上周末，马斯克推出了一款新的脑 - 计算机接口设备 --Neuralink，它可以由手机 APP 直接控制，还可以用硬币大小的装置嵌入大脑，只需头皮上有一个小伤口。目前，该装置已在仔猪身上成功测试，并已得到美国食品药品管理局（FDA) 人脑实验的批准。未来，该设备可能被用于对抗神经系统问题，如癫痫发作、严重抑郁、自闭症、阿尔茨海默氏症（AD) 和帕金森综合症，以及帮助残疾人控制假肢。

许多在线用户表示，将大脑与机器连接的技术几乎是科幻小说的现实。事实上，这种技术早在 2008 年就在动物实验中取得了成功，无论其外观和路径如何，如何将大脑中的 "想法" 转化为机器能够识别和传递的指令，并不是这种技术的一部分，而这种技术一直是科学家寻求突破的关键。

事实上，不久前，微博上的真实版 "Alita" 还在搜索中。"蒂利，一个英国女孩，在一岁的时候被截肢，患有败血症。12 年后，她成为英国第一个拥有仿生手臂的人。机械手内置于肌肉传感器中，这样 Tilly 就可以通过"Mind" 轻松地控制机械手的各种动作和运动方式。通过使用机器人手臂，蒂利可以照顾好自己，甚至成为一名化妆博主。虽然机械手的灵活性还有待提高，蒂莉在化妆时偶尔会把睫毛膏刺进眼睛，但蒂利仍然非常喜欢酷酷的机器人手臂。

事实上，这种智能仿生假肢已经在世界各地得到了许多成功的应用。随着技术的创新和发展，研究人员除了能够完成日常的活动外，还在寻找更多功能完善的仿生手段，比如更高的灵敏度和灵活性，甚至是触觉。

对于那些不仅失去部分肢体，而且神经系统也受到严重损害的人来说，通过肌肉和周围神经来控制仿生假肢是远远不够的。他们需要能够与大脑相连的技术来指导他们识别使用者 / 病人的需求或提供反馈。这种神经接口需要准确、稳定、安全和可靠的时间。

脑力计算机 " 的研究与发展历史

1924 年，德国精神病学家汉斯·伯杰（Hans Berger) 发现了脑电波。直到那时，人们才发现，人类最初的意识在转化为电子信号之后才能被解读。自那以后，脑 - 计算机接口研究开始萌芽，但直到上世纪 60 年代和 70 年代，这些技术才开始形成。

1969 年，一位名叫 Eberhard Fitz 的研究人员将猴子大脑中的一个神经元连接到仪表板上。当神经元被触发时，指向仪表板的指针旋转。如果猴子以某种思维方式触发神经元，并将指针转到它前面的仪表板上，他就能得到一片香蕉药丸。在香蕉球的诱惑下，猴子开始擅长这个游戏。猴子，谁训练控制神经元触发器，意外地成为第一个真正的大脑 - 计算机接口学科。第二年，国防高级研究计划局（DARPA) 开始成立一个小组来研究脑 - 计算机接口技术。

20 世纪 90 年代末，脑 - 计算机接口研究迎来了新一轮的浪潮。1999 年和 2002 年，举办了两次 BCI 国际会议，通过手术和通过大型机远程控制其他设备，成功地将芯片与人脑连接起来。

与此同时，科幻电影 "黑客帝国" 也上映了，影片中有一些阴谋，在他们的脑海中插入电缆，传播知识、控制设备，甚至改变现实，这不再是一种巨大的灵感幻想，而是基于现有研究的合理想象。

事实上，在大脑中，我们已经拥有了许多可实现的技术，同时，还有许多新的可能性在继续发生。除了控制假肢，还可以做更多的工作来将大脑信息传输到外部，而植入技术将帮助我们做到这一点。

我们可以用可植入的新技术来治疗一些与大脑有关的顽固性疾病，包括视力丧失、听力丧失、癫痫发作，以及我们所熟悉的一些更可怕的疾病，包括帕金森病、抑郁症和其他可能导致瘫痪的疾病。研究人员希望能够通过神经元修复有效地传递这些信号，并通过机器很好地控制这些信号。

研究人员希望将这项技术应用于大脑，在那里他们可以接收这些信号，并通过植入刺激神经恢复大脑和身体功能的芯片，将这些信号与脊髓神经元连接起来。研究人员在猴子身上进行了这样的实验，希望通过传感器、处理器和可穿戴设备，能够将促进外部听觉和视觉恢复的机器嵌入人体，以促进大脑功能的恢复。

人脑和机器之间的接口被称为人脑机器接口，新技术已经应用于医疗实践中。无论是哪种设备，包括治疗癫痫的设备，生物传感器都可以很好地嵌入和应用。

捕捉大脑中的信息

我们知道视觉是一个非常重要的功能，如果病人失明，他的视网膜将无法接收信息。如果我们想通过植入技术来解决这个问题，我们需要进一步了解视网膜成像的机理，通过探索视网膜功能，通过脑成像，通过微型设备，可能是毫米或更精确的仪器，将它们嵌入我们的大脑，然后通过天线、小射频单元和其他小芯片。通过在大脑中植入不同的功能，这些芯片可以改善我们的听觉和视力，促进大脑中眼睛信息的成像，并使盲人能够看到我们看到的东西。

还有许多新兴的研究领域涉及大脑的视觉部分。当我们能够看到眼睛在人脑中看到的东西时，我们能看到不同颜色的原理是什么？这实际上是由于视觉信号的传递。通过有效的功能优化，研究人员可以更好地研究芯片上植入控制单元和收发器。视觉植入，我们可以看到具体的图像是如何成像的，以及这些功能的分析，最后在大脑中进行精确的修复。

为了完成上述过程，我们首先需要了解的是如何在大脑中获取和传递不同的信号。在这方面，需要使用不同的芯片来捕捉大脑中的这些过程。不同的脑芯片有对应的差异，这些芯片可以发挥不同的功能来记录电信号，可以接收不同频率的脑电信号。芯片上的工作让我们了解大脑不同部位的问题，通过这些与大脑相应部分对应的"工具"，它们可能仅仅是两毫米的非常小的设备，可以帮助我们恢复大脑中的这些功能。

我很高兴与你们分享这些功能，让你们更好地了解我们如何利用这些芯片向人脑传递外部信号。

脑内芯片的应用

我们今天谈论的是使用非常小的传感器，这些非常小的电子单位可以达到微米级。

研究人员对猴子进行了不同的实验。众所周知，猴子的大脑与人脑有些相似，类似的实验可以在猴子身上进行，以验证这些芯片是否能保证信号的传输。首先，已知猴子不是盲人，研究人员将首先解码，了解猴子如何看待信息，然后效仿，最后模拟这样的机制。通过解码猴子的大脑，可以更好地帮助研究人类大脑功能的修复。

对于不同的脑波谱，芯片可以正确记录不同脑区的情况。让我们来看看芯片的内部结构。如前所述，这种脑芯片设备能耗很低，不需要任何电池，所以芯片装置可以直接植入头皮工作。当然，我们也有最新的技术来实现这样一个系统，如信号可以传输几米，有很多芯片可以用来进行有效的记录和传输。

看一看典型的大脑障碍，癫痫发作，世界上大约 1% 的人可能有癫痫的症状。"许多人患有这种神经退行性疾病的痛苦，所以我们也关心癫痫患者的治疗。问题是，我们需要观察大脑每个部分的状态，然后进行有效的成像，看看癫痫发作时大脑是什么样子，以及如何在癫痫发作之前预防症状，当我们需要观察神经的变化时。" 如果癫痫患者在开车时突然生病，可能会导致严重的安全事故。因此，如果大脑芯片捕捉到的信息比计划提前 10 或 30 分钟，通过手机或其他方式警告病人，就有可能避免事故，尽量减少损失和伤害。

在此基础上，我们选择使用 VNS，RNS 方法作为解决方案。芯片插入大脑后，需要随时观察芯片。研究人员刺激大脑的不同区域，以确定病人癫痫发作的主要区域。如果你想做一个更准确的定位，病人需要去医院做核磁检查。即使以上手段做了非常准确的检查，但癫痫的发作是非常紧迫的，我们不能期望使用 MRI 诊断，以确保患者不会在每个月的同一时间发展。此时，研究人员需要考虑如何使用外部设备，利用传感器更好地监控脑电信号的传输。

病人到医院检查脑电波，在此期间可以仔细观察脑电图，找出脑活动的哪一部分可以引起癫痫。众所周知，癫痫发作来自大脑，如果能在头皮上检测到不同的脑电图变化，就可以帮助医生和研究人员确定和定位癫痫发作是由哪一部分引起的。脑芯片可以满足个性化患者的需求，当它们嵌入脑内时，可以更好地实时了解每个患者的发病情况。

此外，纳米技术也被用于此类研究，以测量纳米粒子在大脑中的聚集。当人们思考时，大脑的某一部分有明显的神经活动。如果是病人的大脑处于癫痫发作的过程中，大脑的某一部分可能会受到刺激，产生大量的神经递质，这种神经递质可以通过检测由于神经元活动而聚集的神经递质的密度和强度来检测，以帮助我们确定大脑癫痫发作的哪一部分是由哪一部分引起的。

研究人员还对老鼠进行了实验，我们测试了一个案例。通过标记不同颜色的大脑信号，我们在 10-20 秒内显示了癫痫的发生率，包括对当前信号的影响。这些过程可以通过电子信号进行监测，根据电子信号可以看到大脑电子信号的频率增加，研究人员可以观察癫痫发作前的症状，包括发作的发生率。该芯片体积非常小，大约两微米大小，只消耗 6 毫瓦的电能，而且启动非常简单和敏感。

机器学习与脑芯片的未来发展

即使有许多新技术，但癫痫治疗仍然很困难，虽然科学家们继续推广治疗方法和手段，但准确预测癫痫发作仍是一个问题，这也是这种医学技术未来的发展方向。

从机器学习的角度来看，许多分类算法已经发展得非常成熟，所以我们可以考虑不同类别的病例，利用累积的大脑活动信息数据，机器学习算法进行定向训练。通过深入学习，我们可以提高对癫痫发生率的预测。我们未来的团队的想法是通过这种监测向手机发送警告信息，对于中风患者，这种脑监测设备也是适用的，希望能给真正提前做好准备的患者带来好处。

这只是我们团队目前研究的领域，世界各地的许多团队都在致力于脑电信号传输或其他研究方向。我们的工作主要集中在信号源的解释、分析、传输、预测等方面，我们也尝试了一些应用，这些项目有不同的等级、不同的服务以及针对不同患者的定制产品。多伦多大学等其他研究机构或大学正在进行这一领域的重要研究。

作为科学家和开发者，我们希望有更多的内存用于预测处理器，但对于大脑，我们仍然需要开发更小的芯片，我们不能将笔记本电脑植入大脑，因此我们需要减少可植入处理器的可用数据存储，这是我们未来要解决的更复杂的问题之一。

现在的芯片越来越小，能耗越来越低，通过深入学习和机器学习，我们可以更好地生产出更智能的芯片，更好地提高芯片的效率，降低其能耗。我们采用优化算法来提高硬件处理的能效性能。同时，材料科学的进步，也给我们带来了好消息。

如何将算法、电路和设备有效地结合起来，将是未来研究人员的目标。我们希望通过这些手段在未来实现更低的能耗机器学习，我们也希望将来芯片会变得越来越小，例如，它可以达到毫米或更小的尺寸，这将给病人带来更好的好处。

就现有技术而言，根据不同模式优化能源消耗，这是西湖大学正在做的一项工作，也是我们团队的最新目标和愿景。通过训练和机器学习来预测疾病并不是一个新概念。这一概念出现于 1975 年。到目前为止，许多科学家在这方面做出了非常大胆的尝试和努力。

多层感知机模型（图片来自网络）多层感知机模型（图片来自网络）

例如，1981 年，Webbs 在神经网络反向传播（BP) 算法中提出了一种多层感知机模型。虽然 BP 算法早在 1970 年就被命名为 "自动差分反向模型"，但到目前为止它还没有真正起作用，而 BP 算法至今仍是神经网络体系结构的关键因素。

2012 年，团队也做出了新的尝试。随着科技的进步，包括我一直在做这项研究，我仍在西湖大学（University OF West Lake) 继续这项研究。

自 1975 年以来，来自世界各地的研究人员报告了大量关于癫痫发作预测的研究，这证明了这类研究的蓬勃发展。我们还使用微型装置嵌入人体，利用微型传感器检测神经信号。我们的芯片体积很小，可以很容易地植入或移除，而且更换它也非常方便。