最近，《自然·神经科学》杂志上发达了一篇来自美国加州大学旧金山分校的科研团队的研究，即使用人工智能解码系统，把人的脑电波转译成英文句子，最低平均错误率只有3%，而专业速记员的平均错误率是5%

研究团队从机器翻译中获得启发，训练了一种循环神经网络。研究中，4名志愿者被要求大声重复朗读30至50句话。他们大脑外侧皮质上分布着大量微电极，可以监测到相应的大脑神经活动。这些脑电波数据输入人工智能系统后，先被编码成一串序列，然后解码成相应的英文句子。

这项研究的创新之处在于，采用端到端的深度学习网络实现神经信号翻译，从工程角度展示了人工智能技术应用于神经信号解读的潜力。但研究团队也强调，该研究涉及的句子量比较少。“如果你尝试不使用这50个句子的数据集，解码就会糟糕很多。”论文第一作者约瑟夫·马金接受媒体采访时说。

这项研究的难点在于两个方面。

首先是采用了高密度微电极阵列，间距4毫米，多达256个电极，覆盖大脑皮层表面的关键脑区，获取了足够的神经信息用于解码。这种电极在国内尚没有可用于临床的产品。

另外，研究中深度循环神经网络的训练，除了采用时间轴上的卷积操作提高特征提取能力，还把语音频谱特征也作为训练目标，大大降低了对神经数据量的需求。

“脑机接口的一个核心难题是神经信息的解码和翻译，脑电信号噪声大，背后的神经编码机制复杂未知，这些都是挑战。”洪波认为，以深度学习为代表的人工智能技术发展，为脑机接口打开一条应对该挑战的新路径。

不过人工智能与脑机接口结合，也带来新难题：如何获得大量的训练数据？来自人脑的高精度神经数据通常只在临床条件下才能获得，这会使神经网络训练陷入困境。

现实应用仍存技术障碍

这项技术目前主要用于癫痫外科的临床，帮助外科医生在切除癫痫病灶之前，确定关键的语言功能区。要让渐冻人、高位截瘫等残疾患者用上这样的脑机接口，还要继续解决长效电极和解码效率的问题。 相关技术在未来实际应用中，仍然有很大的技术障碍，例如高密度的微电极阵列目前还无法长期植入，难以作为未来脑机接口的标准电极。根本上说，人工智能应用于脑机接口，关键门槛还是长期可靠的神经电极和清晰准确的神经解码规律。

人们所期待的戴上脑电帽就能读出心里话，从科学和工程角度来看还有很远的距离。但脑科学和人工智能技术的结合，有可能加速这些探索和研发的进程