AI又一突破：成功駕駛腦機接口，讓癱瘓患者準確率提升4倍

每當我們聽到“腦機接口”（BCI）這個詞，就會聯想到“意念控制”——你出想法，機器代為執行。這聽起來很酷，但實現起來可沒那么簡單。

傳統 BCI 就像一個“死板的助手”，只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 系統不再只幫你“選按鈕”或“代勞執行”，而是和你真正分工合作：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，這一非侵入性腦機接口系統，成功讓癱瘓受試者在移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

論文鏈接：

https://www.nature.com/articles/s42256-025-01090-y

這種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 系統的升級，它們或能幫助用戶更輕松地完成更多復雜任務。

或許，我們離“意念操作”的暢快體驗，真的不遠了。

傳統腦機接口不夠好？AI加“外掛”！

運動型 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 仍面臨核心挑戰：系統性能必須足夠強大，才能抵消其成本與潛在風險。

在大多數傳統運動型 BCI 中，例如控制計算機光標或機械臂，唯一的控制來源是解碼后的神經信號。然而，現實任務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，只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”進行輔助。

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

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

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后點擊“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）。

最后，當無法獲取任何任務相關信息時，該 AI-BCI 系統仍可切換回傳統 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，類似于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 副駕駛系統：

• 光標控制系統：使用深度強化學習進行訓練，實現智能輔助光標操作；

• 機械臂控制系統：結合計算機視覺技術，可自動識別物體并執行抓取或放置操作。

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

在光標控制任務中，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，光標副駕駛系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制能力

在機械臂實驗中，AI 副駕駛利用 CV 系統推測目標位置并持續跟蹤物體。他們設計的副駕駛程序能夠識別所有目標，并在機械臂距離積木或十字目標 2.54 厘米范圍內時，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制，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 副駕駛的情況下無法完成任何成功試驗，但有了AI副駕駛后，其正確放置率達到 93%。

AI-BCI 的未來形態是什么？

研究結果表明，在光標控制和機械臂任務中，共享自治顯著提升了 BCI 的整體性能。這一方法為提升 BCI 效能提供了一條互補路徑，隨著 AI 副駕駛技術的不斷進步，AI-BCI 的表現有望進一步增強。性能提升的關鍵在于：AI 能夠輔助用戶更高效地實現目標。

研究團隊指出，AI 副駕駛能夠減少完成高維任務所需的神經解碼自由度（DOFs）。對于更復雜的任務，例如與特定物體交互，通過訓練副駕駛處理這些操作，可進一步降低用戶所需的控制自由度。

雖然已有研究展示了能夠根據分類目標執行動作的機器人，但這些方法存在局限：AI 副駕駛并未與用戶實現實時共享控制。而共享自治則允許用戶與 AI 副駕駛持續交互，即使在缺乏明確目標的情況下，也可自動轉為傳統 BCI 模式。

研究團隊預測，未來的 AI 副駕駛系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制權，從而全面提升人類在各類任務中的表現。未來研究應聚焦于：

• 開發更先進的 AI 副駕駛，實現面向物體的機械臂軌跡控制，并根據物體動態進行精確操作；

• 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“干預式輔助”的控制共享策略；

• 推動共享自治在更復雜的機器人系統中應用，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；

• 促進任務標準化，并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，未來工作可能集中于構建更優解碼器，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 控制能力較弱的用戶中，可顯著提升系統整體表現。

整理：小羊

如需轉載或投稿，請直接在公眾號內留言