机器开始学着“读懂”大脑

给大脑通电，并不意味着大脑就能“听懂”。

过去，视觉皮层假体的一种基本思路，是将电极视作某种“像素”：摄像头捕捉外界图像，再由植入大脑的电极向视觉皮层发送电刺激，希望由一个个光点拼出视觉。

但真正棘手的问题是，大脑并不是一块显示屏。同样的电刺激，大脑并不总会给出同样的反应。现在，AI 开始介入电极与大脑之间的这层“翻译”。

近期，加州大学圣巴巴拉分校（UCSB）、瑞士苏黎世联邦理工学院等团队首次在清醒人体视觉皮层植入试验中验证，深度学习模型可根据大脑状态优化电刺激模式，使视觉假体（如仿生眼）从相对固定的刺激策略进一步走向适应大脑状态的个性化控制。并且，在提升神经活动控制的准确性和感知稳定性的同时，降低了所需刺激电流。

研究团队基于深度学习模型为视觉皮层（大脑后部处理视觉信息的区域）假体设计电刺激模式，在一名 27 岁失明男性受试者身上完成验证。结果显示，AI 设计的刺激模式不仅能更准确地重现目标神经活动，而且所需的刺激电流更低。

该技术为下一代视觉假体提供了一条新的技术路线：未来，仿生眼或许不仅需要向大脑发送视觉信息，还可能需要实时理解大脑，并根据不同患者、不同脑状态动态调整刺激。

目前，这项概念验证的相关论文已发表在 Neuron 上 [1]。该论文通讯作者、UCSB 副教授 Michael Beyeler 团队的研究重点方向是开发新的方法和算法，将视网膜植入物（例如仿生眼）等视力恢复技术与人类视觉系统建立连接，旨在帮助盲人的恢复有用视力。

实际上，视觉假体并非一个全新的概念。目前，这类设备大致存在两条路线：一种是视网膜假体，通过绕过受损的感光细胞，刺激仍然存活的视网膜神经；另一种则是视觉皮层假体，该路线绕过眼睛和视神经，直接向大脑视觉皮层施加电刺激。

该研究中的路线便是后者，它的基本原理并不复杂。正常情况下，光线进入眼睛之后，会被视网膜转换成神经信号，沿着视觉通路进入大脑，最终形成我们看到的世界。

视觉皮层假体试图跳过前面的环节：摄像头先捕捉外部世界，再将图像转化成电刺激模式，由植入大脑的电极直接刺激视觉皮层。当特定位置受到刺激时，失明患者可能产生光幻视（phosphene），即在没有真实光线进入眼睛的情况下，由视网膜、视神经或视觉皮层受到机械、电刺激等作用而产生的光感知，患者可能感觉自己看到了光点、闪光或简单形状。

然而，真正让视觉皮层假体变得复杂的是，这些光幻视并不像显示屏上的像素那样稳定、彼此独立。

同一枚电极，即便输入完全相同的电流，不同时间产生的神经活动也可能不同；多枚电极同时刺激时，彼此还会发生复杂的相互作用，最终产生的感知并不是几个光点的简单叠加。甚至同一个人，在不同日期、不同状态下，对相同刺激的反应也可能发生变化。

这意味着，视觉假体面临的难题是：工程师知道自己向大脑输入了什么，却不能准确知道大脑最终会如何响应。

以往研究中的常见办法是逐个测试电极，再根据患者反馈进行校准。但当植入设备拥有几十个甚至数百个电极，需要考虑的是大量电极、电流强度以及大脑状态之间的组合。单纯靠人工的穷举尝试显然很难扩展，于是研究人员决定用 AI 来解决这个问题。

由于视觉皮层假体绕过眼睛和视神经直接刺激大脑，因此对于部分眼部或视神经已出现不可逆损伤、但视觉皮层仍具备功能的患者，这一路线具有潜在应用价值。

Beyeler 指出，该技术对那些曾经拥有部分视力，后来因遗传性眼病、脑损伤、中风和某些神经退行性疾病等失去视觉的患者潜在意义尤为重大，这些群体对恢复部分视力的愿望可能会非常强烈。

2024 年，Beyeler 团队成员前往西班牙，开启了研究的关键阶段：测试他们的计算方法是否能够有效提高盲人受试者体内现有脑植入物的性能。

在西班牙埃尔切的 IMED 医院，研究团队在一名因脑外伤导致失明的 27 岁男性受试者身上开展实验。他接受了由 96 通道电极阵列组成的视觉皮层植入装置，按照本次试验方案，电极植入颅内 6 个月后被手术取出。

在约 4 个月内的 26 个独立实验日中，研究团队记录了 5,818 组随机刺激和 484 组结构化多电极刺激及其诱发的神经活动。当电极向该男子视觉皮层的神经元输送电刺激时，他可以感知到光幻视。

为更准确地预测视觉皮层对刺激的反应，研究团队训练了一个拥有约 120 万个参数的深度神经网络，用于预测不同电刺激组合产生的脑活动模式，该模型会接收每次测试前大脑静息状态的信息。

通过该模型，研究人员建立了一个“大脑反应预测器”。研究人员告诉它：现在刺激哪些电极、分别使用多大电流，以及刺激发生之前大脑处于怎样的状态。模型则负责预测，接下来视觉皮层的神经元群体会怎么响应。关键之处在于，这套电极阵列不仅可以刺激神经，还能够记录刺激之后产生的神经活动。

随后，研究人员利用该模型确定最有可能产生所需神经反应的刺激模式。当研究人员在受试者身上测试 AI 设计的模式时，发现它们不仅能够更准确地重现目标脑活动模式，并且所需的电流比以往的方法更少。

更重要的是，从受试者大脑记录到的活动比单纯的电刺激设置更能预测他的感知。换句话说，测量大脑的反应比仅仅知道哪些电极被激活，更能准确地预测受试者将会看到什么。

研究人员发现，记录到的神经活动模式比刺激参数本身更能反映这些感知结果。这种 AI 模型还整合了受试者静息状态下的脑活动测量数据，使其能够根据大脑的当前状态调整刺激模式。该技术为开发能够适应神经活动日间波动、保持稳定表现的视觉假体提供了新的可能。

在本次研究中，研究团队设计了梯度优化算法和训练第二个神经网络两种方法。梯度优化算法是从一种刺激方案出发，不断改变不同电极的电流，并利用已经训练好的大脑模型预测结果，直到找到一种能够让神经活动尽可能接近目标的组合。这种方法精度更高，但计算起来相对较慢，为一个目标生成刺激方案大约需要 10-20 秒。

于是，研究人员又训练了第二个神经网络，这次他们让网络直接学习一个反向问题：给定想要的大脑活动，直接告诉我该怎么刺激。这样，就不需要每次重新进行漫长的优化计算。该方法虽然准确度略低于梯度优化，但生成一套刺激方案仅需约 50 微秒。对于未来需要不断读取摄像头画面、实时调整刺激的视觉假体而言，这种速度差异十分关键。

当然，也需要看到，这项技术距离真正恢复“有用视力”还有很长的路要走。现阶段，受试者感知到的仍然只是光点、光斑或简单的形状，距离识别物体、阅读文字还存在显著的差距。而且，这枚植入物仅停留 6 个月就被取出，长期植入的安全性和稳定性仍然未知。

但这项研究至少在人体视觉皮层植入实验中证明，即使面对神经系统的非线性和明显的日间波动，电刺激诱发的皮层群体活动依然可以被建模、预测，并通过算法进行主动塑造。

该技术为未来更复杂的视觉编码策略奠定了重要基础，AI 真正尝试解决的，或许并不是如何让仿生眼“看得更多”，而是如何让机器先学会理解大脑。