脑机接口:人工智能下一站?

来源:《光明日报》

作者:杨义先、钮心忻,北京邮电大学教授

随着人工智能的发展,脑机接口也逐渐从科幻走进现实。有人希望以此造就“超人”,更多的人则希望能够解决实际问题——让盲人复明、让瘫痪在床的患者重新走路、让阿尔兹海默症患者找回曾经的记忆……但也有人持有怀疑态度:脑机接口会不会让别人控制自己的大脑?被人工智能增强了能力的人,还能称之为“人”吗?日前,北京邮电大学教授杨义先、钮心忻完成的科普书《人工智能未来简史:基于脑机接口的超人制造愿景》,对脑机接口的过去、现在和未来进行了全面、客观而系统的梳理。本期,我们邀请两位作者撰文,简单介绍一下他们眼中的脑机接口。

脑机接口并不是个新名词

脑机接口就是脑系统(准确地说是以脑为主的神经系统)与机系统(准确地说是人造的体外系统)之间的接口(准确地说是电子信息接口)。

既然是接口,脑机接口的主要任务有两个:一是输出,即把脑系统的电信号提取出来,并以此作为控制信号或脑电信息,让机系统去做脑系统想让它做的事情(即意念控制)或了解脑系统的想法(即猜心术或意念通信);二是输入,即把机系统的指令以电信号的形式送入神经系统,让脑系统去做机系统想让它做的事情,或将既有知识或技能“下载”给脑系统让它“不学而会”。在遥远的将来,人们或许能够通过脑机接口实现意念通信。

总之,脑机接口的最核心思想是:包括大脑在内的神经系统,其实就是像电脑一样的信息系统,神经系统的各部分之间既接收和传递信息,又接受电信号的控制而执行相关命令,所以,脑系统才能与机系统彼此连接。

脑机接口绝非新鲜事物,其历史之悠久可能出乎许多人的意料。早在1783年,伽伐尼用不同金属触碰死青蛙大腿的两端并引起了肌肉收缩,这其实就在无意间完成了一次脑机接口实验。该实验不但表明生物机体是“发电机”,还表明电流哪怕只是十分微弱的电流,也可引发神经的剧烈运动。

1818年11月,英国解剖学医生尤尔在格拉斯大学操场上公开表演了一个恐怖实验,展示了电流刺激如何让神经系统产生预期动作。原来,经过法院特批后,尤尔对一具死刑犯的尸体进行了通电实验,成功地让该尸体产生了诸如呼吸、抬手、蹬腿、睁眼等动作,还表现出愤怒、恐惧、绝望、痛苦、惊悚和微笑等表情。尤尔当然不是在虐待尸体或哗众取宠,而是在尝试把将死之人救活——实际上,正是通过这次实验,尤尔后来发明了心脏起搏电击法,并沿用至今。

从脑机接口角度看,尤尔首次以事实证明,只要对局部神经系统输入合适的电信号,人体就会乖乖地执行相关命令。那么,理论上,只要能通过外力改变相关的电信号,就可改变运动神经的相关动作,这便是脑机接口可以治疗帕金森症等的理论基础。若再加推广,任何人都可以很快成为全球第二的钢琴家——只需将排名第一的钢琴家弹钢琴时的手臂运动神经电信号,原封不动地输入自己手臂上相应的运动神经,双手就会不由自主地弹出优美曲调。同时,双手的感觉信息又会反馈给大脑,让大脑逐渐学会如何向手臂发布正确命令。这就相当于钢琴大师以最精确的重复方式,“手把手”地教人弹钢琴。

脑电波的神奇功能

1902年11月,德国耶拿的一家精神病院里,一位特别胆大的医生伯格收治了一位病人,他被击中头部,并在颅骨留下一个弹孔。伤者弹口处的皮肤虽然痊愈了,却能被观察到不断跳动。伯格通过记录头皮跳动的波形,发现了一个惊天秘密:该波形会随着患者的思想而很有规律地变化。哪怕患者只是在听、看、嗅、触或做其他很微小的动作,甚至患者的情绪波动,都会影响波形。

冥思苦想20余年后,伯格医生于1924年在他儿子的头上成功进行了一次脑电检测实验。他将自制电流计的正负两极分别接在儿子的额头和后脑勺的头皮上,结果真的记录到了振荡频率大约为10赫兹的神奇电波,如今这种电波称为伯格波。他观察到,伯格波会随着受试者心理和生理情况的变化而变化,甚至哪怕只是眨眼之类的小动作都会让伯格波发生变化,而正常人与精神病患者的伯格波也不相同。

后来,科学家们进一步发现,从头皮上不同部位都可以检测到不同频率的电磁波,于是便将这些频率不同的电磁波的汇集,统称为脑电波。

随着研究的深入,人们发现,脑电波具有众多奇妙功能。比如,脑电波能预测某人的学习潜力,特别是外语的学习潜力。原来,如果大脑右侧颞叶和顶叶区域的β波(脑电波中的一种频率为14至30赫兹的子波)很强,那很可能预示着受试者有较强的外语学习能力;另一方面,经过外语训练的成年人,其β波确实会明显增强。

脑电波还能用来“猜心”——当你给一个小孩讲数学题时,怎么知道他是否在用心听呢?当小孩听懂了讲解时,脑电波就会明显活跃;如果他对讲解感兴趣,其脑电波会更加活跃;当他只是在应付,其脑电波就会明显减弱。甚至,心理学家利用脑电波还能知道受试者到底是在想桌子还是椅子,或者是在想1到7中的哪个数——受试者在冥想不同事物时,他的脑电波是不同的,只要能得到受试者之前相应的脑电波,便可通过简单对比而准确地猜出受试者的选择。人们在研究中也发现,对某些特殊场景中的句子,许多人会激发出几乎相同的脑电波;反之,通过检测这种脑电波是否存在,就能推断出受试者是否正在冥想某个句子。有人就通过这种方法,对多达240个预定的句子完成了准确度很高的“猜心术”。

脑电波还可用于简单的意念控制。人们发现,每个人在冥想单音节字时,所激发的脑电波几乎各不相同,而且这种脑电波比较稳定。于是,控制玩具车这类简单的意念控制就比较容易实现:当你冥想前、后、左、右四个字时,脑电波是各不相同的,而且每个字所对应的脑电波还比较稳定,那么只需要利用这四个稳定的脑电波信号,就能实现让玩具车前、后、左、右行驶。更一般地,若某种操作的命令个数只是有限的N个,那么,只需要经过简单的训练和简单的指令信号对应,任何人都可以轻松完成意念控制任务。

反之,适当干扰脑电波也可以影响受试者。比如,受试者面对“苹果”两字时,既可能想到香甜可口的水果,也可能想到苹果牌电子产品。如果适时利用一种名叫“经颅刺激”的技术来刺激受试者的美味反应区,那么,就可让受试者更倾向于将“苹果”理解为美食,哪怕受试者本来是想买手机。

从幻想照进现实

如今,科学家们已经发明了多种获取脑电波的设备。已经投入应用的主要是针对健康人群的、精准性稍差一些的非植入式设备,比如大家经常在电视中见到的电极帽,或更加昂贵的磁共振成像仪等。

近些年来,科学家和工程师们则在开发用于特殊病人的植入式设备上花费了大量精力。这类设备被称为脑机芯片或干脆简称为脑机接口,它能获得更加精准的脑电信息,也能将外界电信号更加精准地输入大脑。实际上,早在1857年,植入式设备就被用于获取兔子和猴子的脑电波。但因为安全性、伦理性等考虑,一直没有在人类的临床上取得突破。但是随着人工智能相关技术和工程技术、材料技术的飞速发展,不少科学家又开始了这类尝试,例如马斯克即将推出的脑机接口就是植入设备的典型代表。

如今,学术界比较一致地根据控制信息的精准程度,将脑机接口分为宏观型、中观型和微观型三大类。其中,宏观型脑机接口传递的信息主要是脑电波。此类脑机接口的特点是:原理简单,一说就懂;实现不难,而且已经或正在许多领域中广泛使用;精度不够,既不能实现复杂而精准的意念控制,更不是今后意念通信的备选方案。

微观型脑机接口是与宏观型脑机接口相对的另一个极端,它们传递的信息主要是神经元个体或群体的电特性。它们将是未来研究的难点和重点,一旦实现,将极大地改变人类的现状,但我们也必须承认,或许在可见的将来,这都还只能是梦想。我们在《人工智能未来简史》一书中用四句话来描述微观型脑机接口:不是科幻胜似科幻,脑电之妙玄之又玄;人性自足不假外延,格物致知重在内涵。

中观型脑机接口介于宏观型和微观型之间。与宏观型相比,中观型脑机接口将宏观的体外脑电波替换为颅腔内的“大脑地图”,即大脑中与物理位置相关的一些电信号。若干年来,科学家们经过反复探测,获得了一些电信号。比如,刺激某个位置的神经时,受试者会有幸福感;刺激另一个位置,受试者则会在某个指尖上产生触摸感等。基于这类研究,科学家们不断绘制更详细的“大脑地图”。可以想见,只要能足够精准地获得某人某时的“大脑地图”,便可在一定程度上实时了解受试者的某些感觉;同样,只要掌握好电信号的刺激位置、时机、电流强度等,便可以让受试者产生相应的感觉,或对肢体发出相应的控制命令等。

如今,科学家们已经在中观型脑机接口上取得了突破性进展。比如,让盲人“看见”东西。具体来说,就是让摄像机将图像切割成20×20的400个点阵,并根据每个点阵的亮度,在皮肤的相应点阵位置上产生相应强度的震动。于是,经过适当训练后,受试者不用“眼见为实”,就能在头脑中形成明暗不同的点阵图像,从而以黑白图像的方式识别出不同的面孔,知道物体的远近,观察到物体的旋转及形状变化,了解当前的观察角度;甚至还能像常人那样,通过想象“看见”物体被遮挡的部分。

脑机接口展现了无限可能,吸引着科学家们前赴后继,不懈攻关,也将是国际竞争的焦点。未来,就从今天开始。

关注微信公众号人工智能技术与咨询了解更多!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/481684.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

仅活了 5 年!谷歌官宣停掉 IoT Core 服务:“现有连接将被关闭”

来源:AI前线整理:冬梅谷歌云 IoT Core 服务推出 5 年后“退役”近日,据外媒报道,谷歌宣布自 2023 年 8 月起,将关闭其物联网(IoT Core)服务,此次官宣 IoT Core 的退役,也…

tensorflow1、2会话、变量、feed、fetch、最小二乘法

第一节课 tensorboard–可以查看训练效果 安装ananconda(略) tensorflow简介 tensorflow结构 是个数据流动的趋势, graph1:默认图 graph2:W*xb->ReLU 2-1 基本计算-会话的使用 import tensorflow as tf # 创建一个常量op,1*…

《Nature》十年努力,“合成”胚胎与大脑和跳动的心脏

来源:生物通研究人员已经用小鼠干细胞创造出了模型胚胎,这些干细胞形成了大脑、跳动的心脏和身体所有其他器官的基础——这是重建生命第一阶段的新途径。小鼠胚胎的小脑由Magdalena Zernicka-Goetz教授领导的研究小组在没有卵子或精子的情况下开发了胚胎…

tensorflow3 非线性回归、mnist、简单神经网络

mnist数据集 手写数字的数据集。60000行训练数据集,10000行测试数据集下载地址:http://yann.lecun.com/exdb/mnist/index.html mnist数据集是形状为[60000,784]的张量,60000张图片,每个图片有784个像素点,这些个像素点…

【院士思维】张钹:我们正处在AI算法不可控的危险状态

来源:清华大学人工智能国际治理研究院8月19日,2022世界机器人大会主论坛正式开幕,期间,有三位院士到场,就“未来机器人:目标、路径和挑战”的主题进行了一场深刻的谈话。三位院士分别为中国科学院院士&…

tensorflow4 代价函数、dropout、优化器

这次扔使用上次的mnist数据集分类的简单版本程序,使用不同的代价函数做计算 二次代价函数 激活函数 使用二次代价函数的运行结果 # 使用二次代价函数的结果-精度 # losstf.reduce_mean(tf.square(y-prediction)) # 0.8322 # 0.8698 # 0.8818 # 0.8882 # 0.8935 #…

强化学习先驱Richard Sutton:将开发新型计算智能体

来源:机器之心编辑:陈萍、小舟DeepMind 和阿尔伯塔大学联合成立的人工智能实验室未来几年要研究什么?2017 年,DeepMind 在加拿大的 Edmonton 成立了其首个英国之外的人工智能研究实验室,并和阿尔伯塔大学大学紧密合作&…

不隐身的“隐身战斗机”

7月19日,韩国KF-21战斗机原型机完成首飞,韩国国防部将该机定位为4代半战斗机。凭借该机,韩国将成为第9个能够研制超音速战斗机的国家。 所谓4代半战斗机,即部分采用隐身技术,同时无法完全达到5代机性能标准的战斗机。…

国科大高级人工智能笔记1-搜索

1.搜索问题 搜索问题——对原问题的建模 构成: 状态空间 包含环境中每一个细节搜索状态:只保留行动需要的细节 后继函数 行动,消耗 初始状态和目标测试 解: 一个行动序列,将初始状态–>目标状态 表示 状态空间图 搜…

自学成才的人工智能显示出与大脑工作方式的相似之处

来源:ScienceAI编译:白菜叶十年来,许多最令人印象深刻的人工智能系统都是使用大量标记数据进行教学的。例如,可以将图像标记为「虎斑猫」或「虎猫」,以「训练」人工神经网络以正确区分虎斑和虎。该战略既取得了惊人的成…

国科大高级人工智能2-人工神经网络(MLP、Hopfield)

常见组合函数 常见激活函数 结构 前馈神经网络(单向)反馈/循环神经网络 学习方法 学习模型 增量迭代 类型 监督无监督 学习策略 Hebbrian Learning 若两端的神经元同时激活,增强联接权重Unsupervised Learning循环?ωij(t1)ω…

Nature:AI的瓶颈突破在于「实体人工智能(PAI)」

来源:公众号机器之能作者:AslanMiriyev 、 Mirko Kovač翻译:Panda近些年人工智能领域已经取得了突飞猛进的进步,但这些进步大都集中于数字人工智能领域,对于能和我们这种生物体一样执行日常任务的实体人工智能&#x…

国科大高级人工智能3-DNN(BM/RBM/DBN/DBM)

1.深层、浅层、BP 出现背景优点缺点浅层神经网络为了解决非线性问题可以拟合任何函数参数多,神经元多,需要更多的计算资源和数据BP算法(对p(labelinput)建模为了计算神经网络损失回传深度神经网络(>5)(时代背景数据…

世界元宇宙大会—李伯虎院士主旨报告:工业元宇宙模式、技术与应用初探

来源:北京物联网智能技术应用协会未来智能实验室的主要工作包括:建立AI智能系统智商评测体系,开展世界人工智能智商评测;开展互联网(城市)大脑研究计划,构建互联网(城市)…

国科大高级人工智能+prml4-CNN

文章目录CNN卷积paddingpoolingBP其他CNNResNets残差网络——图像数据应用CNN Hebb学习律(无监督 如果两个神经元在同一时刻被激发,则他们之间的联系应该被强化对神经元的重复刺激,使得神经元之间的突触强度增加 Delta学习律(有监…

​Science:灵长类前额叶皮质进化图谱

来源:brainnews相比其它物种,包括亲缘关系非常近的灵长类,我们人类进化出了高级的认知和复杂的社会行为。毋庸置疑,人类大脑是这一切独特变化的中心,而其中的前额叶皮质又格外的引人注目。灵长类的前额叶皮质跟其他物种…

基于深度学习的机器人目标识别和跟踪

如今,深度学习算法的发展越来越迅速,并且在图像处理以及目标对象识别方面已经得到了较为显著的突破,无论是对检测对象的类型判断,亦或者对检测对象所处方位的检测,深度学习算法都取得了远超过传统机器学习算法的准确率…

国科大高级人工智能5-RNN/LSTM/GRU/集束搜索/attention

文章目录BPTTBPTT前向传播长序列循环神经网络LSTM序列到序列的模型集束搜索——近似搜索改进的集束搜索集束搜索的误差分析图到文本注意力模型序列数据建模 输入序列–>输出序列预测序列的下一项(监督) 模糊了监督和非监督 有的cnn对序列不适用&…

揭秘虚拟电厂,它究竟是如何运行的?

来源:新浪科技(ID:techsina)作者:刘丽丽编辑 :韩大鹏与电力调度相关的虚拟电厂再次引发市场关注。日前,国内首家虚拟电厂管理中心深圳虚拟电厂管理中心揭牌,国内虚拟电厂迈入了快速发展新阶段。…

国科大高级人工智能6-GAN

文章目录生成式模型的基础:极大似然估计GANs最终版本问题非饱和博弈DCGAN不同类型的GANconditional GAN无监督条件GAN--cycle GAN对抗学习https://blog.csdn.net/suyebiubiu/category_9372769.html生成式模型的基础:极大似然估计 θ∗argmaxθExpdatalog…