加州大學舊金山分校的研究人員使一名癱瘓男子能夠控制一個機械臂，該機械臂通過計算機接收來自大腦的信號。
他能通過想象做一些動作來抓取、移動和放下物體。
技術實現依賴于一個與AI模型融合的腦機接口設備。其AI模型能自適應大腦活動的微小變化，當患者反復想象某個動作時，AI會逐步優化解碼精度，實現更自然的操控。
據悉，該腦機接口設備在無需調整的情況下創紀錄地穩定運行7個月，此前，同類設備僅能維持一兩天。
"這種人類與AI學習的深度融合，正是腦機接口技術發展的下一階段。"加州大學舊金山分校神經學教授Karunesh Ganguly醫學博士表示，"這就是我們實現復雜、逼真的功能所需要的突破。"
圖源：UCSF | 侵刪
這項研究的關鍵突破在于發現了人類大腦活動模式的動態變化規律——當癱瘓患者反復想象特定動作時，其對應的大腦信號會隨時間發生微妙偏移。
研究團隊通過AI算法成功捕捉并適應了這種變化，使腦機接口得以長期穩定工作。
Ganguly教授通過動物實驗首次觀察到：動物在學習新動作時，大腦運動皮層的活動模式會持續重組。
Ganguly教授懷疑同樣的事情也發生在人類身上，這就是為什么傳統腦機接口快速失效的原因——固定解碼算法程序無法適應神經信號的自然偏移。
圖源：UCSF | 侵刪
Ganguly教授與一名多年前因中風而癱瘓的參與者合作。癱瘓者的大腦表面植入了微型傳感器，當他想象移動時，這些傳感器可以捕捉到大腦活動。
雖然癱瘓者實際上不能移動，但當他想象自己在做運動時，他的大腦仍然可以產生運動信號。腦機接口通過大腦上的傳感器記錄下大腦活動模式的特征。
結果顯示，即使參與者每天想象相同的動作，大腦活動模式也會略微變化。
在為期兩周的訓練中，Ganguly教授指導這位癱瘓患者持續想象手指、手掌和拇指的簡單動作，同時通過植入的微型傳感器記錄其腦部活動數據來訓練AI系統。然而，當患者首次嘗試操控真實機械臂時，動作精度仍不盡如人意。
隨后，Ganguly教授讓患者在虛擬機械臂上練習，該虛擬機械臂提供可視化的準確性反饋。最終，患者在虛擬機械臂上準確完成了各項任務。
當患者開始使用真正的機械臂進行練習，他只需要幾次練習就可以把虛擬機械臂上習得的技能，轉移到現實機械臂中。
他可以用思維操控機械臂拾取積木，轉動它們并將它們移動到新的位置。他甚至能夠打開一個柜子，拿出一個杯子，把它舉到飲水機上。
Ganguly教授正在計劃改進腦機接口AI模型，使機械臂移動得更快、更平穩，并計劃在家庭環境中測試腦機接口。
對于癱瘓的人來說，能夠自己吃飯或喝水將極大改善生活質量。
“我非常有信心，我們現在已經學會如何構建系統，并且讓它發揮作用。” Ganguly教授說。
