CMU打造人機聯合學習框架，用意念控制光標，新手幾小時就能學會

有創腦機接口面世已有 30 余年，但是只有不到 100 人植入，有創腦機接口的信號質量確實非常高，但是它需要開顱手術，而且需要長期維護，因此僅有極少數符合條件的患者能夠承受。

美國卡內基梅隆大學的賀斌教授和團隊走的是一條無創的、不切開頭皮的、戴個電極帽就能用的無創腦機接口路線。這種方案一旦做成，可能讓全世界一半人口受益。然而，無創路線存在一個長期解決不了的麻煩，使用的時候新手太難學了。傳統訓練方法需要較長時間、很多新手練到一半就放棄了，背后原因在于傳統腦機接口的算法是固定的，訓練好之后就不再改動，全靠真人用戶去適應機器。

賀斌和團隊決定讓機器也來適應人，他們研發了一種名為人機聯合學習的方法。在 31 名從未接觸過腦機接口的受試者中，采用新方法之后一維光標控制任務的準確率為 86%，二維光標控制任務的準確率為 77.5%，這兩個準確率都遠高于傳統方法。更重要的是，這個效果在訓練結束之后依然能夠保持，說明觸覺引導幫助受試者形成了穩定的運動想象能力。

使用這一方法的時候，受試者的大腦能夠學習如何產生更清晰的腦電信號，機器能夠學習如何解碼這些信號。兩者之間互相適應，完全無需其中一個死等另一個。他們還給這個框架加了一個名為觸覺反饋的引導機制，讓受試者的手腕上戴著震動裝置，當光標走錯方向的時候，手腕上就會傳來一陣震動，告訴受試者剛才想錯了。雖然看起來是一個簡單的物理信號，但它能讓受試者的學習速度得到大幅提升。

談及應用場景，賀斌指出無創腦機接口能夠做到 80% 到 85% 的準確率，就已經非常具備實用價值。現在他和團隊開展的二維任務已經接近 80%，理論上講所有使用人手能做的事，都可以用腦機接口來控制。比如，中風病人可以使用意念控制輪椅前進后退，癱瘓病人可以使用機械臂抓取食物或飲料，居民可以控制智能家居設備。而這一切不需要手術、不需要植入芯片、只需要一個電極帽，不過本次成果尚未進入落地階段。

（來源：《自然·通訊》）

這個方法為什么有效？先得從腦機接口的工作原理說起。

當大腦在想象某一個動作的時候，就會產生特定的腦電波模式。譬如當你想象左手動，大腦右側的傳感器就會記錄到一種信號模式；當你想象右手動，左側會出現另一種信號模式。腦機接口的任務就是先去采集這些信號，接著使用算法把它翻譯成指令，比如翻譯成為“光標往左”或者“光標往右”等指令。

對于有創腦機接口來說，它是直接把電極放在大腦表面或插進腦組織里，信號干凈、清晰而且噪聲低；對于無創腦機接口來說，它的電極放在頭皮外面，信號需要穿過顱骨和頭皮，這就導致不僅信號衰減嚴重，而且信號噪聲也比較多。打個比方，一名歌手用高清麥克風在錄音棚里錄音，和使用手機在菜市場錄音，兩者的信號質量肯定不在一個量級上。

一旦信號質量較差，算法的解碼準確率就會變低。傳統方法試圖使用更復雜的算法來彌補信號的不足，然而無論算法多么復雜，它需要處理的還是那些模糊的信號。這就導致新手用戶往往要花好幾個星期才能學會穩定地產生某種腦電模式，以便能讓算法“讀懂”自己，正是這個漫長的學習過程把很多人擋在了門外。

賀斌團隊的思路是不再讓算法等著人來適應它，改為讓算法主動去追蹤人的變化。

傳統腦機接口的訓練流程一般是這樣的：先讓用戶進行一批想象任務，通過此來采集腦電數據，然后使用這批數據訓練一個解碼器。接著這個解碼器就會被固定下來，此后不管用戶的大腦怎么變化，解碼器都不會再進行更新。這時用戶必須自己去摸索如何產生符合解碼器預期的信號，這就像一個人努力去適應一臺聽不懂人話的機器一樣。

賀斌團隊打造的人機聯合學習把上述順序調過來了，他們讓訓練過程分多輪地、在多個回合里迭代。每一個回合結束之后，算法都會使用這一輪新采集的數據來重新訓練自己。換言之，隨著用戶腦電信號的變化，解碼器自己也在同步更新。今天用戶學會了什么新東西，算法明天就能用上，兩者之間就像一個共同進化的系統，打破了過去一個原地等待、另一個苦苦追趕的窠臼。

（來源：《自然·通訊》）

在這個框架里，前面提到的觸覺反饋扮演了關鍵角色。

傳統腦機接口的反饋是以視覺形式呈現的，當屏幕上有一個光標，你想它往左、結果它往右去了，你看到它走錯之后，你就得調整你的想象然后再試一次。這個反饋回路的速度非常慢，同時視覺信息處理在大腦里要走很長的通路，在效率上存在一定掣肘。

針對這一問題，賀斌團隊在受試者手腕上裝了一個線性諧振致動器，其實就是裝了一個小震動馬達。當光標走錯方向的時候，受試者對應的手腕會發出一陣特定頻率的震動。170 赫茲的載波配上 30 赫茲的包絡，剛好可以激活受試者皮膚里的兩種觸覺感受器，讓受試者能夠清晰地分辨到底是“錯了”還是“對了”。并且，這個觸覺信號可以直接傳到體感皮層，比視覺反饋要快得多，甚至更具本能性，用戶完全不需要想一下屏幕上發生了什么，身體就能直接告訴你。

實驗中，31 名參與者被分為三組。第一組使用人機聯合學習加觸覺引導的方法，第二組只有觸覺沒有聯合學習，第三組既沒有觸覺也沒有聯合學習。結果顯示：第一組受試者的在線準確率在二維任務中達到 77.5%，第二組和第三組的受試者都明顯更低。在更加簡單的一維任務中，第一組受試者更是達到 86%。

（來源：《自然·通訊》）

更關鍵的是學習速度的提升，傳統組在六個回合里基本沒怎么進步，準確率始終徘徊在 50% 出頭。聯合學習組則從第一回合開始就迅速上升，到了第三回合已經接近峰值，之后仍能保持穩定，這意味著新手只需要兩三個回合的訓練就能達到可用水平，完全無需幾個星期。

腦電數據分析也支持上述結論，聯合學習組在訓練之后，受試者的阿爾法頻段事件相關去同步化出現明顯增強。簡單來說，就是大腦在想象動作的時候，相關腦區的神經元活動開始變得更加同步和更加有序，而這正是運動想象能力提升的直接神經證據。

賀斌表示，他和團隊做這個研究快兩年了，目前效果比他原先想象的好很多，他原本以為只會提高一點，但沒想到能夠提高那么多。日前，相關論文發在《自然·通訊》上，Hanwen Wang 是第一作者，賀斌擔任通訊作者。

目前腦機接口還沒有進入普通家庭，賀斌認為這是因為它還沒進入到人類日常生活之中。就像智能手機我們每個人都有，我們很難想象沒有它生活會怎樣。他認為無創腦機接口的潛在受益人數是上億甚至幾十億級別的，因此他期盼并且相信腦機接口最終也會變成這樣的技術。

他還把本次研究所有的源程序和實驗數據都公開了，期待能有更多的人從本次工作中受益。無創腦機接口一旦真的做出來，預計能讓全球一半人口受益，但這不是一年兩年、也不是三年四年能做完的，未來還需要大家堅持下去。

參考資料：

https://www.cmu.edu/bme/People/Faculty/profile/bhe.html

https://doi.org/10.1038/s41467-026-75435-5

排版：胡巍巍

注:封面/首圖由 AI 輔助生成