脑机接口离我们还有多远，脑机接口到底有多远

作者/希瑟

硅谷钢铁侠Elon Musk成立的Neuralink，自2016年走入大众视野以来，一直是热门话题。近期，Neuralink的创始人Elon Musk又有了新的动作。

7月20日，Elon在Twitter上被计算机科学家奥斯汀·霍华德（Austin Howard）问道：Neuralink技术，可以实现直接从芯片听音乐吗？这位硅谷钢铁侠回答：是的！

这一回答，让很多对脑机接口不是很了解的人瞬间脑补了很多画面。科幻电影中的画面历历在目，在1999年上映的《黑客帝国》电影中，“矩阵”通过侵入式脑机接口和大脑神经连接，人类感受到视觉、听觉、嗅觉、味觉等讯号，以此囚禁人类的心灵。在《X-men》中，X教授通过“脑波强化机”能够将脑电波放大，与任何人实现连接。在《阿凡达》电影中，主角通过EEG和EMG结合，能够控制纳威人的身体，在潘多拉星球上行动。

Neuralink告诉大家，2020年底或将进行人体实验，让群众感到脑机接口离我们的生活已经很接近了。

那么，在现阶段，脑机接口究竟靠不靠谱，它进展到什么阶段了，还面临哪些挑战？通过这篇文章，我们就来聊聊脑机接口很多你所不了解的事情。

脑机接口的基本原理

首先，有必要先介绍一下，什么是脑机接口？

所谓脑机接口（Brain-Computer Interface, BCI），即在人或动物脑（或者脑细胞的培养物）与外部设备间建立的直接连接通路。其中，“脑”意指有机生命形式的脑或神经系统，“机”意指任何处理或计算的设备，其形式可以从简单电路到硅芯片到外部设备和轮椅，“接口” = “用于信息交换的中介物”。因此，“脑机接口”的定义=“脑” “机“ ”接口”。

脑机接口基本的实现步骤可以分为四步：采集信号（Singal Acquisition）>>信息解码处理（Feature Extraction）>>再编码（Freature Translation）>>反馈（Feedback）。接下来，我们按照这个流程给大家逐一讲解各个流程的详细细节，以便后续理解脑机接口目前面临的困难究竟在哪。

采集信号（Singal Acquisition）

在讨论脑机接口如何做信息采集之前，我们需要了解一下人脑的构造。

如果将人脑做一个解剖面，从内到外依次是：头皮（Scalp）、头盖骨（Cranium）、脑硬膜（Dura mater）、蛛网膜（Arachnoid）、软脑膜（Pia mater）、大脑皮层（Cerebral Cotex）。

基于脑机接口对信号采集的形式，可分为三种：

侵入式（Invasive BCI），即通过开颅手术等方式，向脑组织内植入传感器以获取信号的设备。其缺点是容易引发免疫反应和愈伤组织，进而导致信号质量的衰退甚至消失。Elon Musk的Neuralink采用的就是这种方式。

半侵入式（Partially invasive BCI），即安置在大脑皮层表面接受信号的设备，接口一般植入到颅腔内，但是位于灰质外，其空间分辨率不如侵入式脑机接口，但是优于非侵入式。优点是引发免疫反应和愈伤组织的几率较小，主要基于皮层脑电图（ECoG）进行信息分析。

非侵入式（Non-invasive BCI），不进入大脑，即在头骨外检测信号的设备。这种形式像帽子一样方便佩戴。但是，由于颅骨对信号的衰减作用和对神经元发生的电磁波的分散和模糊效应，记录到信号的分辨率并不高，很难确定发出信号的脑区或者相关的单个神经元的放电。典型的系统有脑电图(EGG)，脑电图的有点是其良好的时间分辨率、易用性、便携性和相对低廉的价格。然而，脑电图技术的一个核心问题是它对噪声的敏感性较差。此外，使用EEG作为脑机接口，需要用户在使用之前进行大量的训练，才能更好地操作非侵入式脑机接口。

侵入程度越高，获得的信号质量和强度就越高，风险也更高。按照信号质量来排列：侵入式>半侵入式>非侵入式。按风险来排列：侵入式>半侵入式>非侵入式。

信息解码处理（Feature Extraction）

收集好了足够多的信息后，就要进行信号的解码和再编码以处理干扰。脑电信号采集过程中的干扰有很多，如工频干扰、眼动伪迹、环境中的其他电磁干扰等。

分析模型是信息解码环节的关键，根据采集方式的不同，一般会有脑电图（EGG），皮层脑电图（ECoG）等模型可以协助分析。

信号处理、分析及特征提取的方法包括去噪滤波、P300信号分析、小波分析 奇异值分解等。

再编码（Freature Translation）

将分析后的信息进行编码，如何编码取决于希望做成的事情。比如控制机械臂拿起咖啡杯给自己喝咖啡，就需要编码成机械臂的运动信号，在复杂三维环境中准确控制物体的移动轨迹及力量控制都非常的复杂。

但编码形式也可以多种多样，这也是脑机接口可以几乎和任何工科学科去结合的原因。最复杂的情况包括输出到其他生物体上，比如小白鼠身上，控制它的行为方式。

反馈（Feedback）

获得环境反馈信息后再作用于大脑也非常复杂。人类通过感知能力感受环境并且传递给大脑进行反馈，感知包括视觉、触觉、听觉。

脑机接口实现这一步其实是非常复杂的，包括多模态感知的混合解析也是难点，因为反馈给大脑的过程可能不兼容。

Neuralink在技术上有哪些创新

我们可以先来看看走在领先水平的Neuralink的技术情况，来一窥目前的发展。

2003年Carmena写的论文是侵入式脑机接口领域的核心论文，这篇论文奠定了这个领域的基础。我们来对比2003年提出的“经典”方法，和Neuralink官网上以Elon Musk为第一作者的论文上提到的Neuralink的侵入式脑机接口技术，发现Neuralink的改进核心主要在三个方面：

1、使用纫针（Thread）代替电极：纫针尺寸更小、数量更多、对大脑造成的损伤更小，从而可以提取出信噪比更加，信号源更多的信号。

2、使用电极安装机器人（Robotic electrode inserter）进行电极安装，效率更高

3、使用专用芯片（ASIC）对信号进行预处理 ，提取出信号的feature

纫针（Thread）

所谓纫针（Thread），是采用多种具有生物相容性的薄膜材料制造的微笑位移神经探针。这种材料相较于以往用的刚性金属或这半导体制程的电极阵列的生物相容性更高，不容易引起因为杨氏模量和弯曲刚度不匹配而造成的免疫反应。

目前，Neuralink构建了小而灵活的电极“纫针”阵列，每个阵列多达96个纫针分布了多达3,072个电极。

机器人（Robot）

由于制作这种纫针的薄膜材料很薄，硬度不够，不容易植入大脑，因此Neuralink开发了机器人技术来做植入手术。

该机器人每分钟可以插入六根纫针（192个电极）。每条纫针都可以以微米级的精度单独插入大脑中，以避免表面脉管系统并针对特定的大脑区域。电极阵列被封装在一个小的可植入设备中，该设备包含用于低功耗车载放大和数字化的定制芯片：用于3072个通道的封装所占面积小于（23×18.5×2）mm3。

下图显示了用这种机器人把电极插入琼脂“果冻”的过程。

电子芯片（Electronics）

用数千个电极位置的长期记录大脑信号，向电子设备和封装提出了极大的挑战。

高密度的记录通道要求信号放大和数模转换必须集成在阵列组件中。而且这个集成的组件必须能放大微弱的神经信号(< 10 μVRMS)，同时抑制噪声。在最小的功耗和尺寸下，对放大的信号进行采样和数字化，并实时处理这些信号。

Neuralink的专用集成电路(ASIC)可以达到上面的要求。该集成电路由三个部分组成：256个独立可编程放大器（Neuralink把它叫做Analog Pixel）、片上模数转换器（ADC）、用于序列化数字化输出的外围控制电路。

这一定制芯片可助力整个脑机接口更好地读取、清理和放大大脑信号。

虽然Neuralink在技术上取得了一定的优化和突破，但是无论是2003年提出的方案还是当今的Neuralink，都依赖于“脑->机”和“机->脑”的反馈闭环。也就是说，本质是解决解决以下两个问题：

1）如何从大脑中获取正确的信息？

2）如何将正确的信息发送到大脑？

第一个是“从脑到机”，捕获大脑的输出——记录神经元所说的话。

第二个是“从机到脑”，将信息输入大脑或以其他方式改变大脑的自然流—这是刺激神经元。

仔细分析这个闭环，仍有大量的问题没有得到解决。

脑机接口目前所面临的瓶颈

1、基于理论的从机到脑的反馈研究处于一片黑暗

现有脑机接口技术仅仅是初步解决“脑->机”方向的输出和控制问题，但控制的效率和准确率很低。这是因为基础原理的限制，需要从根本上重构现有脑机接口技术，否则这项技术的潜力很难快速挖掘出来。

相比于“脑->机”方向的问题，“机->脑”方面要面对的问题难度要更大，几乎是没什么头绪，一片漆黑仅有寥寥灯火。

“脑->机”什么意思？也就是将感知反向编码成能被大脑读懂的信号。举个例子，能否把你摸小猫时的触感或是你的一段想象记录并通过机器反向重现给你，帮失明者重建视觉也是个好理解的想象。

“机->脑”的研究相“脑->机”要缓慢许多，原因就是目前神经科学对于神经编码的具体方式还处于未知状态。而由机->脑对神经编码知识的需求要远大于“脑->机”。神经科学在单神经元的研究也算是逐渐明朗了，但大脑各种神奇之处根本无法解释。

2、受脑机接口的摩尔定律限制

研究表明，脑机接口遵循摩尔定律：

根据上图表，以平均7.4年才能使可同时记录的神经元数量翻倍的速度计算，要达到同时记录100万个神经元需要等到2100年，而要记录人脑中的所有神经元（50~100亿个），则要等到2225年。因此，脑机接口如何解决带宽问题成为了学术研究突破的又一关键问题。

3、跨学科的复杂性

脑机接口是一门多学科交叉的研究领域，核心的学科涉及物理、机械、神经工程、电气工程、神经科学等，相对来说其实更偏工程实践的，多学科只是都是工程实现的理论基础。

前脑机接口的发展，需要多个学科的共同发展来支撑，任何一个学科的落后都会影响到整体的发展进程。

譬如，物理学的发展提供理论知识支撑，从原理角度解释产品测试时出现的问题，从理论层面解决底层传感器原理的设计和应用问题等。神经工程，尤其是实验神经学、临床神经病学等，为脑机接口的大脑的作用原理提供理论支撑，并相应支持产品的设计。人工智能领域的发展提供对产品交互体验的提升，算法的优化提成整个脑机接口的处理效率和精度等。

4、难以规模化和商业化

现有的侵入式脑机接口，如Neuralink，难以规模化生产。难以想象，让人动手术将电极或者其他探测传感器植入脑内直接接触神经元，并形成商业规模。综合成本考虑，非侵入式脑机接口是最容易实现商业化和规模化的细分领域。但是，非侵入式脑机接口的本质是大脑大量神经元放电的宏观形式，受限于电极尺寸和分布，以及佩戴/安装时候的不准确性，难以做到高精度。

5、非技术类问题

除了上述所谈论的理论和技术层面的问题，Neuralink或者整个脑机接口领域想要往前迈一大步的话，还需要面临安全问题、人性问题、伦理问题、审查问题等。因此，脑机接口真正意义上走进生活，这一条路，还有很长。

参考资料：

Learning to control a brain-machine interface for reaching and grasping by primates. PLoS biology,1(2),e42.

An integrated brain-machine interface platform with thousands of channels. BioRxiv 703801

《中美首份8000字长文解析全球热点脑机接口》

,