如何鍊接大腦與機器：神奇的腦部芯片未來無限

　　上周末，馬斯克發布了腦機接口新設備 Neuralink，隻需在頭皮上多一個小小的創口，通過一個硬币大小的設備就能給自己植入屬于大腦的 Fitbit，可以通過手機 APP 直接控制。目前這個設備已經在小豬身上實驗成功，并且已經獲得 FDA 人腦實驗批準。未來這一設備很有可能除了幫助殘障人士控制義肢外，還能用來對抗癫痫、重度抑郁、自閉症、阿爾茲海默症、帕金森綜合征等神經疾病難題。

　　不少網絡用戶表示這樣鍊接大腦與機器的技術，幾乎是科幻影視作品照進現實。實際上此類技術早在 2008 年就已經在動物試驗中獲得過成功，不論什麼樣的外觀和路徑，如何将大腦中的 “意念”轉化為機器能夠識别的指令并實現傳輸，都是此類技術繞不過去的一環，這也一直都是科學家們尋求突破的要點。

　　其實不久前，真人版 “阿麗塔”就曾登上過微博熱搜。這是一位來自英國的少女 Tilly，在一歲時因患敗血症被截掉雙臂，但 12 年後她成了英國的第一個擁有仿生手臂的人。機械臂内置有肌肉傳感器，所以 Tilly 可以通過 “意念”輕松控制機械手指的各種動作和運動模式。通過使用機械手臂，Tilly 可以實現生活自理，甚至成為了一名美妝博主。雖然機械臂的靈活程度還有待提高，Tilly 在幫朋友化妝時偶爾會發生睫毛膏戳到眼睛的事故，但 Tilly 依舊非常喜歡酷炫的機械手臂。

　　實際上，Tilly 使用的此類智能仿生義肢已經在全球範圍内有不少的成功的應用案例，随着技術的革新和發展，研究人員們也在尋求着功能更加完備的仿生手段，比如除了能夠完成日常動作之外，還要有更高的靈敏度和靈活度，甚至是觸覺。

　　而對于那些不僅僅是失去肢體的某部分，而是神經系統受到嚴重損傷的患者，通過肌肉和末梢神經進行仿生義肢控制的方式是遠遠不夠的。它們需要能夠鍊接大腦的技術來向其發出指令，明确用戶 / 患者的需求或提供反饋。這樣的神經接口需要具有高準确度，并且長期穩定、安全可靠。

　　1924 年，德國精神科醫生漢斯 · 貝格爾發現了腦電波。人們才發現原來人的意識被轉化為電子信号後是可以被讀取的。自此，腦機接口研究便已經萌芽，但直到上世紀六七十年代，這些技術才初現雛形。

　　1969 年，一位名叫埃伯哈德 · 費茲的研究員将猴子大腦中的一個神經元連接到了儀表盤。當神經元被觸發的時候，儀表盤的指針會轉動。如果猴子通過某種思考方式觸發該神經元，讓面前這個儀表盤的指針轉動起來，就能得到一顆香蕉味的丸子。在香蕉丸子的誘惑下，猴子開始擅長這個遊戲。這隻通過訓練學會了控制神經元觸發的猴子，偶然地成為了第一個真正的腦機接口被試對象。次年，美國國防研究計劃局(DARPA)開始組建團隊研究腦機接口技術。

　　90 年代末，腦機接口研究迎來新浪潮，1999 年和 2002 年先後有兩次 BCI 國際會議召開，并且此前已經有了通過手術将芯片與人腦連接，通過大型主機遠程控制其他設備的成功案例。

　　同一時期，科幻電影《黑客帝國》上映，其中就有在腦後插入電纜後傳輸知識、控制設備甚至改變現實的情節，這在當年已經不是腦洞大開的幻想了，而是基于既有研究的合理想象。

　　事實上，在大腦裡，我們已經擁有很多可以實現的技術了，與此同時還有很多新的可能性在不斷地發生。除了控制義肢，将大腦信息傳輸至外部還能做到更多，而植入性技術将幫助我們做到這一點。

　　我們可以通過植入性的新技術來治療一些難治的腦部相關疾病，這些疾病包括視力損失、聽力損失、癫痫，還有我們所熟悉的一些比較可怕的疾病，包括帕金森症、抑郁症等，還有一些疾病會導緻人體癱瘓。研究人員們希望能通過神經元的修複，把這些信号進行有效的傳輸，并且通過機器來進行很好的控制。

　　研究人員們希望能把這種技術運用到大腦之中，在大腦中可以接收這些信号，通過植入可刺激神經的芯片，來将其和脊柱神經元聯系在一起，用以恢複大腦和身體的功能。研究人員已經在猴子身上進行了這樣的實驗，希望能通過傳感器和處理器、可穿戴設備，能從外部促進聽力、視覺恢複的機器，植入到體内，促進大腦功能的恢複。

　　人的大腦和機器的界面叫做人腦機器界面，新的技術也已經在醫療實踐中付諸應用，不管是什麼樣的設備，包括像治療癫痫的設備，生物傳感器都可以進行很好的植入和應用。

　　我們知道，視覺是非常重要的功能，如果某位患者眼睛失明了，那麼他的視網膜就無法接受到信息。如果要通過植入技術解決這個問題，就需要進一步深入了解到視網膜的成像的機理是什麼，我們通過對視網膜功能的探索，通過大腦的成像，通過微型的設備，可能是毫米甚至是更精準的儀器，将它們植入到我們的大腦中，然後通過天線，小的射頻單元，以及其他小的芯片，将不同的功能在大腦中植入，這些芯片能提升我們的聽力、視覺，能促進眼部的信息在大腦中進行成像，使失明患者能看到我們所看到的事物。

　　此類研究還有些很多新興領域是關于大腦視覺部分的。人的大腦中能将眼睛看到的東西進行成像，那我們能看到不同的顔色是基于什麼樣的原理?實際上是由于視覺信号的傳遞。研究人員可以通過有效的功能優化，通過芯片上的控制單元和、收發機的植入能更好地進行研究。視覺上的植入，我們可以看到具體的圖像是如何進行成像的，而對這些功能的分析，最後在大腦中進行的修複。

　　為了完成以上過程，我們首先需要了解的是，在大腦中如何進行不同信号的獲取和的傳輸。在這個環節就需要使用到不同的芯片來捕捉大腦中的這些過程。不同的腦部芯片都具有相應的差異，這些芯片能夠發揮不同的功能對電信号進行記錄，能夠接收不同頻率腦電信号。芯片的這些工作可以讓我們了解到大腦中不同的區域發生的問題是什麼，通過這些對應腦内相應部分的 “工具”，它們可能僅僅是兩毫米非常小的設備，就能在大腦中幫助我們恢複這些功能。

　　我很高興能和大家分享這些功能，讓大家更好了解到我們如何能夠通過這些芯片的使用，把外部的信号傳遞到人體的大腦中。

　　今天我們讨論到的是非常小的傳感器的使用，這些非常小的電子單元可以達到微米級别。

　　研究人員們已經在猴子身上進行了不同的實驗。衆所周知，猴子的大腦和人腦有些相似的地方，通過在猴子身上進行類似的實驗，能夠驗證這些芯片是否能夠保證信号的傳輸。首先已知猴子們并沒有失明，研究人員們會先進行解碼，了解到猴子如何看到信息的，然後進行效仿，最後對這樣一個機制進行模拟。通過對猴子大腦的解碼，能夠更好地幫助研究人腦功能的修複研究。

　　針對不同的腦電波頻譜，芯片能夠針對不同的腦部區域來進行正确的記錄。再來看一下芯片内部的結構。之前提到過這類腦内芯片設備是非常低能耗的，不需要有任何電池，所以可以直接把芯片設備植入到頭皮當中進行工作。當然，我們還有的技術能夠做到這樣的系統，比如信号可以傳遞幾米，這裡有很多芯片可以用來進行有效的記錄和傳遞。

　　再來看一下典型的大腦機能紊亂型的病症——癫痫，全球有大概有 1% 的的人可能會有癫痫的症狀。遭受此類神經退行性疾病的病痛折磨的人是非常多的，所以我們也關注了對癫痫患者的治療。問題在于，我們要觀察大腦每一部分是什麼樣的狀态，之後再做有效的成像，觀察在發生癫痫的時候大腦到底是什麼樣的狀态，如何在癫痫發病之前阻止症狀發生，這時候就需要觀察神經的變化。如果某一癫痫患者在開車的時候突然發病，就可能會引發嚴重的安全事故。所以這個時候就如果能夠通過腦部芯片捕捉到的信息提前 10 分鐘或者 30 分鐘，通過手機或者其他的方式向患者發出警告，也許可以避免事故的發生，程度地減少損失和傷害。

　　據此我們選擇使用 VNS、RNS 方法作為解決方案。将芯片植入到大腦裡面之後，芯片需要時刻對大腦進行觀察。研究人員會對不同的大腦區域進行不同的刺激，來鑒别患者癫痫發生的主要區域。如果想做更精準的定位，患者們就需要去醫院做核磁檢查。即便通過以上手段做了很的檢查，但癫痫的發作是非常緊急的，我們不能指望用核磁共振的診斷，去保證某位患者每一個月的同一時間都不會發病的。此時研究人員就需要考慮該怎麼樣用外置的設備，用傳感器更好監控腦電信号的傳遞。

　　患者們去醫院測試的是腦電波，檢查時通過仔細觀察腦電圖可以了解在哪一部分的腦部活動會引起癫痫。大家都知道癫痫發病來自于大腦，如果能在頭皮檢測到不同的腦電信号變化，就能幫助醫生和研究人員判斷和定位癫痫到底是由哪一部分的大腦産生的。腦部芯片就能滿足個性化的患者的需求，當它們被植入到大腦當中後，能更好地實時理解每一個患者的發病情況。

　　此外，納米技術也被應用于此類研究之中，用以量測納米顆粒在腦内的聚集。一般人們在思考的時候，在大腦的某一個局部就會發生比較明顯的神經活動。如果是正處在癫痫發病過程中的患者的大腦，可能會有某一部分被激發産生大量的神經遞質，這個時候就可以檢測由于神經元活動聚集的神經遞質的密度和強度，來幫助我們定位癫痫是由大腦的哪部分産生的。

　　研究人員們在小白鼠身上也做了實驗，這是我們檢測的案例。我們通過将大腦發病的時候給出的信号用不同的顔色标注，顯示了 10-20 秒當中癫痫發病的情況，包括對于當前信号的影響。這些發病過程都是可以通過電子信号進行監測，根據信号能看到大腦電子信号的頻率是增高的，研究人員就可以觀察到在癫痫發生之前出現的症狀，包括癫痫發病的情況。這一芯片設備尺寸非常小，大概是兩微米，耗電隻有六毫瓦，它的啟動也非常簡單，敏感性非常高。

　　即使現在有了很多新的技術，但是癫痫治療依然非常困難，雖然科學家們持續地在推進治療方法和手段，但是精準預測癫痫發作依然是個難題，這也是此類醫療技術未來的發展方向。

　　從機器學習的角度看，很多分類算法已經發展的非常成熟，所以我們可以考慮針對不同類别的病例，利用已經累計起來的腦部活動信息數據，對機器學習算法進行定向的訓練。通過深度學習可以更加提高我們對癫痫發病的預測。我們團隊未來的想法，是希望能夠通過這樣的監測，給手機上發一個警告的信息，對于中風患者來講，這樣的腦部監測設備也是适用的，希望為患者帶來真正未雨綢缪的福利。

　　這隻是我們團隊目前研究的領域，全球還有很多團隊都在研究包括腦電信号傳輸，或者是其他的研究方向。我們做的工作主要集中在，諸如對信号源的解讀，分析、傳輸、預測，我們還嘗試做了一些應用，這些項目有不同的分級、不同的服務，還有針對不同患者的定制化的産品。其他的研究機構或大學，比如多倫多大學，都正在這一領域進行重要的研究。

　　作為科學家和研發者，我們希望對于預測處理器而言能有更多的内存，但是對于大腦來講，依舊需要研發出更小體積的芯片，我們不可以把筆記本植入大腦當中，所以我們需要減少植入式處理器的可用數據存儲，内存是未來我們要解決的比較複雜問題之一。

　　現在的芯片越來越小，能耗越來越低，利用深度學習和機器學習，我們可以更好的生産更加智能的芯片，更好的提高芯片的效率減少它的能耗。我們利用算法的優化來提高硬件處理的能效表現。同時，材料學的進步，也給我們帶來的利好的消息。

　　如何進行算法、電路和器件的高效結合，将是研究者們未來的目标。我們希望通過這些手段在未來能實現更低的能耗的機器學習，我們也希望在未來芯片會越來越小，比如說它能達到毫米或以下的尺寸，這樣會為患者帶來更好的福利。

　　針對于現有的技術，根據不同的模型進行能耗的優化，這是西湖大學正在做的一項工作，也是我們團隊的目标和願景。通過訓練形成機器學習作出病情預判，這不是一個新的概念，這個概念在 1975 年的時候就已經出現，發展至今有很多科學家都已經在這方面作出了非常大膽的嘗試和努力。

　　多層感知機模型

　　比如偉博斯在 1981 年的神經網絡反向傳播(BP)算法中具體提出多層感知機模型。雖然 BP 算法早在 1970 年就已經以 “自動微分的反向模型”為命名提出了，但直到現在才真正發揮效用，并且直到今天 BP 算法仍然是神經網絡架構的關鍵因素。

　　2012 年也有團隊做了新的嘗試。随着技術慢慢地發展，包括我也一直在做這方面的研究，現在我在西湖大學還在繼續這些研究。

　　從 1975 年開始到現在，各國研究人員對于癫痫的預測已經有了大量的研究報告的出現，這些都是此類研究蓬勃發展的證據。我們也用小型化的設備植入人體當中，通過小型化傳感器檢測神經信号。我們的芯片，體積非常的小，可以方便的植入或者去除，更換起來也很方便。

　　我們還有關于膀胱失禁的研究，幫助解決患者的痛苦。我們做設計的系統涉及許多設備，比如生物泵，包括對于尿管閉合監測的設備等等，同時我們可以用手機來進行信号的監控。

　　我給大家介紹了我們正在做的工作，我們能做些什麼，而我們也面臨着極大的挑戰，因為大腦是非常複雜的，功能也是非常多元化的，這都是未來研究神經疾病的重大挑戰。