如何链接大脑与机器：神奇的脑部芯片未来无限

上周末，马斯克发布了脑机接口新设备 Neuralink，只需在头皮上多一个小小的创口，通过一个硬币大小的设备就能给自己植入属于大脑的 Fitbit，可以通过手机 APP 直接控制。目前这个设备已经在小猪身上实验成功，并且已经获得 FDA 人脑实验批准。未来这一设备很有可能除了帮助残障人士控制义肢外，还能用来对抗癫痫、重度抑郁、自闭症、阿尔兹海默症、帕金森综合征等神经疾病难题。

不少网络用户表示这样链接大脑与机器的技术，几乎是科幻影视作品照进现实。实际上此类技术早在 2008 年就已经在动物试验中获得过成功，不论什么样的外观和路径，如何将大脑中的 “意念”转化为机器能够识别的指令并实现传输，都是此类技术绕不过去的一环，这也一直都是科学家们寻求突破的要点。

其实不久前，真人版 “阿丽塔”就曾登上过微博热搜。这是一位来自英国的少女 Tilly，在一岁时因患败血症被截掉双臂，但 12 年后她成了英国的第一个拥有仿生手臂的人。机械臂内置有肌肉传感器，所以 Tilly 可以通过 “意念”轻松控制机械手指的各种动作和运动模式。通过使用机械手臂，Tilly 可以实现生活自理，甚至成为了一名美妆博主。虽然机械臂的灵活程度还有待提高，Tilly 在帮朋友化妆时偶尔会发生睫毛膏戳到眼睛的事故，但 Tilly 依旧非常喜欢酷炫的机械手臂。

实际上，Tilly 使用的此类智能仿生义肢已经在全球范围内有不少的成功的应用案例，随着技术的革新和发展，研究人员们也在寻求着功能更加完备的仿生手段，比如除了能够完成日常动作之外，还要有更高的灵敏度和灵活度，甚至是触觉。

而对于那些不仅仅是失去肢体的某部分，而是神经系统受到严重损伤的患者，通过肌肉和末梢神经进行仿生义肢控制的方式是远远不够的。它们需要能够链接大脑的技术来向其发出指令，明确用户 / 患者的需求或提供反馈。这样的神经接口需要具有高准确度，并且长期稳定、安全可靠。

“脑机”研究发展史

1924 年，德国精神科医生汉斯 · 贝格尔发现了脑电波。人们才发现原来人的意识被转化为电子信号后是可以被读取的。自此，脑机接口研究便已经萌芽，但直到上世纪六七十年代，这些技术才初现雏形。

1969 年，一位名叫埃伯哈德 · 费兹的研究员将猴子大脑中的一个神经元连接到了仪表盘。当神经元被触发的时候，仪表盘的指针会转动。如果猴子通过某种思考方式触发该神经元，让面前这个仪表盘的指针转动起来，就能得到一颗香蕉味的丸子。在香蕉丸子的诱惑下，猴子开始擅长这个游戏。这只通过训练学会了控制神经元触发的猴子，偶然地成为了第一个真正的脑机接口被试对象。次年，美国国防高级研究计划局（DARPA）开始组建团队研究脑机接口技术。

90 年代末，脑机接口研究迎来新浪潮，1999 年和 2002 年先后有两次 BCI 国际会议召开，并且此前已经有了通过手术将芯片与人脑连接，通过大型主机远程控制其他设备的成功案例。

同一时期，科幻电影《黑客帝国》上映，其中就有在脑后插入电缆后传输知识、控制设备甚至改变现实的情节，这在当年已经不是脑洞大开的幻想了，而是基于既有研究的合理想象。

事实上，在大脑里，我们已经拥有很多可以实现的技术了，与此同时还有很多新的可能性在不断地发生。除了控制义肢，将大脑信息传输至外部还能做到更多，而植入性技术将帮助我们做到这一点。

我们可以通过植入性的新技术来治疗一些难治的脑部相关疾病，这些疾病包括视力损失、听力损失、癫痫，还有我们所熟悉的一些比较可怕的疾病，包括帕金森症、抑郁症等，还有一些疾病会导致人体瘫痪。研究人员们希望能通过神经元的修复，把这些信号进行有效的传输，并且通过机器来进行很好的控制。

研究人员们希望能把这种技术运用到大脑之中，在大脑中可以接收这些信号，通过植入可刺激神经的芯片，来将其和脊柱神经元联系在一起，用以恢复大脑和身体的功能。研究人员已经在猴子身上进行了这样的实验，希望能通过传感器和处理器、可穿戴设备，能从外部促进听力、视觉恢复的机器，植入到体内，促进大脑功能的恢复。

人的大脑和机器的界面叫做人脑机器界面，新的技术也已经在医疗实践中付诸应用，不管是什么样的设备，包括像治疗癫痫的设备，生物传感器都可以进行很好的植入和应用。

捕捉脑内信息

我们知道，视觉是非常重要的功能，如果某位患者眼睛失明了，那么他的视网膜就无法接受到信息。如果要通过植入技术解决这个问题，就需要进一步深入了解到视网膜的成像的机理是什么，我们通过对视网膜功能的探索，通过大脑的成像，通过微型的设备，可能是毫米甚至是更精准的仪器，将它们植入到我们的大脑中，然后通过天线，小的射频单元，以及其他小的芯片，将不同的功能在大脑中植入，这些芯片能提升我们的听力、视觉，能促进眼部的信息在大脑中进行成像，使失明患者能看到我们所看到的事物。

此类研究还有些很多新兴领域是关于大脑视觉部分的。人的大脑中能将眼睛看到的东西进行成像，那我们能看到不同的颜色是基于什么样的原理？实际上是由于视觉信号的传递。研究人员可以通过有效的功能优化，通过芯片上的控制单元和、收发机的植入能更好地进行研究。视觉上的植入，我们可以看到具体的图像是如何进行成像的，而对这些功能的分析，最后在大脑中进行精确的修复。

为了完成以上过程，我们首先需要了解的是，在大脑中如何进行不同信号的获取和的传输。在这个环节就需要使用到不同的芯片来捕捉大脑中的这些过程。不同的脑部芯片都具有相应的差异，这些芯片能够发挥不同的功能对电信号进行记录，能够接收不同频率脑电信号。芯片的这些工作可以让我们了解到大脑中不同的区域发生的问题是什么，通过这些对应脑内相应部分的 “工具”，它们可能仅仅是两毫米非常小的设备，就能在大脑中帮助我们恢复这些功能。

我很高兴能和大家分享这些功能，让大家更好了解到我们如何能够通过这些芯片的使用，把外部的信号传递到人体的大脑中。

脑内芯片的应用

今天我们讨论到的是非常小的传感器的使用，这些非常小的电子单元可以达到微米级别。

研究人员们已经在猴子身上进行了不同的实验。众所周知，猴子的大脑和人脑有些相似的地方，通过在猴子身上进行类似的实验，能够验证这些芯片是否能够保证信号的传输。首先已知猴子们并没有失明，研究人员们会先进行解码，了解到猴子如何看到信息的，然后进行效仿，最后对这样一个机制进行模拟。通过对猴子大脑的解码，能够更好地帮助研究人脑功能的修复研究。

针对不同的脑电波频谱，芯片能够针对不同的脑部区域来进行正确的记录。再来看一下芯片内部的结构。之前提到过这类脑内芯片设备是非常低能耗的，不需要有任何电池，所以可以直接把芯片设备植入到头皮当中进行工作。当然，我们还有最新的技术能够做到这样的系统，比如信号可以传递几米，这里有很多芯片可以用来进行有效的记录和传递。

再来看一下典型的大脑机能紊乱型的病症——癫痫，全球有大概有 1% 的的人可能会有癫痫的症状。遭受此类神经退行性疾病的病痛折磨的人是非常多的，所以我们也关注了对癫痫患者的治疗。问题在于，我们要观察大脑每一部分是什么样的状态，之后再做有效的成像，观察在发生癫痫的时候大脑到底是什么样的状态，如何在癫痫发病之前阻止症状发生，这时候就需要观察神经的变化。如果某一癫痫患者在开车的时候突然发病，就可能会引发严重的安全事故。所以这个时候就如果能够通过脑部芯片捕捉到的信息提前 10 分钟或者 30 分钟，通过手机或者其他的方式向患者发出警告，也许可以避免事故的发生，最大程度地减少损失和伤害。

据此我们选择使用 VNS、RNS 方法作为解决方案。将芯片植入到大脑里面之后，芯片需要时刻对大脑进行观察。研究人员会对不同的大脑区域进行不同的刺激，来鉴别患者癫痫发生的主要区域。如果想做更精准的定位，患者们就需要去医院做核磁检查。即便通过以上手段做了很精确的检查，但癫痫的发作是非常紧急的，我们不能指望用核磁共振的诊断，去保证某位患者每一个月的同一时间都不会发病的。此时研究人员就需要考虑该怎么样用外置的设备，用传感器更好监控脑电信号的传递。

患者们去医院测试的是脑电波，检查时通过仔细观察脑电图可以了解在哪一部分的脑部活动会引起癫痫。大家都知道癫痫发病来自于大脑，如果能在头皮检测到不同的脑电信号变化，就能帮助医生和研究人员判断和定位癫痫到底是由哪一部分的大脑产生的。脑部芯片就能满足个性化的患者的需求，当它们被植入到大脑当中后，能更好地实时理解每一个患者的发病情况。

此外，纳米技术也被应用于此类研究之中，用以量测纳米颗粒在脑内的聚集。一般人们在思考的时候，在大脑的某一个局部就会发生比较明显的神经活动。如果是正处在癫痫发病过程中的患者的大脑，可能会有某一部分被激发产生大量的神经递质，这个时候就可以检测由于神经元活动聚集的神经递质的密度和强度，来帮助我们定位癫痫是由大脑的哪部分产生的。

研究人员们在小白鼠身上也做了实验，这是我们检测的案例。我们通过将大脑发病的时候给出的信号用不同的颜色标注，显示了 10-20 秒当中癫痫发病的情况，包括对于当前信号的影响。这些发病过程都是可以通过电子信号进行监测，根据信号能看到大脑电子信号的频率是增高的，研究人员就可以观察到在癫痫发生之前出现的症状，包括癫痫发病的情况。这一芯片设备尺寸非常小，大概是两微米，耗电只有六毫瓦，它的启动也非常简单，敏感性非常高。

机器学习与脑部芯片的未来发展

即使现在有了很多新的技术，但是癫痫治疗依然非常困难，虽然科学家们持续地在推进治疗方法和手段，但是精准预测癫痫发作依然是个难题，这也是此类医疗技术未来的发展方向。

从机器学习的角度看，很多分类算法已经发展的非常成熟，所以我们可以考虑针对不同类别的病例，利用已经累计起来的脑部活动信息数据，对机器学习算法进行定向的训练。通过深度学习可以更加提高我们对癫痫发病的预测。我们团队未来的想法，是希望能够通过这样的监测，给手机上发一个警告的信息，对于中风患者来讲，这样的脑部监测设备也是适用的，希望为患者带来真正未雨绸缪的福利。

这只是我们团队目前研究的领域，全球还有很多团队都在研究包括脑电信号传输，或者是其他的研究方向。我们做的工作主要集中在，诸如对信号源的解读，分析、传输、预测，我们还尝试做了一些应用，这些项目有不同的分级、不同的服务，还有针对不同患者的定制化的产品。其他的研究机构或大学，比如多伦多大学，都正在这一领域进行重要的研究。

作为科学家和研发者，我们希望对于预测处理器而言能有更多的内存，但是对于大脑来讲，依旧需要研发出更小体积的芯片，我们不可以把笔记本植入大脑当中，所以我们需要减少植入式处理器的可用数据存储，内存是未来我们要解决的比较复杂问题之一。

现在的芯片越来越小，能耗越来越低，利用深度学习和机器学习，我们可以更好的生产更加智能的芯片，更好的提高芯片的效率减少它的能耗。我们利用算法的优化来提高硬件处理的能效表现。同时，材料学的进步，也给我们带来的利好的消息。

如何进行算法、电路和器件的高效结合，将是研究者们未来的目标。我们希望通过这些手段在未来能实现更低的能耗的机器学习，我们也希望在未来芯片会越来越小，比如说它能达到毫米或以下的尺寸，这样会为患者带来更好的福利。

针对于现有的技术，根据不同的模型进行能耗的优化，这是西湖大学正在做的一项工作，也是我们团队最新的目标和愿景。通过训练形成机器学习作出病情预判，这不是一个新的概念，这个概念在 1975 年的时候就已经出现，发展至今有很多科学家都已经在这方面作出了非常大胆的尝试和努力。

多层感知机模型（图片来源于网络）

比如伟博斯在 1981 年的神经网络反向传播（BP）算法中具体提出多层感知机模型。虽然 BP 算法早在 1970 年就已经以 “自动微分的反向模型”为命名提出了，但直到现在才真正发挥效用，并且直到今天 BP 算法仍然是神经网络架构的关键因素。

2012 年也有团队做了新的尝试。随着技术慢慢地发展，包括我也一直在做这方面的研究，现在我在西湖大学还在继续这些研究。

从 1975 年开始到现在，各国研究人员对于癫痫的预测已经有了大量的研究报告的出现，这些都是此类研究蓬勃发展的证据。我们也用小型化的设备植入人体当中，通过小型化传感器检测神经信号。我们的芯片，体积非常的小，可以方便的植入或者去除，更换起来也很方便。

我们还有关于膀胱失禁的研究，帮助解决患者的痛苦。我们做设计的系统涉及许多设备，比如生物泵，包括对于尿管闭合监测的设备等等，同时我们可以用手机来进行信号的监控。

我给大家介绍了我们正在做的工作，我们能做些什么，而我们也面临着极大的挑战，因为大脑是非常复杂的，功能也是非常多元化的，这都是未来研究神经疾病的重大挑战。

注：本文根据默罕默德 · 萨万教授在未来论坛演讲整理而来，有删减。

广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。