生物行移动版

植入式脑机接口（BCI）虽能解码神经信号控制外部设备，但因开颅手术风险与高成本，问世二十余年仍局限于小规模临床试验。 加州大学洛杉矶分校（UCLA）工程师团队在 Nature Machine Intelligence 发表的研究，展示了一种非侵入式、可穿戴的BCI系统——通过头皮脑电图（EEG） 记录大脑电活动，并与AI视觉系统协同，构建“共享自主”架构。在测试中，一名腰部以下瘫痪的参与者在AI辅助下，能够控制机械臂完成抓取与移动方块的任务——这一任务在不借助AI时完全无法完成；健康参与者的任务完成时间也显著缩短。该技术为瘫痪、肌萎缩侧索硬化（ALS）等运动障碍患者提供了一种更低风险、更易获取的辅助方案，且已申请相关专利。

侵入式BCI的困境与非侵入式路径

当前最先进的BCI系统依赖外科手术植入微电极阵列（如犹他阵列），直接记录皮层神经元放电，实现高精度解码。然而，其临床推广面临根本障碍：

• 风险与收益权衡：开颅手术存在感染、出血、长期稳定性等风险，目前仅适用于极少数严重瘫痪患者；

• 成本高昂：设备、手术、维护费用极高，难以普及；

• 进展缓慢：尽管已证明可行性，但二十余年来仍停留在小规模试验阶段。

非侵入式BCI（如EEG、近红外光谱）避免了手术风险，但传统上因信号空间分辨率低、信噪比差，难以实现精细运动控制，性能远不及侵入式方案。

系统架构：EEG解码 + AI视觉共驾

UCLA团队开发的系统整合了两个核心模块：

1. EEG信号解码
   参与者佩戴EEG头帽，系统通过卷积神经网络（CNN） 与ReFIT-like卡尔曼滤波器组成的混合自适应解码算法，实时将头皮电信号转化为运动意图（如光标移动、机械臂抓取）。

2. AI视觉共驾（AI copilot）
   系统内置摄像头实时观测环境，AI模型推断用户意图（而非单纯追踪眼动），在解码信号基础上提供辅助：

   • 在光标控制任务中，AI协助“吸附”目标，减少修正次数；

   • 在机械臂操作中，AI自主调整抓取姿态与路径，补偿用户控制信号的噪声与不稳定性。

实验设计与结果

研究招募了四名参与者：

• 三名无运动障碍的健康人；

• 一名腰部以下瘫痪（脊髓损伤）的参与者。

两项任务：

• 光标控制：在屏幕上移动光标依次击中8个目标点，每个目标需稳定停留≥0.5秒；

• 机械臂操作：控制机械臂将桌面上的四个方块从原位搬运至指定位置。

关键结果：

• 所有参与者在AI辅助下均显著缩短任务完成时间；

• 瘫痪参与者：

  • 光标控制任务：AI辅助下目标命中率提升3.9倍；

  • 机械臂任务：无AI辅助时无法完成；有AI辅助时在约6.5分钟内完成全部搬运任务。

“通过使用人工智能作为脑机接口系统的补充，我们正瞄准风险更低、侵入性更小的途径，”通讯作者Jonathan Kao教授表示，“我们最终目标是开发出提供‘共享自主’的AI-BCI系统，使患有运动障碍（如瘫痪或ALS）的人能够恢复日常活动中的部分独立性。”

“共享自主”机制：人机协同而非替代

该系统的核心创新在于共享自主（shared autonomy）——AI并非取代用户的意图，而是在用户意图的基础上提供智能辅助：

• 用户通过EEG给出高层次目标（“移动方块到目标点”）；

• AI负责低层控制（路径规划、力度调节、避障），并实时适应物体的物理特性（如方块的重量、表面摩擦）。

这种协同方式既保留了用户的主动控制感，又降低了神经解码所需的精度要求，从而使得非侵入式信号足以完成复杂任务。

临床转化前景

研究团队已就相关技术申请专利，下一步将：

• 扩展AI共驾的能力：实现更精细的抓握力度调节（根据物体材质自动调整）、多步复杂任务（如倒水、操作工具）；

• 增加大规模训练数据，进一步提升EEG解码精度与AI场景理解能力；

• 将系统集成至更轻便、可穿戴的设备中，提高日常使用的便利性。

相较于侵入式BCI，该非侵入式路径在安全性、成本、可及性上具有显著优势，若性能持续提升，有望在更短时间内进入临床与家庭应用。

参考信息
Reference: “Brain–computer interface control with artificial intelligence copilots” by Jonathan Kao, Johannes Lee, Sangjoon Lee, Abhishek Mishra, Xu Yan, Brandon McMahan, Brent Gaisford, Charles Kobashigawa, Mike Qu and Chang Xie, Nature Machine Intelligence.
DOI: 10.1038/s42256-025-00942-3