《經濟學人》最新封面評下一個前沿技術：腦機介面正等待遠見者的到來

本期《經濟學人》共刊發封面文章 6 篇，全部關於腦機介面技術。機器之心節選了其中三篇分享給讀者，這三篇文章分別著眼於腦機介面當下的進展、從大腦中提取數據的方式、以及數據獲取後的使用方式進行了解析。讀罷您將清楚地了解到腦機介面技術此刻所取得的成就、已經應用的領域、遇到的困難與挑戰等。

編譯 | 陳韻竹、張震、Edison Ke、王藝

來源 | 經濟學人

腦機介面

這聽起來像是科幻小說中才會出現的概念。

在日內瓦 Wyss 生物和神經工程中心裡，實驗所用的設備上閃爍著微光。一名實驗技術人員從培養箱中取出一塊孔板，每個孔中存有一小塊來人類幹細胞的腦組織，腦組織底部排有電極陣列。屏幕顯示著電極正在提取的特徵：放電神經元的特徵峰谷波形。

這些腦組織已經脫離母體，我們卻仍能看到信號的產生，實在是件怪事。神經元放電是生物智能的基礎，這些電信號聚合在一起，獲取記憶、引導動作、整理思想。就在你讀這句話的時候，神經元正在你的大腦中放電：理解頁面上的字母形狀； 把這些形狀變成音位，再把這些音位變成辭彙；並給這些詞賦予含義。

這樣的信號交響樂真叫人眼花繚亂。成年人腦中神經元多達 850 億個；其中，一個典型的神經元與其他神經元有 10000 個連接。人類正嘗試解開這些神經元互相連接的方式，儘管這些研究正處於初期階段，但是，一旦大腦的秘密被解開，令人矚目的科研成果將紛至沓來。例如，通過解碼神經活動，我們能夠利用這些代碼控制外部設備。

人腦與機器直接溝通，需要一個腦機介面（BCI）做通道。其實，腦機介面的使用歷史可以被追溯至 2004 年，那一年，一個名為 BrainGate 的系統 被植入到 13 名癱瘓者的腦中。這個系統由布朗大學研發（其他一些科研院所也有類似的設備），名為猶他電極陣列的小電極陣列被植入到運動皮層（大腦用於管理運動的一部分）中。這些電極對神經元進行監測，如果被植入者在其意識中試圖移動手或胳臂，神經元所釋放的電信號將通過電線從人的顱骨中傳送到解碼器，從而被轉換成各種各樣的系統，例如幫助被植入著移動游標、控制肢體等。

BrainGate 成功地讓一名中風癱瘓的婦女用機械臂喝了無需藉助看護者幫助的第一口咖啡。另外，利用該系統，一名癱瘓者能以每分鐘 8 個單詞的速度打字。更神奇的是，BrainGate 甚至能使癱瘓的四肢重新動起來。今年，凱斯西儲大學 Bob Kirsch 領導的一項研究在 Lancet 上發表。該研究人為地部署了 BrainGate 系統用於刺激癱瘓者手臂的肌肉。結果，在一次自行車事故中癱瘓的 William Kochevar 八年來第一次做到了自己進食。

大腦和機器之間的交互還以其他方式改變了生活。2014 巴西世界盃足球賽開幕式上，一名截癱男子用意念控制機器人外骨骼「機械戰甲」開球。最近的一項研究中，圖賓根大學 Ujwal Chaudhary 和四名共同作者利用功能性近紅外光譜技術（fNIRS）將紅外光束射入大腦，並對四名因 ALS 完全無法活動的閉鎖綜合征患者提出「Yes or No」問題，患者在精神層面對這些問題進行了回答，科學家以可辨認的血氧合模式對患者的反應進行觀察。

神經活動可以被刺激和記錄。例如，人工耳蝸將聲音轉換成電信號，並將電信號傳送到大腦中。又如，深度腦刺激利用電脈衝幫助帕金森患者控制行動，這種電脈衝通過植入電極的方式進行傳遞。這項技術也被用於治療其他運動障礙和精神健康問題。矽谷的一家名為 NeuroPace 的公司通過監測大腦活動，尋找癲癇即將發作的跡象，並對大腦施加電刺激加以阻止。

顯而易見，腦機介面也可以用於其他感官的輸入輸出。加州大學伯克利分校的研究人員解構了人類傾聽對話時顳葉（人腦中負責處理聽覺信息，也與記憶和情感有關的部分）的電活動；這些解構出來的模式對應著人們所聽到的單詞。而且，當人類想像聽到某個單詞時，大腦也會產生類似的信號。這一研究有可能為那些失語症患者（無法理解或表達語言的人）提供語音處理設備。

伯克利的研究人員還利用大腦中的血氧變化重建人們的觀影片段，儘管影像有些模糊。這一技術的逆向工程能夠被用作刺激盲人的視覺皮層，從而將圖像投射到他們的大腦中。

腦機介面的巨大發展潛力和問題相伴而生。當下最先進的科學研究正採用動物實驗。Howard Hughes 研究所、Allen 研究所和倫敦大學學院的研究人員開發了名為 Neuropixels 的硅探針，用於監測小鼠和大鼠多種腦區域細胞水平的活動。加州大學聖地亞哥分校的科學家已經建立了這樣一個腦機介面，可以通過之前的神經活動預測斑馬雀將會唱什麼歌。加州理工學院的研究人員對獼猴視覺皮層細胞展開研究，主要研究它們如何編碼包括膚色、眼距在內的 50 個不同人臉特徵。因此，在給猴子展示人臉時，根據檢測到的腦信號，研究人員能以驚人的準確率猜到猴子看到的是哪張人臉。但是，由於人腦更龐大、更複雜，加之政策監管方面的原因，對人類大腦進行科學研究非常困難。

即使腦機介面技術在人類方面有很多實驗性的突破，它也很難轉化為臨床實踐。連線雜誌早在 2005 年就對當時新推出的 BrainGate 系統進行了一次非常轟動的報道。在該項技術發展的早期，一家名為 Cyberkinetics 的公司嘗試將其商業化，但並未成功。此外，NeuroPace 花費了整整 20 年時間開發技術、與監管方進行談判請求批准，但據其預計，今年將只有 500 名癲癇患者能夠被植入該公司的電極並使用其系統。

時至今日，腦機介面技術仍需要專家操作。BrainGate 背後的關鍵人物之一，布朗大學的神經學家 Leigh Hochberg 教授稱：「如果必須讓一個神經工程學碩士站在患者旁邊操作，這個技術就沒由太大的使用價值。」只要電線穿過頭骨和頭皮，就會有感染的風險。植入物也可能在腦內產生些許位移，這可能損害腦內細胞，而這些細胞正是系統獲取信號的來源。大腦對外來異物的免疫反應會在植入電極周圍產生瘢痕（原理類似皮膚結痂後細胞分裂過多產生的傷疤），使系統效果變差。

而且，現有的植入物只能記錄大腦信號的很小一部分。例如，BrainGate 團隊所使用的猶他電極陣列可能只是從這 850 億個神經元中挑出幾百個觀察放電動作。西北大學的 Ian Stevenson 和 Konrad Kording 在一篇發表於 2011 年的論文中表明，自 20 世紀 50 年代以來，可同時記錄的神經元數量每 7 年翻一番（見圖表）。這個速度與集成電路領域的摩爾定律相差甚遠。要知道，集成電路的計算能力每兩年就能翻一番。

事實上，正是因為神經技術很難走出實驗室、走進臨床實踐，日內瓦的 Wyss 中心才得以存在。該中心負責人 John Donoghue 是 BrainGate 的拓荒者之一。他說，Wyss 中心是為那些有前景的想法而設計的，希望能幫助這些想法跨越若干「死亡之谷」。首先，這些想法要面臨財務問題：投資回報期長、科技含量高，這就嚇退了大多數投資者。其次，在研發更好的腦機介面過程中，團隊需要擁有跨學科的專業知識以及保持複雜的介面項目處於正軌的管理技能。另外，神經科學本身還處於相對早期。Donoghue 博士說：「腦機介面的核心在於理解大腦的工作方式，但事實上我們並不理解。」

這種非凡成就和躊躇進展的奇特混合，如今有了一個新的組成部分：矽谷。2016 年 10 月，通過出售其支付公司 Braintree 獲得巨款的企業家 Bryan Johnson 宣布投資 1 億美元，在 Kernel 創立了一個旨在「讀寫神經編碼」的公司。Johnson 認為，人工智慧的興起需要伴隨著人類能力的同步升級。「難以想像，到 2050 年，人類會處於一個無需主動提升自己的世界。」他這樣說道，並期待著人類能隨心所欲地獲得新技能，或者與他人心意相通。去年 2 月，Kernel 收購了 Kendall Research Systems，一家從事神經介面工作的麻省理工學院的衍生公司。

Kernel 認為，腦機介面技術是人類與人工智慧協作的方式，以確保人類不會被人工智慧征服。Kernal 並不是唯一持有這種想法的公司。2016 年，SpaceX 和特斯拉的老闆 Elon Musk 創立了一家名為 Neuralink 的新公司，該公司正在努力創造各種新型植入體。他彙集了許多令人敬佩的聯合創始人，並設定了一個目標，即在 2021 年前開發殘疾人臨床使用的腦機介面。據 Elon Musk 估算，為健全人設計的設備大約還需等待八到十年的時間。

Neuralink 並沒有具體說明到底在做什麼，但 Wait But Why 網站中的一篇長文章概述了 Elon Musk 的想法。在這篇文章中，他描述了人類之間彼此進行更快速溝通的必要性，同時提到人類與計算機溝通的必要性，否則人類將被人工智慧遺棄在塵埃中。文章提到了一些非凡的可能性：從雲端立刻汲取知識，或把來自某個人視網膜的圖像直接輸入到另一個人的視覺皮層；創造全新的感官能力，如紅外視力、高頻聽力等； 最終，融合成為人機混合智能。

4 月份，Facebook 透露了一個創造「無聲語言（silent speech）」介面的計劃，引起業內不小的討論。這一介面將允許人們直接利用意念每分鐘輸入 100 個單詞。一個由 60 多名研究人員組成的小組正在開展這個項目，其小組成員來自 Facebook 內部和外部。一家獨立的初創公司 Openwater 也在研究一種非侵入性的神經成像系統。其創始人 Mary Lou Jepsen 表示，該技術最終將能讀懂人腦。

腦機介面專家正紛紛擦亮雙眼，以迎接矽谷遠見者的到來。他們說，神經科學正在進步中。一個有效的腦機介面需要許多學科的參與：材料科學、神經科學、機器學習、工程、設計等。要知道，臨床試驗和監管批准沒有捷徑可走。

在上述一切中，懷疑論者是對的。許多大肆宣傳的雄心壯志看上去只是空想而已。不過，當下仍是腦機介面的關鍵時刻： 大量的金錢湧入這個領域，研究人員正在嘗試多種方法。而 Elon Musk 呢，他尤其擅長將宏大的願景（如殖民火星）和實際的成功（通過 SpaceX 恢復和重新發射火箭）結合在一起。

我們清楚地知道，「黑客帝國」並非咫尺之遙，但腦機介面技術可能迎來巨大進步。要做到這一點，最關鍵的是要找到一個更好的連接大腦的方式。

內腦智能

尋找更輕巧、更安全、更加智能的大腦植入方式。

在與腦機介面的神經科學家深入聊天后，他們經常會做一個關於運動場的類比。他們將大腦的神經活動與足球場人群製造的噪音進行類比。在球場外面，你可能會聽到一些噪音，通過人們的叫喊聲，就可以猜測隊伍是否進球得分。如果你是在運動場上空的飛艇上，你可以看到是哪個隊進球了，以及有可能知道是哪位球員進球了。而只有在球場裡面，你才可以問某個球迷，進球的詳情。

同樣地，對大腦來說，只有近距離地接觸腦活動才能夠真正明白髮生了什麼事情。為了獲得高解析度的信號，目前只能通過打開頭顱的方式，別無他法。一個可能的選擇是在大腦皮層的表面放上電極，這被稱為皮層腦電圖。另外一種方式是如同 BrainGate 的猶他電極陳列一樣，使用微電極網將電極嵌在大腦組織上。

人們能夠以多麼近的距離利用單個的神經元操作腦機介面，這是一個存在爭議的話題。對於患有帕金森綜合症導致運動能力失調的患者來說，醫生會用義大利面一樣粗的鉛棒和很大的電極對大腦組織進行大範圍的深度刺激，這種治療方式一般被認為是有效的。Newcastle 大學的 Andrew Jackson 認為，皮層腦電圖在實施過程中會選擇一些神經元，這些神經元的活動只能用來解碼一些簡單的移動信號，如想要抓某些東西或者抬一下胳膊。

但想要產生手指移動這種更加細緻的控制信號，則需要更高的精準度。「這是很微小的信號，許多神經元都緊密地聚集在一起，一起發出信號。」匹茲堡大學的 Andrew Schwartz 說到。將這些神經元聚集起來，會不可避免地導致細節的喪失。畢竟，在完成例如導航、面部識別等任務時，單個的細胞所承擔的功能非常細小。2014 年諾貝爾醫學獎授予了一個發現了構建大腦定位系統的細胞——GPS 細胞的研究。當動物到達某一個具體的地點，相應的細胞就會發出信號。與之相類似的是「Jennifer Aniston 神經元」的發現，靈感來自於看到特別的名人，單個的神經元會做出反應。

Neuralink 和 Kernel 等公司對腦機介面的前景非常看好，通過腦機介面，思想、圖像和運動可以是無縫地編碼和解碼，這就要求腦機介面要有很高的解析度。美國國防高級研究計劃局（DARPA）是五角大樓的下屬機構，該機構今年將 6500 萬美元分配給 6 個組織，以創造較高解析度的植入介面。BrainGate 和其它公司也在獨自進行這種系統的研發。

這些研究人員所面臨的挑戰很巨大。完美的植入需具備安全，微小、無線、持久等特點。能夠高速轉移巨大的數據量。與目前的技術相比，這一技術需要與更多的神經元進行交互（DARPA 項目設立的目標是到 2021 年能夠同時處理的神經元數量要達到 100 萬）。而且它也需要應付人腦環境，Wyss Centre 的 Claude Clément 將之比作海邊的叢林：咸濕、悶熱。「大腦並不是科技發揮的合適地點。」他說。作為首席技術官，他應該很知道這一點。

但這仍然沒有阻止人們進行嘗試，創造更好的植入方式。人們有關這方面的研究可以分成兩個不同的範疇，第一種是在當前技術基礎上改進微小有線電極，第二種是走向一種新型的非電方向。

先從讓電極變得更小、更加智能開始。Ken Shepard 是哥倫比亞大學電子生物醫藥工程專業的教授，他的實驗室也受到了 DARPA 基金的資助，目標是研發一種設備，通過精確地對神經元進行刺激，在大腦內產生圖像，幫助具有完整視覺皮層的盲人看見東西。他認為，通過採用先進的互補性氧化金屬半導體（CMOS）電子器件，可以實現他的目標。

Shepard 教授認識到，任何需要嵌入的電極都會造成細胞損壞，因此，他想要構建一種全新的介面模式，凌駕於所有介面設備之上，這種新的介面設備將被放在大腦皮層上面以及大腦細胞膜下面。他也創造了第一代 CMOS 晶元原型，大小 1cm×1cm，包含 65000 個電極；第二代更大的版本將容納 100 萬個感測器。同其他想要試圖讓植入部件發揮作用的人一樣，Shepard 教授也不是僅僅只是將感測器連接到晶元上，他需要添加同樣數量的放大器，這是一種轉換器，可以將潛在的行動信號轉換成機器能夠理解的的數字 0 和 1，還需要放置一個無線鏈接，將數據發送（或接收）到頭皮上的中轉站。進而通過無線的方式，將數據發送（或接收）到外部處理器上進行解碼。

可植入設備的另外一個巨大的困難是設備需要進行充電。在這個領域，沒有人對使用電池作為電源有信心。電池體積太大，電池液流進大腦的風險也太高。和其他研究者一樣，Shepard 博士採用的是電感耦合的方式，電流通過一個線圈，創造一種磁場，可以將電流引導到第二個線圈（這種方式和電動牙刷充電的方式類似），這個動作是由晶元上的線圈和中轉站完成。

在美國的西海岸，一家初創公司 Paradromics 也在使用電感耦合對可移植設備提供電源。但公司老闆 Matt Angle 認為單純地改裝介面並不會產生很高的解析度。相反，他正在努力創造可以被放進大腦組織的細小的玻璃束和金屬微線圈，有點像猶他電極，但擁有更多的感測器。為了防止線繞在一起，減少需要處理的神經元的數量，公司使用犧牲聚合物將它們分開；聚合物溶解了，但是線保持分離。它們綁定在高速 CMOS 線路上。明年，帶有 65000 個電極的設備將在動物研究中進行使用。

DARPA 的目標是創造一個可以用在人類身上的 100 萬線設備，在實現這個目標之前，Paradromics 還有很多的事情要做。首要的問題是處理大腦中產生的大量數據。Angle 博士認為，最初的設備每秒產生 24Gb 的數據（Netflix 上一個超高解析度的電影每小時的數據量是 7GB）。在動物身上，這些數據可以通過一個數據線轉移到一個巨大的鋁製處理器上。但如果放在人的頭上看起來會很難看；此外，如此大量的數據在頭顱內處理以及無線傳輸過程中會產生太多的熱量。

因此，Paradromics，以及其它試圖創造一個更高寬頻信號的人，不得不找到一種對數據進行壓縮而且還不會損害信息傳送的數度和質量的方式。Angle 博士認為可以通過兩個方式實現這一點：第一，忽視動作之間靜默的瞬間，而不是費力地對這些無效的信息進行解碼；第二，將特殊動作的波型進行描述，而不是記錄曲線上的每一個點。事實上，他將數據壓縮看成是公司最大的賣點，希望其他想要研發特殊腦機介面應用或者假體的人只需簡單地將他的數據壓縮方式應用到自己的系統中就行了。「我們將自己視為神經數據的脊梁骨，像高通或英特爾一樣。」他說。

一些研究人員正試圖擺脫有線植入的想法。在布朗大學，Arto Nurmikko 正在領導一個跨學科的團隊研發「神經顆粒」，每一個顆粒如同糖粒一樣大小，可以放在大腦皮層上部或者植入到大腦內部。每一個顆粒都有內置的放大器、模擬數字轉換器、以及可以將數據傳送到中轉站的裝置，中轉站通過感應的方式給顆粒充電，並將信息傳到外部的處理器。Nurmikko 博士正在在嚙齒動物上測試這一系統的各項參數，希望最終能夠在大腦里放入數千個這樣的顆粒。

與此同時，在哈佛大學的實驗室，Guosong Hong 正在展示另外一種創新性的介面。他把一個注射劑放在一杯水中，並在水中注射進一個微小，閃著亮光的網。看起來有一種奇特的美感。Hong 博士是化學教授 Charles Lieber 實驗室的一名博士後；他們二人均致力於創造一種消除掉生物和電子學之間界限的神經介面。他們的解決辦法是發明一種由柔然聚合物製成的多空網，叫做 SU—8，並裝有感測器和感應金屬。

這種網的設計可以解決多種問題，比如科學家們需要繞過對身體外部進行反應的免疫系統。通過對這種柔韌、輕軟的神經組織進行複製，允許神經元和其它類型的細胞在其內部進行生長，可以避免植入帶來的傷害。而且它佔據的空間也很少，不到猶他電極總量的 1%。這一技術在動物實驗中效果很好，下一階段，這種網會被放入對其它治療沒有反應只能等著移除組織的癲癇患者的大腦內。

在數英里之外的 MIT，Polina Anikeeva 實驗室的成員也在試圖研發與神經組織的物理屬性相關的設備。Anikeeva 是一名材料科學家，是斯坦福大學 Karl Deisseroth 實驗室第一個投身於神經科學的人。斯坦福大學在光遺傳學方面具有領先地位，光遺傳學涉及基因工程細胞，可以根據光線進行反應。當她第一次看到老鼠黏黏的大腦時，覺得大為震驚。「將很有彈性的小刀放進很有彈性的巧克力布丁當中是一件很困難的事情，」她說。

她解決這一問題的方式是創造一個寬度在 100 微米的多空纖維，如同頭髮絲一樣細小。這個設備比其它設備更加的緊密，但最主要的還是它可以進行多重任務。「僅僅有電流和電壓，電子是無法做這個事情的，」她說。意在說明，大腦交流不僅僅是涉及到電子，還涉及到化學。

Anikeeva 的感測器使用的電極擁有一個負責記錄的通道，同時，它也可以利用光遺傳學的優勢。第二個通道用來傳遞光敏感通道蛋白，這是一種藻類蛋白，通過將這種蛋白運輸到神經元，神經元也將具備光線敏感能力。第三個通道用來投射光束，以便這些被改變的神經元能夠被激活。

光遺傳能否安全地應用在人類身上？現在下結論還為時尚早，至少光敏感通道蛋白必須通過一種病毒才能夠被送入細胞中，另一個值得大家思考的問題是在大腦中投射光的最大安全劑量是多少。目前，人們正在進行臨床試驗，讓光感受器受損的人的視網膜神經節變對光線敏感起來。DARPA 資助的另外一個機構是位於巴黎的 Fondation Voir et Entendre，旨在使用技術將特殊眼鏡上的圖像直接轉移到盲人的視覺皮質上。理論上來說，其它的感官也可以被恢復，有研究表明，老鼠的內耳細胞會自發地產生光學刺激，用來對聽力進行控制。

Anikeeva 博士正在試驗另外一種刺激大腦的方式。她認為，虛弱的磁場可以穿透神經組織。加熱被注入大腦中的磁性納米粒子，如果被更改的神經元附近的熱感辣椒素受體被激活，增高的溫度將激活相應神經元。

除了電壓、光線、磁場，另外一個記錄並激活神經元的備選方案是超聲。加州大學伯克利分校的 Jose Carmena 和 Michel Maharbiz，是這一方法主要的支持者。這一方法同樣涉及將細小的顆粒（他們稱之為「神經塵埃」）插入到組織中。超聲會對塵埃上的結晶產生影響，這種塵埃振動起來就像音叉一樣，可以產生電壓，給晶體管提供電能。無論是肌肉還是神經元，組織周圍的電子活動會改變微粒對超聲發出的回聲的性質，從而這種活動可以被記錄下來。

這些新的研究，也產生了很多新的問題。如果我們的目標是為了創造一個可以覆蓋大腦全部區域的「全腦介面」，就一定會存在物理局限，線、顆粒或者塵埃，人類的大腦能承受多少額外的物質。如果這種元件可以製作得足夠微小，完全能夠解決這個問題，則又會產生另外一個問題：這些元件會在大腦里移動嗎，如果移動的話會產生什麼後果呢? 一次手術最多能在大腦不同的區域進行多少植入呢？

而採用微小靈活的材料可能會產生「濕麵條」問題，元件太滑，導致植入很難放置到正確的位置.（有傳言稱，Neuralink 正在研發一種自動「縫紉機」，目的就是固定住相關組織。）

所有的這些都說明了研發一種既安全又有效的神經腦機介面是多麼困難的一件事。但很多人都在努力創造這樣一種設備無疑是一件幸事。「我們正在接近這樣一個拐點，將能夠對大腦活動進行大規模的記錄和刺激，」倫敦 Crick Institute 神經科學家 Andreas Schaefer 這樣說道。

即使是這樣，提取大腦中的數據或者說將數據放入大腦僅僅是第一步而已。接下來的一步是處理這些數據。

機器學習與大腦的結合

一旦數據從大腦中提取出來，如何才能運用到最佳效果呢？

對那些認為腦機介面永遠不會流行的人，有一個簡單的回答：這樣的介面已經存在了。全世界有超過 30 萬人已經在耳內植入人工耳蝸。嚴格地說，這個聽覺裝置與神經組織沒有直接的交互作用，但其效果並無不同。一個處理器捕捉聲音，它被轉換成電信號並發送到內耳的電極，刺激耳蝸神經，使大腦聽到聲音。神經學家 Michael Merzenich 是發明這些設備的人員之一，他解釋說，這種植入物只提供了一種語言的粗陋轉譯，「就像用拳頭來彈奏肖邦的音樂」。但是，只要經過一小段時間，大腦就能搞明白信號的意思。

這為 BCI 方程的另一部分提供了線索：一旦介面進入了大腦，它該做什麼。正如人工耳蝸植入所顯示的，一個選擇是讓世界上最強大的學習機器（即大腦）完成這項工作。在 20 世紀中葉的一項著名實驗中，兩位奧地利研究人員發現，大腦可以很快地適應一副將他們投射到視網膜上的圖像顛倒過來的眼鏡。最近，科羅拉多州立大學的研究人員發明了一種能將聲音轉化為電脈衝的裝置。當被壓在舌頭上時，它會產生各種各樣的刺痛感，大腦就會學著將其與特定的聲音聯繫在一起。

因此，大腦非常善於解決問題，電腦也是如此。例如，助聽器的一個問題是它會放大所有傳入的聲音。當你想在像聚會那樣嘈雜的環境中關注一個人時，這就提供不了什麼幫助。哥倫比亞大學的 Nima Mesgarani 正在研究一種方法來區分你想要聽的人。這個想法是，一種演算法將區分同時說話的不同聲音，創建一個聲譜圖，或者說是一種對每個人的說話的聲音頻率的可視表示。然後當助聽器的佩戴者專註於一個特定的對話者時，它觀察大腦中的神經活動，這個活動被創建為另一個聲譜圖，兩個聲譜圖中相匹配的聲音會被放大（見圖）。

演算法比大腦可塑性更強，它可以使癱瘓的人用意念移動游標。例如，在今年早些時候發表的研究中，Shenoy 博士和他在斯坦福大學的合作者記錄了大腦控制打字的巨大進展。這不是來自新的信號，也不是來自更神奇的介面，而是來自更好的數學方法。

進展部分歸功於 Shenoy 博士對他演算法測試階段產生的數據的使用。在訓練階段，用戶反覆被要求將游標移到特定的目標；機器學習程序識別與此運動相關的神經活動的模式。在測試階段，用戶會看到一個字母網格，並被要求移動游標到他想要的地方；這測試了演算法預測用戶意願的能力。通過重新對演算法進行調整，使其包含用戶達到特定目標的意圖，這些信息也顯示在數據中，這樣可以使游標更快地移動到目標位置。

但儘管演算法正在變得越來越好，它仍有很大的改進空間，尤其是因為實驗數據仍然稀缺。儘管有人聲稱智能演算法可以彌補不幹凈的信號帶來的干擾，但演算法也只能做這麼多了。「機器學習能實現幾乎不可思議的事情，但它並不能施展魔法，」Shenoy 博士說。請你想想，使用功能性近紅外光譜法來識別閉鎖綜合征患者簡單的「Yes or No」問題的答案，有 70% 的正確率。對於這些根本無法交流的人來說，這是一個巨大的進步。但是在事關他們生死的問題上，這一數字顯然是不夠的。我們需要更多更清晰的數據來建立更好的演算法。

這並不能幫助我們了解大腦的工作方式，我們在這方面的知識仍然是如此的不完整。即使有更好的介面，腦器官特殊的複雜性也不會很快被解開。例如，游標的移動只有兩個自由度，而人手有 27 個。視覺皮層研究人員經常使用靜態圖像，而現實生活中的人類必須處理不斷移動的圖像。對於一些複雜的研究，例如當人們抓起一個物體的過程中他們的感官反饋，才剛剛開始。

儘管計算神經科學家可以利用機器學習技術取得更廣泛的進展，從面部識別到自動駕駛汽車，但是神經數據的雜訊帶來了特殊的挑戰。當有人想要在某一個場合移動他的右臂時，運動皮層的一個神經元可能會以每秒 100 個動作電位的速度放電，但在另一個場合下的速度是 115，更糟的是神經元的指令可能會重疊。所以，如果一個神經元的放電速度是 100 次每秒向右移動，70 次每秒向左移動，那麼 85 的平均速率是什麼意思呢？

至少運動皮層的活動有一個可見的運動形式的輸出，可以通過輸出與神經數據的關聯性來進行評估，但其他認知過程則缺乏明顯的輸出。就拿 Facebook 感興趣的領域來說：沉默，或者想像和演講。大腦對想像的語言的表達是否與實際（說過或聽過的）語言的表達相似到可以互為參考？另一個因素同樣阻礙了進展：「關於運動是如何由神經活動產生的，我們積累了一個世紀的數據，」BrainGate 的 Hochberg dryly 博士說。「但我們對動物語言的了解較少。」

更高層次的功能，比如決策，會帶來更大的挑戰。BCI 演算法需要一個明確定義神經活動與問題參數之間關係的模型。匹茲堡大學的 Schwartz 博士說：「問題從定義參數本身就開始了。認知是什麼？你怎麼用一個方程來描述它?」

這些困難表明了兩件事。第一，找到一套用於全腦活動的演算法還有很長的路要走。第二，在腦機介面中進行信號處理的最佳路徑可能是機器學習和大腦可塑性的結合。關鍵是要建立一個讓這兩個組件合作的體系。這不僅僅是為了效率，也是出於道德的考慮。

往期文章

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！