【導語】腦機接口（BCI）技術，常被幻想為“意念控製”的神奇工具，然而傳統BCI係統卻如同“死板的助手”，效率低下且操作繁瑣。近期，加州大學洛杉磯分校的團隊提出了創新思路，引入人工智能（AI）作為“副駕駛”，實現人機共享操控。這一AI-BCI係統不僅顯著提升了癱瘓受試者在光標控製和機械臂操作中的表現，更預示著“意念操作”時代或將來臨。本文將深入探討AI如何為BCI技術帶來革命性變革，以及未來AI-BCI的發展方向。

每當糖心免费视频聽到“腦機接口”（BCI）這個詞，就會聯想到“意念控製”——你出想法，機器代為執行。這聽起來很酷，但實現起來可沒那麽簡單。

傳統 BCI 就像一個“死板的助手”，隻能被動讀取大腦信號，努力完成指令。結果就是：效率不高、準確度有限，用戶還得時刻盯著，連細節都要親自操心，操作(zuò)起來既慢又累。

如今，加州大學洛杉磯分校團隊帶來了不一樣的思路：由人工智能（AI）擔任“副駕駛”（copilot）。

BCI 係統不再隻幫你“選按鈕”或“代勞執行”，而是和你真正分(fēn)工(gōng)合(hé)作(zuò)：你專注做決策，它借助 AI 完成預測、輔助和隨時修正。整個過程，人機實時互動，默契配合。而且，這一非侵入性(xìng)腦(nǎo)機(jī)接(jiē)口(kǒu)係(xì)統(tǒng)，成(chéng)功(gōng)讓(ràng)癱(tān)瘓(huàn)受(shòu)試(shì)者(zhě)在(zài)移(yí)動計算機光標這類任務中的表現提升了近 4 倍。

相關研究論文以“Brain–computer interface control with artificial intelligence copilots”為題，已發表在科學期刊《自然-機器智能》上。

這(zhè)種(zhǒng)共享操控模式或使腦機接口在日常使用中更實用、更高效，隨著 AI 係統的升級，它們或能幫助用戶更輕鬆地完成更多複雜任務。

或許，糖心免费视频離“意念操作”的暢快體驗，真的不(bù)遠(yuǎn)了(le)。

傳(chuán)統(tǒng)腦(nǎo)機(jī)接(jiē)口(kǒu)不(bù)夠(gòu)好(hǎo)？AI加(jiā)“外(wài)掛(guà)”！

運(yùn)動型 BCI 通過解碼神經信號，幫助癱瘓患者實現運動和交流。盡管過去二十年取得了顯著進展，但在臨床應用中，BCI 仍麵臨核心挑戰：係統性能必須足夠強大，才能抵消其(qí)成(chéng)本與潛在風險。

在大多數傳統運動型 BCI 中，例如控製計算機光標或機械臂，唯一的控製來源是解碼後的神經信號。然而，現實任(rèn)務(wu)往往是以目標為導向的——動作的目的是接觸或點擊特定對象，例如計算機上的搜索欄、按鈕、圖標，或現實中的杯子、薯片、門把手、鑰匙、積木等。

在這種場景下，隻要能夠準確判斷用戶的目標——即在有限可能目標中進行推斷——基本就能確定動作方向。一旦目標明確，人類行為往往呈現固定模式，此時便可以借助“副駕駛(shǐ)”進(jìn)行(xíng)輔(fǔ)助(zhù)。

這種方式被稱為共享自治：人類用戶（“駕駛員”）與 AI 副駕駛共同參與控製，從而提升操作性能。

那麽，如何推斷用戶的目標？係統可以結合多種信息來源，包括任務結構、曆史動作以及計算機視覺（CV）識別等。通過整合這些信息，係統能夠更準確地推測用戶意圖，並輔助執行動作。

圖｜在 AI-BCI 中，AI copilot 利用任務信息提升 BCI 性能。

研究團隊將這種架構稱為 AI-BCI。在計算機相關任務中，也可以采用類似方法進行目標推斷。例如，在使用搜索引擎時，用戶的目標很可能是在輸入關鍵詞後點擊“搜索”按鈕；在輸入操作中，上下文信息往往能為下一個字符選擇提供強有力的提示。

即使任務本身沒有明確目標，例如自由繪圖，AI 副駕駛依然能夠發揮作用——幫助規避常見錯誤或極端動作（如繪畫時的劇烈抖動）。

最後，當無法獲取任何任務相關信息時，該 AI-BCI 係統仍可切換回傳統 BCI 模式，繼續運行。

AI-BCI：讓光標和機械臂更“聽話”

為顯著提升 BCI 性能，研究團隊采用了共享自治方案：AI 副駕駛與 BCI 使用者協同工作，共同完成任務目標，從而讓癱瘓患者能夠熟練操控計算機光標和機械臂。

研究團隊開發了一種新的腦電圖（EEG）解碼架構：該架構將卷積神經網絡（CNN）提取的非線性特征作為卡爾曼濾波器（KF）的觀測輸入，類似於重新校準反饋意圖訓練 KF（ReFIT-KF），從而實現在線閉環解碼器自適應（CLDA）。

他們對該解碼器架構在多天實驗中的性能進行了評估。在此基礎上，他們展示了兩種 AI 副駕駛係統：

25. 光標控製係統：使用深度強化學習進行訓練，實現智能輔助光標操作；
26. 機械臂控製係統：結合計算機視覺技術，可自動識別物體並執行抓取或放置操作。

圖｜用於 center-out 8 和機械臂任務的 CNN-KF 與 AI-BCI 解碼框架

在光標控製任務中，研究團隊提出假設：能夠推斷用戶目標的 AI 副駕駛能夠顯著提升任務表現。他們模擬了現實中“可選目標有限”的情境，例如計算機屏幕上的按鈕或鍵盤按鍵。

實驗結果顯示，光標副駕駛係統顯著提高了任務效率：健康參與者的平均目標獲取速率提升了 2.1 倍，癱瘓參與者提升了 3.9 倍。尤其對癱瘓參與者而言，AI-BCI 顯著縮短了接入時間（dial-in time），從中位數 4.15 秒下降至 0.05 秒。同時，光標路徑更加高效，幾乎沿直線直達目標。

圖｜AI 副駕駛在 centre-out 8 task 任務中顯著提升光標控製能力

在機械臂實驗中，AI 副駕駛利用 CV 係統推測目標位置並持續跟蹤物體。他們設計的副駕駛程序能夠識別所有目標，並在機械臂距離積木或十字目標 2.54 厘米範圍內時，實時輔助執行精確的抓取或放置操作。

圖｜副駕駛改進了機械臂的控製，以執行拾取和放置任務。

實驗結果顯示，在 AI 副駕駛的輔助下，所有參與者的成功率均有顯著提升：所有參與者均成功完成了任務；健康參與者的物體正確放置率達 100%；癱瘓參與者在沒有 AI 副駕駛的情況(kuàng)下(xià)無(wú)法(fǎ)完(wán)成(chéng)任(rèn)何(hé)成(chéng)功(gōng)試(shì)驗(yàn)，但(dàn)有(yǒu)了(le) AI 副(fù)駕(jià)駛(shǐ)後(hòu)，其(qí)正(zhèng)確(què)放(fàng)置(zhì)率(lǜ)達(dá)到(dào) 93%。

AI-BCI 的(de)未(wèi)來(lái)形(xíng)態(tài)是(shì)什(shén)麽(me)？

研(yán)究(jiū)結(jié)果(guǒ)表(biǎo)明(míng)，在(zài)光(guāng)標(biāo)控(kòng)製(zhì)和(hé)機(jī)械(xiè)臂(bì)任(rèn)務(wu)中(zhōng)，共(gòng)享(xiǎng)自(zì)治(zhì)顯(xiǎn)著(zhe)提(tí)升(shēng)了(le) BCI 的(de)整(zhěng)體(tǐ)性(xìng)能(néng)。這(zhè)一(yī)方(fāng)法(fǎ)為(wèi)提(tí)升(shēng) BCI 效(xiào)能(néng)提(tí)供(gōng)了(le)一(yī)條(tiáo)互(hù)補(bǔ)路徑，隨(suí)著(zhe) AI 副(fù)駕(jià)駛(shǐ)技(jì)術(shù)的(de)不(bù)斷(duàn)進(jìn)步(bù)，AI-BCI 的(de)表(biǎo)現(xiàn)有(yǒu)望(wàng)進(jìn)一(yī)步(bù)增(zēng)強(qiáng)。性(xìng)能(néng)提(tí)升(shēng)的(de)關鍵在(zài)於(yú)：AI 能(néng)夠(gòu)輔(fǔ)助(zhù)用(yòng)戶(hù)更(gèng)高(gāo)效(xiào)地(de)實(shí)現(xiàn)目(mù)標(biāo)。

研(yán)究(jiū)團(tuán)隊(duì)指(zhǐ)出(chū)，AI 副(fù)駕(jià)駛(shǐ)能(néng)夠(gòu)減(jiǎn)少(shǎo)完(wán)成(chéng)高(gāo)維(wéi)任(rèn)務(wu)所(suǒ)需(xū)的(de)神(shén)經(jīng)解(jiě)碼(mǎ)自(zì)由(yóu)度(dù)（DOFs）。對(duì)於(yú)更(gèng)複(fù)雜(zá)的(de)任(rèn)務(wu)，例(lì)如(rú)與(yǔ)特(tè)定(dìng)物(wù)體(tǐ)交(jiāo)互(hù)，通(tōng)過(guò)訓(xun)練(liàn)副(fù)駕(jià)駛(shǐ)處(chù)理(lǐ)這(zhè)些(xiē)操(cāo)作(zuò)，可(kě)進(jìn)一(yī)步(bù)降(jiàng)低(dī)用(yòng)戶(hù)所(suǒ)需(xū)的(de)控(kòng)製(zhì)自(zì)由(yóu)度(dù)。

雖(suī)然(rán)已(yǐ)有(yǒu)研(yán)究(jiū)展(zhǎn)示(shì)了(le)能(néng)夠(gòu)根(gēn)據(jù)分(fēn)類(lèi)目(mù)標(biāo)執(zhí)行(xíng)動(dòng)作(zuò)的(de)機(jī)器(qì)人(rén)，但(dàn)這(zhè)些(xiē)方(fāng)法(fǎ)存(cún)在(zài)局(jú)限(xiàn)：AI 副(fù)駕(jià)駛(shǐ)並(bìng)未(wèi)與(yǔ)用(yòng)戶(hù)實(shí)現(xiàn)實(shí)時(shí)共(gòng)享(xiǎng)控(kòng)製(zhì)。而(ér)共(gòng)享(xiǎng)自(zì)治(zhì)則(zé)允(yǔn)許(xǔ)用(yòng)戶(hù)與(yǔ) AI 副(fù)駕(jià)駛(shǐ)持(chí)續(xù)交(jiāo)互(hù)，即(jí)使(shǐ)在(zài)缺(quē)乏(fá)明(míng)確(què)目(mù)標(biāo)的(de)情(qíng)況(kuàng)下(xià)，也(yě)可(kě)自(zì)動(dòng)轉為傳統 BCI 模式。

研究團隊預測，未來的 AI 副駕駛係統將提供更強大的輔助能力。這正是共享自治的核心目標：在任務執行過程中與用戶共享控製權，從而全麵提升人類在各類任務中的表現。未來研究應聚焦於：

42. 開發更先進的 AI 副駕駛，實現麵向物體的機械臂軌跡控製，並根據物體動態進行精確操作；
43. 保留用戶主導權，避免操作受限導致的挫敗感與性能下降，為此提出“幹預式輔助”的控製共享策略；
44. 推動共享自治在更複雜的機器人係統中應用，包括通過大規模數據訓練的模型，使 AI-BCI 勝任更高難度的運動任務；
45. 促進任務標準化，並利用副駕駛提升侵入式 BCI 的性能。總體而言，當 AI 副駕駛能夠準確推斷用戶意圖時，其輔助效果最佳；若無法解碼用戶意圖，則難以完成目標。因此，未來工作可能集中於構建更優解碼器，以進一步提升性能。

此外，其他類型的非侵入式信號也可能成為未來 BCI 的重要信息來源，包括眼動、姿態、肌電等輔助信號。這些信號可與 EEG 協同使用，尤其在 EEG 控製能力較弱的用戶中，可顯著提升係統整體表現。