仿生眼迎来AI时刻：机器最初学着“读懂”大脑|假体|皮层|视网膜|电刺激|植入物_网易订阅

本文是读懂专业学术比如文解读，不做医疗提议。仿生给大脑通电，眼迎易订阅并不意味着大脑就能“听懂”。时刻视网过去，机器假体视觉皮层假体的最初植入一种基础思路，是大脑将电极视作某种“像素”：摄像头捕捉外界图像，再由植入大脑的皮层电极向视觉皮层发送电刺激，希望由一个个光点拼出视觉。膜电但真正棘手的刺激状况是，大脑并不是物网一块显示屏。同样的读懂电刺激，大脑并不总会给出同样的仿生反应。目前，眼迎易订阅AI 最初介入电极与大脑之间的时刻视网这层“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先次在清醒人体视觉皮层植入试验中验明正身，深度学习模型可根据大脑状态改进电刺激模式，使视觉假体（如仿生眼）从相对固定的刺激对策进一步走向适用应大脑状态的个性化控制。同时，在提高神经活动控制的准确性和感知稳固性的同时，减小了所需刺激电流。探究团队基于深度学习模型为视觉皮层（大脑后部处理视觉材料的区域）假体设方式电刺激模式，在一名 27岁失明男性受试者身上实现验明正身。结荚显示，AI 设方式的刺激模式不仅能更准确地重现目的神经活动，同时所需的刺激电流更低。该技术为下一代视觉假体给予了一条新的技术路线：未来，仿生眼或许不仅需向大脑发送视觉材料，还可能需实时理解大脑，并根据不一样患者、不一样脑状态动态调整刺激。图丨 Michael Beyeler（来源：https://news.ucsb.edu/people/mi)目前，这项概念验明正身的相关比如文已发表在 Neuron 上 [1]。该比如文通讯作者、UCSB 副教授 Michael Beyeler 团队的探究题方向是开发新的方式和算法，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，旨在协助盲人的恢复实用视力。（来源：UCSB）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。该探究中的路线便是后者，它的基础原理并不复杂。正常状况下，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，最后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状况下，由视网膜、视神经或视觉皮层受到机械、电刺激等功能而产生的光感知，患者可能感觉自己看到了光点、闪光或便捷形状。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固、彼此独立。同一枚电极，即便输入完全相同的电流，不一样时间产生的神经活动也可能不一样；多枚电极同时刺激时，彼此还会发生复杂的相互功能，最后产生的感知并不是几个光点的便捷叠加。甚至同一个人，在不一样日期、不一样状态下，对相同刺激的反应也可能发生变化。这意味着，视觉假体面临的困难是：工程师知方式自己向大脑输入了什么，却不能准确知方式大脑最后会如何响应。以往探究中的常用方式是逐个测试电极，再根据患者反馈开展校准。但当植入设备具有几十个甚至数百个电极，需考虑的是大量电极、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，于是探究人员决定用 AI 来处理这个状况。图丨实验装置与建模框架的示意图（来源：Neuron）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、但视觉皮层仍具有功能的患者，这一路线具有潜在采取价值。Beyeler 指出，该技术对那些曾经具有部分视力，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点，这些群体对恢复部分视力的愿望可能会特别强烈。图丨神经对刺激的响应建模（来源：Neuron）2024 年，Beyeler 团队成员前往西班牙，开启了探究的题时期：测试他们的方式算方式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，探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 通方式电极阵列组成的视觉皮层植入装置，按照本次试验方式划，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，探究团队记录了 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。图丨神经活动塑造方式的评估（来源：Neuron）为更准确地预测视觉皮层对刺激的反应，探究团队训练了一个具有约 120 万个参数的深度神经网络，用于预测不一样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材料。通过该模型，探究人员建立了一个“大脑反应预测器”。探究人员告诉它：目前刺激哪些电极、分别采取多大电流，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。题之处在于，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，探究人员利用该模型选定最有可能产生所需神经反应的刺激模式。当探究人员在受试者身上测试 AI 设方式的模式时，发现它们不仅能够更准确地重现目的脑活动模式，同时所需的电流比以往的方式更少。更题的是，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方式哪些电极被激活，更能准确地预测受试者将会看到什么。探究人员发现，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荚。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目前状态调整刺激模式。该技术为开发能够适用应神经活动日间波动、保持稳固谝的视觉假体给予了新的可能。在本次探究中，探究团队设方式了梯度改进算法和训练第二个神经网络两种方式。梯度改进算法是从一种刺激方式划出发，不断变化不一样电极的电流，并利用已经训练好的大脑模型预测结荚，直到找到一种能够让神经活动尽可能接近目的的组合。这种方式精度更高，但方式算起来相对较慢，为一个目的生成刺激方式划大约需 10-20 秒。于是，探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状况：给定想关键的大脑活动，直接告诉我该怎么刺激。这样，就不需每次重新开展漫首先的改进方式算。该方式虽然准确度略低于梯度改进，但生成一套刺激方式划仅需约 50 微秒。对于未来需不断读取摄像头画面、实时调整刺激的视觉假体而言，这种高效度区别十分题当然，也需看到，这项技术距离真正恢复“实用视力”还有很首先的路关键走。现时期，受试者感知到的仍然只是光点、光斑或便捷的形状，距离识别物体、阅读文字还存在显著的差距。同时，这枚植入物仅停留 6 个月就被取出，首先期植入的安全性和稳固性仍然未知。但这项探究至少在人体视觉皮层植入实验中说明，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，并通过算法开展主动塑造。该技术为未来更复杂的视觉编码对策奠定了题基础，AI 真正尝试处理的，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。参考材料：1.https://www.cell.com/neuron/abstract/S0896-6273(26)00535-02.https://news.ucsb.edu/2026/022739/deep-learning-refines-how-bionic-eyes-communicate-brain3.https://news.ucsb.edu/people/michael-beyeler排版：刘雅坤注：封面/首先图由 AI 辅助生成本文是专业学术比如文解读，不做医疗提议。

(责任编辑：娱乐)