vivante.
Ce que Stonkfly fait réellement
Le fonctionnement peut se résumer en quatre étapes :
- Les données publiques du marché BTC-USDC sont converties en graphique en chandeliers RGB.
- Le graphique est présenté aux entrées visuelles du connectome simulé.
- L’activité neuronale passe par un readout fixe qui associe ses sorties à l’achat, la vente ou la conservation.
- Les variations positives ou négatives du portefeuille alimentent les signaux de renforcement prévus par la simulation.
Aucun grand modèle de langage ne choisit les opérations. Le readout neuronal est fixe, et un mécanisme de garde peut refuser une action ; il ne fabrique pas pour autant une décision rentable de remplacement.
Un mode papier, mais pas une stratégie prouvée
Le fonctionnement par défaut repose sur des opérations fictives et un solde simulé de 100 dollars, avec des données publiques réelles sur la paire BTC-USDC. Cette configuration permet d’observer le comportement du modèle sans présenter le projet comme un outil d’investissement.
La question décisive reste donc simple : Stonkfly a-t-il prouvé qu’un cerveau virtuel de mouche pouvait trader de façon rentable ? Non. L’apprentissage profitable et une véritable capacité de trading n’ont pas été démontrés. Le fait de produire des signaux d’achat, de vente ou de conservation ne suffit pas à établir une capacité prédictive sur le marché.
C’est ici que l’expérience rejoint une règle valable pour beaucoup de projets d’intelligence artificielle : une sortie plausible n’est pas une performance mesurée. Pour parler de stratégie, il faudrait distinguer le hasard, la hausse générale du marché, les frais, les décisions réellement exécutées et la capacité à reproduire le résultat dans d’autres conditions. Stonkfly, tel qu’il est décrit, reste une démonstration d’architecture et de simulation.
Une configuration orientée développement
Le projet cible macOS et Linux. Il recommande Python 3.11, un compilateur C++17 et 16 Go de mémoire vive. Ces exigences donnent une idée de la charge nécessaire pour exécuter le modèle, mais elles ne disent rien de ses résultats financiers.
L’essentiel à retenir est ailleurs : Stonkfly montre comment une structure neuronale inspirée d’un connectome peut être branchée sur une représentation visuelle de données de marché. Il ne transforme pas pour autant cette carte neuronale en trader autonome, ni ses propositions en conseil financier. Pour l’instant, la nouveauté est dans le chemin parcouru par l’information — du cours converti en pixels jusqu’au signal d’action — et non dans une preuve de supériorité face au marché.
