AI怎么啥活都接，还帮忙开发“读心术”？

我喜欢骑行，骑车时经常会冒出一些灵感，或者忽然记起一件没做的事，或者想记录沿途风景所见所感，但腾不出手打字……

我想过骑行之前打开录音机，有什么想法就对着耳机说出来，然后再将录音转成文字，摘取有意思的部分整理到笔记本里。

但是，抛开路上有噪音和风声不说，把所有想法都说出来真的很社死诶，如果说旁边人的坏话被听到怎么办！还有，录着音就没法听音乐了，那骑车还有什么乐趣！（不是）

那么，有没有一种可能性……可以在脑海里默默“说话”，电子设备直接识别，转为文字呢？

还真的有。

脑机接口，宛如“读心术”的科技

要说最接近“读心术”的科技，可能就是脑机接口。

脑机接口（brain-computer interface，BCI）是指，通过一些装置，在脑和外界设备之间建立联系，将脑的指令传到电脑并进行解读；或者将电脑中的信息变成可以解读的信号传给人脑。

这类系统可以帮助感官或肢体运动能力受损的病人恢复相关功能。例如将摄像机拍到的画面转为脑电信号，帮助盲人产生视觉，或者读取瘫痪病人的脑电波，控制机械臂进行操作等。

瘫痪患者用脑机接口控制机械臂丨Johns Hopkins Medicine

我们做任何动作、发任何声音，都是由大脑控制的。大脑皮层的不同区域会控制不同肌肉的动作。想要行动时，大脑通过电压变化发出指令，这种电信号通过外周神经传到相应肌肉。电信号不同，肌肉产生的变化便不相同。

输出式脑机接口正是利用这些特征，读取大脑产生的种种电信号，对其进行解读，从而转化为语音、文字、机械臂动作等表现形式。而输入式脑机接口，则是对大脑特定部分进行电、磁等形式的刺激，例如将拍摄画面转化为电信号，刺激失明人士大脑相关区域，产生视觉。

脑机接口分为非侵入式/无创、半侵入式/微创和完全侵入式/有创三类。侵入越深，测量的信号就越准确、噪声越小。

• 非侵入式/无创：基于脑波（EEG）、脑磁等信号的系统，由于传感器放在头皮上便可以采集信号，所以属于非侵入式。

  
  

• 半侵入式/微创：基于皮层脑电（electrocorticography，ECoG）的接口需要将传感器插入头皮，在大脑皮层上采集信号，对使用者有轻微创伤。

  
  

• 完全侵入式/有创：完全侵入式传感器在大脑皮层内采集信号，因此需要植入大脑皮层，创伤较大。例子有基于局部场电位（local field potential，LFP）的脑机接口。

需要注意的是，脑机接口用于“读心”的前提是，大脑相关功能区域没有受到损伤。例如脊柱受伤导致瘫痪的病人，大脑可以正常生成使手臂运动的命令，但因为信号传播会在脊柱中断，所以手臂无法响应命令。

如果是大脑损伤导致的障碍，脑机接口就不适合用于“读心”，但可以用于康复，比如通过向大脑提供输入和反馈，刺激大脑恢复一些神经功能。

想法转文字：如何更快更准更自然？

通过脑机接口“读心”的研究始于上世纪80年代，主要是为了帮助因中风、渐冻症等疾病或意外，丧失说话及打字能力，但大脑相关功能区完好的人群。

1988年，伊利诺伊大学厄巴纳-香槟分校的Donchin教授团队发表文章，分享了一种基于字母打字的脑机输入系统。

这个体系把26个英语字母和一些功能键（如空格、删除、输入完成、取消）排列成一个6×6的方阵。使用者将注意力放在想打出的字母上，电脑依次尝试某个行或列是否包含其想使用的字母。如果选择正确，使用者的头皮上会产生一个特定的脑电波EEG特征。这样一个一个字母输入，全部输入完成后再合成语音。

排列方阵示意｜Khanna et al. 2011

但是这种情况下，仅仅打出五个字母的单词，想要达到80%准确率需要花20.7秒，达到95%准确率要花26.0秒。而正常英语对话每分钟大约说160词，相当于每秒说两个词以上。仅凭拼写合成对话，速度非常缓慢，实用性非常有限。

另一种比较成熟的体系是通过想象手、手臂、脚等身体部位的动作，指引光标向上下左右移动，确认输入字母。例如纽约州立大学的Wolpaw教授团队于2000年发表的文章，就分析了想象身体部位运动时的EEG，并指出这些特征可以用于脑机接口开发。

2021年，斯坦福大学Francis Willett等研究员发文报告，让瘫痪患者试图动手写字，通过脑机接口读取这些动作指令的不同特征，对应不同的字母。这个方法的转化速度能有每分钟90个字符，约合18个英语单词；准确率高达94.1%，如果加上自动纠错，甚至能达到99%。

“想象手写转文字”示意图丨Erika Woodrum/HHMI/Nature

然而，无论通过意识选择字母，还是用动作想象输入，这些方式都在模仿打字而不是说话，处理速度太慢、思维方式太不自然。

AI赋能一切，包括想法转文字

今年8月发表于《自然》杂志的两篇研究，则分别使用侵入式的微电极阵列（microelectrode array）和半侵入式的ECoG，实现了“想象说话”向文字的转化，且正确率达到四分之三左右。

为了张口说出一个字，大脑要做出大量努力，发出无数指令，指挥嘴唇、舌头、喉咙、下颌进行复杂的协同工作，才能发出正确的声音。大脑就像交响乐队的指挥，指令畅通无阻，底下的乐队才能奏响动人的旋律。而许多疾病可能使人丧失清晰说话的能力。

斯坦福大学同样以Willett为首的团队，在一位渐冻人症患者Pat Bennett脑部植入了微电极阵列。这些电极埋在大脑皮层以下几毫米，能够精准测量脑电信号。接着，研究者让Bennett试着说各种字句，记录相应的脑电信号，然后用这些数据进行深度学习。

Pat Bennett在研究中｜Steve Fisch

项目分析了两个数据集：一个小数据集只有50个单词，程序只训练这50个单词，测试时也只让程序在这个范围内辨认。训练后的程序正确率达到了91.9%。而大数据集包括12.5万个单词。经过训练，正确率也有76.2%。处理速度高达每分钟62个词，虽然还只是正常说话速度的1/3左右，但已经远胜于之前的研究。

另一篇文章由加州大学旧金山分校的团队发表。他们的受试者Ann在18年前患脑干中风后失语。他们在Ann的大脑皮层植入电极（ECoG），记录了她试着说249句话（共使用1024个词）时的皮层脑电信号，用来训练机器学习模型。这个算法的原理就像ChatGPT，会一边识别她的神经信号对应着什么声音，一边尝试预测后面紧跟的音节和单词。

结果是，正确率为74.5%，平均速度触及了每分钟78词。

Ann通过脑机接口“说话”，并用数字化身做出快乐、悲伤、惊讶等“表情”｜NOAH BERGER

虽然后者使用的单词库小，数据集里只有1024个单词，所以靠“盲猜”正确率也能更高一些，但是ECoG侵入性低于微电极植入，因此也有很大价值。

虽然两篇文章都只使用了一名受试者，针对其脑电“定制”了机器学习模型，但它们证明了脑电转文字的概念是可行的，而且通过记录大脑表面一个非常小的区域的电活动，就足以解码语音信息。

研究人员目前还在努力开发无线版本，如果能够不必被“电线”束缚，患者的生活质量必然还会有极大的提升。

而能够造福障碍者的科技，往往也会慢慢向外“溢出”，顺便改善了健康者的生活。

也许在不远的将来，我们戴上一个头戴耳机一样的设备，只需想象自己在说话，就可以输出文字了呢。

参考文献

[1] Kotler， S. (2022-09-01). Vision Quest. WIRED. https://www.wired.com/2002/09/vision/

[2] Hochberg， L. R.， Serruya， M. D.， Friehs， G. M.， Mukand， J. A.， Saleh， M.， Caplan， A. H.， Branner， A.， Chen， D.， Penn， R. D.， & Donoghue， J. P. (2006). Neuronal ensemble control of prosthetic devices by a human with tetraplegia. Nature， 442(7099). https://doi.org/10.1038/nature04970

[3] 罗建功， 丁鹏， 龚安民， 田贵鑫， 徐浩天， 赵磊， & 伏云发. (2022). 脑机接口技术的应用、产业转化和商业价值. 生物医学工程学杂志， 39(2)， 405–415. https://doi.org/10.7507/1001-5515.202108068

[4] Cervera， M.， Soekadar， S.， Ushiba， J.， Millán， J.， Liu， M.， Birbaumer， N.， & Garipelli， G. (2018). Brain‐computer interfaces for post‐stroke motor rehabilitation: a meta‐analysis. Annals of Clinical and Translational Neurology， 5， 651 - 663. https://doi.org/10.1002/acn3.544.

[5] Herff， C.， & Schultz， T. (2016). Automatic Speech Recognition from Neural Signals: A Focused Review. Frontiers in Neuroscience， 10. https://www.frontiersin.org/articles/10.3389/fnins.2016.00429

[6] Farwell， L. A.， & Donchin， E. (1988). Talking off the top of your head: Toward a mental prosthesis utilizing event-related brain potentials. Electroencephalography and Clinical Neurophysiology， 70(6)， 510–523. https://doi.org/10.1016/0013-4694(88)90149-6

[7] Khanna， K.， Verma， A.， & Richard， B. (2011). “The locked-in syndrome”: Can it be unlocked? Hydrometallurgy， 2. https://doi.org/10.1016/j.jcgg.2011.08.001

[8] Naddaf， M. (2023). Brain-reading devices allow paralysed people to talk using their thoughts. Nature. https://doi.org/10.1038/d41586-023-02682-7

[9] McFarland， D. J.， Miner， L. A.， Vaughan， T. M.， & Wolpaw， J. R. (2000). Mu and Beta Rhythm Topographies During Motor Imagery and Actual Movements. Brain Topography， 12(3)， 177–186. https://doi.org/10.1023/A:1023437823106

[10] Willett， F. R.， Avansino， D. T.， Hochberg， L. R.， Henderson， J. M.， & Shenoy， K. V. (2021). High-performance brain-to-text communication via handwriting. Nature， 593(7858)， Article 7858. https://doi.org/10.1038/s41586-021-03506-2

[11] Willett， F. R.， Kunz， E. M.， Fan， C.， Avansino， D. T.， Wilson， G. H.， Choi， E. Y.， Kamdar， F.， Glasser， M. F.， Hochberg， L. R.， Druckmann， S.， Shenoy， K. V.， & Henderson， J. M. (2023). A high-performance speech neuroprosthesis. Nature， 620(7976)， Article 7976. https://doi.org/10.1038/s41586-023-06377-x

[12] Metzger， S. L.， Littlejohn， K. T.， Silva， A. B.， Moses， D. A.， Seaton， M. P.， Wang， R.， Dougherty， M. E.， Liu， J. R.， Wu， P.， Berger， M. A.， Zhuravleva， I.， Tu-Chan， A.， Ganguly， K.， Anumanchipalli， G. K.， & Chang， E. F. (2023). A high-performance neuroprosthesis for speech decoding and avatar control. Nature， 620(7976)， Article 7976. https://doi.org/10.1038/s41586-023-06443-4

本文来自微信公众号：果壳 （ID：Guokr42），作者：刘思琪，编辑：游识猷