官方网站-首页

【导语】脑机接口（BCI）技术，常被视作“意念控制”的代名词，听起来充满科幻色彩，实则面临诸多挑战。传统BCI系统如同“死板的助手”，效率与准确度有限。然而，加州大学洛杉矶分校的团队带来了创新思路：引入人工智能（AI）作为“副驾驶”，实现人机共享操控。这一AI-BCI系统不仅提升了瘫痪受试者在光标移动等任务中的表现，还预示着“意念操作”时代(dài)或(huò)将(jiāng)来(lái)临(lín)。未(wèi)来(lái)，随(suí)着(zhe)AI技(jì)术(shù)的(de)不(bù)断(duàn)进(jìn)步(bù)，AI-BCI有(yǒu)望(wàng)在(zài)日(rì)常(cháng)使(shǐ)用(yòng)中(zhōng)展(zhǎn)现(xiàn)更(gèng)实(shí)用(yòng)、更(gèng)高(gāo)效(xiào)的(de)表(biǎo)现(xiàn)，助(zhù)力(lì)用(yòng)户(hù)轻(qīng)松(sōng)完(wán)成(chéng)复(fù)杂(zá)任(rèn)务(wu)。

每(měi)当(dāng)我(wǒ)们(men)听(tīng)到(dào)“脑(nǎo)机(jī)接(jiē)口(kǒu)”（BCI）这(zhè)个(gè)词，就(jiù)会(huì)联(lián)想(xiǎng)到(dào)“意(yì)念(niàn)控(kòng)制(zhì)”——你(nǐ)出(chū)想(xiǎng)法(fǎ)，机(jī)器(qì)代(dài)为(wèi)执(zhí)行(xíng)。这(zhè)听(tīng)起(qǐ)来(lái)很(hěn)酷(kù)，但(dàn)实(shí)现(xiàn)起(qǐ)来(lái)可(kě)没(méi)那(nà)么(me)简(jiǎn)单(dān)。

传(chuán)统(tǒng) BCI 就(jiù)像(xiàng)一(yī)个(gè)“死(sǐ)板(bǎn)的(de)助(zhù)手(shǒu)”，只(zhǐ)能(néng)被(bèi)动(dòng)读(dú)取(qǔ)大(dà)脑(nǎo)信(xìn)号(hào)，努(nǔ)力(lì)完(wán)成(chéng)指(zhǐ)令(lìng)。结(jié)果就是：效率不高、准确度有限，用户还得时刻盯着，连细节都要亲自操心，操作起来既慢又累。

如今，加州大学洛杉矶分校团队带来了不一样的思路：由人工智能（AI）担任“副驾驶”（copilot）。

BCI 系统不再只帮你“选按钮”或“代劳执行”，而是和你真正分工合作：你专注做决策，它借助 AI 完成预测、辅助和随时修正。整个过程，人机实时互动，默契配合。而且，这一非侵入性脑机接口系统，成功(gōng)让(ràng)瘫(tān)痪(huàn)受(shòu)试(shì)者(zhě)在(zài)移(yí)动(dòng)计(jì)算(suàn)机(jī)光(guāng)标(biāo)这(zhè)类(lèi)任(rèn)务(wu)中(zhōng)的(de)表(biǎo)现(xiàn)提(tí)升(shēng)了(le)近(jìn) 4 倍(bèi)。

相(xiāng)关研(yán)究(jiū)论(lùn)文以(yǐ)“Brain–computer interface control with artificial intelligence copilots”为(wèi)题(tí)，已(yǐ)发(fā)表(biǎo)在(zài)科(kē)学(xué)期(qī)刊(kān)《自(zì)然(rán)-机(jī)器(qì)智(zhì)能(néng)》上(shàng)。

这(zhè)种(zhǒng)共(gòng)享(xiǎng)操(cāo)控(kòng)模式或使脑机接口在日常使用中更实用、更高效，随着 AI 系统的升级，它们或能帮助用户更轻松地完成更多复杂任务。

或许，我们离“意念操作”的畅快体验，真的不远了(le)。

传(chuán)统(tǒng)脑(nǎo)机(jī)接(jiē)口(kǒu)不(bù)够(gòu)好(hǎo)？AI加(jiā)“外(wài)挂(guà)”！

运(yùn)动(dòng)型(xíng) BCI 通(tōng)过(guò)解(jiě)码(mǎ)神(shén)经(jīng)信(xìn)号(hào)，帮(bāng)助(zhù)瘫(tān)痪(huàn)患(huàn)者(zhě)实(shí)现(xiàn)运(yùn)动(dòng)和(hé)交(jiāo)流(liú)。尽(jǐn)管(guǎn)过(guò)去二十年取得了显著进展，但在临床应用中，BCI 仍面临核心挑战：系统性能必须足够强大，才能抵消其成本与潜在风险。

在大多数传统运动型 BCI 中，例如控制计算机光标或机械臂，唯一的控制来源是解码后的神经信号。然而，现实任务往往是以目标为导向的——动作的目的是接触或点击特定对象，例如计算机上的搜索栏、按钮、图标，或现实中的杯子、薯片、门把手、钥匙、积木等。

在这种场景下，只要能够准确判断用户的目标——即在有限可能目标中进行推断——基本就能确定动作方向。一旦目标明确，人类行为往往呈现固定模式，此时便可以借助“副驾驶”进行辅助。

这种方式被称为共享自治：人类用户（“驾驶员”）与 AI 副驾驶共同参与控制，从而提升操作性能。

那么，如何推断用户的目标？系统可以结合多种信息来源，包括任务结构、历史动作以及计算机视觉（CV）识别等。通过整合这些信息，系统能够更准确地推测用户意图，并辅助执行动作。

图｜在 AI-BCI 中，AI copilot 利用任务信息提升 BCI 性能。

研究团队将这种架构称为 AI-BCI。在计算机相关任务中，也可以采用类似方法进行目标推断。例如，在使用搜索引擎时，用户的目标很可能是在输入关键词后点击“搜索”按钮；在输入操作中，上下文信息往往能为下一个字符选择提供强有力的提示。

即使任务本身没有明确目标，例如自由绘图，AI 副驾驶依然能够发挥作用——帮助规避常见错误或极端动作（如绘画时的剧烈抖动）。

最后，当无法获取任何任务相关信息时，该 AI-BCI 系统仍可切换回传统 BCI 模式，继续运行。

AI-BCI：让光标和机械臂更“听话”

为显著提升 BCI 性能，研究团队采用了共享自治方案：AI 副驾驶与 BCI 使用者协同工作，共同完成任务目标，从而让瘫痪患者能够熟练操控计算机光标和机械臂。

研究团队开发了一种新的脑电图（EEG）解码架构：该架构将卷积神经网络（CNN）提取的非线性特征作为卡尔曼滤波器(qì)（KF）的(de)观(guān)测(cè)输(shū)入(rù)，类(lèi)似(shì)于(yú)重(zhòng)新(xīn)校(xiào)准(zhǔn)反(fǎn)馈(kuì)意(yì)图(tú)训(xun)练(liàn) KF（ReFIT-KF），从(cóng)而(ér)实(shí)现(xiàn)在(zài)线(xiàn)闭(bì)环(huán)解(jiě)码(mǎ)器(qì)自(zì)适(shì)应(yīng)（CLDA）。

他(tā)们(men)对(duì)该(gāi)解(jiě)码(mǎ)器(qì)架(jià)构(gòu)在(zài)多(duō)天(tiān)实(shí)验(yàn)中的性能进行了评估。在此基础上，他们展示了两种 AI 副驾驶系统：

25. 光标控制系统：使用深度强化学习进行训练，实现智能辅助光标操作；
26. 机械臂控制系统：结合计算机视觉技术，可自动识别物体并执行抓取或放置操作。

图｜用于 center-out 8 和机械臂任务的 CNN-KF 与 AI-BCI 解码框架

在光标控制任务中，研究团队提出假设：能够推断用户目标的 AI 副驾驶能够显著提升任务表现。他们模拟了现实中“可选目标有限”的情境，例如计算机屏幕上的按钮或键盘按键。

实验结果显示，光标副驾驶系统显著提高了任务效率：健康参与者的平均目标获取速率提升了 2.1 倍，瘫痪参与者提升了 3.9 倍。尤其对瘫痪参与者而言，AI-BCI 显著缩短了接入时间（dial-in time），从中位数 4.15 秒下降至(zhì) 0.05 秒(miǎo)。同(tóng)时(shí)，光(guāng)标(biāo)路径更(gèng)加(jiā)高(gāo)效(xiào)，几(jǐ)乎(hu)沿(yán)直(zhí)线(xiàn)直(zhí)达(dá)目(mù)标(biāo)。

图(tú)｜AI 副(fù)驾(jià)驶在 centre-out 8 task 任务中显著提升光标控制能力

在机械臂实验中，AI 副驾驶利用 CV 系统推测目标位置并持续跟踪物体。他们设计的副驾驶程序能够识别所有目标，并在机械臂距离积木或十字目标 2.54 厘米范围内时，实时辅助执行精确的抓取或放置操作。

图｜副驾驶改进了机械臂的控制，以执行拾取和放置任务。

实验结果显示，在 AI 副驾驶的辅助下，所有参与者的成功率均有显著提升：所有参与者均成功完成了任务；健康参与者的物体正确放置率达 100%；瘫痪参与者在没有 AI 副驾驶的情况下无法完成任何成功试验，但有了 AI 副驾驶后，其正确放置率达到 93%。

AI-BCI 的未来形态是什么？

研究结果表明，在光标控制和机械臂任务中，共享自治显著提升了 BCI 的整体性能。这一方法为提升 BCI 效能提供了一条互补路径，随着 AI 副驾驶技术的不断进步，AI-BCI 的表现有望进一步增强。性能提升的关键在于：AI 能够辅助用户更高效地实现目标。

研究团队指出，AI 副驾驶能够减少完成高维任务所需的神经解码自由度（DOFs）。对于更复杂的任务，例如与特定物体交互，通过训练副驾驶处理这些操作，可进一步降低用户所需的控制自由度。

虽然已有研究展示了能够根据分类目标执行动作的机器人，但这些方法存在局限：AI 副驾驶并未与用户实现实时共享控制。而共享自治则允许用户与 AI 副驾驶持续交互，即使在缺乏明确目标的情况下，也可自动转为传统 BCI 模式。

研究团队预测，未来的 AI 副驾驶系统将提供更强大的辅助能力。这正是共享自治的核心目标：在任务执行过程中与用户共享控制权，从而全面提升人类在各类任务中的表现。未来研究应聚焦于：

42. 开发更先进的 AI 副驾驶(shǐ)，实(shí)现(xiàn)面(miàn)向(xiàng)物(wù)体(tǐ)的(de)机(jī)械(xiè)臂(bì)轨(guǐ)迹(jī)控(kòng)制(zhì)，并(bìng)根(gēn)据(jù)物(wù)体(tǐ)动(dòng)态(tài)进(jìn)行(xíng)精(jīng)确(què)操(cāo)作(zuò)；
43. 保(bǎo)留(liú)用(yòng)户(hù)主导(dǎo)权(quán)，避(bì)免操作受限导致的挫败感与性能下降，为此提出“干预式辅助”的控制共享策略；
44. 推动共享自治在更复杂的机器人系统中应用，包括通过大规模数据训练的模型，使 AI-BCI 胜任更高难度的运动任务；
45. 促进任务标准化，并利用副驾驶提升侵入式 BCI 的性能。总体而言，当 AI 副驾驶能够准确推断用户意图时，其辅助效果最佳；若无法解码用户意图，则难以完成目标。因此，未来工作可能集中于构建更优解码器，以进一步提升性能。

此外，其他类型的非侵入式信号也可能成为未来 BCI 的重要信息来源，包括眼动、姿态、肌电等辅助信号。这些信号可与 EEG 协同使用，尤其在 EEG 控制能力较弱的用户中，可显著提升系统整体表现。