圓桌TALK | 腦機接口：破譯全腦信息是必須？

在新腦論壇第二期中，清華大學醫學院生物醫學工程系高小榕，清華大學醫學院生物醫學工程系研究院、清華大學人工智能研究院副院長洪波，哈佛大學工程和應用科學學院助理教授劉嘉與藍馳創投投資副總裁別西，就“腦機接口，產業路徑何在？”展開精彩討論。下文爲本次論壇圓桌部分的內容整理，更多精彩回顧還請關注“NeuS”公衆號，我們將陸續爲您更新。

別西：剛纔高老師給腦機接口做了一個綜述，總結了腦機接口的發展歷程，其中有很大一部分涉及AI方向。在2012年之後，AI在學界乃至各個領域裡都發揮了越來越強的作用。想請高老師談一談AI在腦機接口裡具體能發揮哪些作用？

高小榕：實際上AI在腦機接口方面發揮的作用，在於AI能夠促使多智能體社會出現。什麼是多智能體社會？以現在很火的概念——元宇宙爲例，雖然元宇宙的發展遇到了一些困難，但實際上它遇到的困難是顯示技術上的困難——從原來的多人一屏（我們看電影看電視都是多人一屏）；發展到一人一屏（我們一臺電腦一個手機都是一人一屏）；再到現在發展出近眼顯示技術（顯示器已經不在手的範圍之內，而是在眼睛）。如果元宇宙需要通過眼睛交互，且我們不能拿手去碰眼睛，目前的觸屏形式都不適用。所以在這個場合下，我們怎麼通過眼鏡來實現人機交互就成爲了一個難題。

所以我認爲元宇宙必須實現四個“聯”。第一個“聯”是互聯，我們這些信息都是能夠互聯的。第二個是價值的聯接，我們通過區塊鏈能實現這種價值的聯接。第三個“聯”就是我們通過VR眼鏡而實現境聯，我看到的東西能夠實時反映到你那兒，你看到的東西也能實時反映到我這兒，這就是環境的境界的聯接。第四個“聯”，我覺得應該是靈聯，就是說我們的意識、需求和慾望，要能直接反映在我們“聯”的過程中。靈聯技術實際上比腦機接口要更寬一些，到這個層面我們才能解決價值上的交往問題。

現在我們AI再怎麼發展都只能解決物理層面的“是什麼”的問題。比如，這個東西是個杯子或者是個汽車等。但是價值層面的問題——這個東西會給我帶來什麼價值，我如何表達需求，目前AI是解決不了的。我經常舉的一個例子，如果有一個人跟你說，或者我跟別人說給我一個“蘋果”，就這麼簡單的句子，在不同的場合就要做不同的解釋。比如說，我如果在一個手機店裡說給我一個蘋果，那肯定是指你給我拿一個蘋果手機；但我如果在一個水果店或者在食堂或餐廳說給我一個蘋果，那肯定拿的是食物。所以在選擇這兩個東西的價值時，AI是無法解決的。

場景以及語境的問題，都必須通過腦機接口或通過靈聯，把我們想表達的價值告訴計算機。如果我們想進行很好的交互，在物理層面，AI可能能幹好多事兒，但是到價值層面，一定是由人來賦予的。如果我們人不能做到把我們的價值賦予計算機，或者讓計算機知道，我們的交互就會很困難。所以在AI層面一定要賦予腦機接口人類的價值，把我們的喜怒哀樂都輸入進去。

AI解決物理層面的問題，而我們解決價值層面的問題，一個最現實的技術就是我們現在最熱的技術——元宇宙，也需要腦機接口實現第四個聯，靈聯。否則的話，只是腦機接口，只是一個大屏幕，把我們這個屏幕從原來一個很小的桌面上的東西放到眼鏡上了，一定是侷限的，這是我個人的看法。

別西：高老師相當於是從宏觀的層面解釋了一下AI在人機交互場景裡的功能定位以及在腦結構方面的作用。其實在剛纔的講座裡洪老師和劉老師也都提到了AI的研究開發進展，包括在語音解碼和其它信號解碼方面的一些進展所以我想請兩位老師也分別談一談，您們覺得這方面能夠發揮哪些作用？

洪波：我舉了一個例子，就是在語音解碼方面，我覺得AI有兩個方面可以幫助到腦機接口的技術發展。一個就是從神經信號到解碼出來的內容之間，本質上是個數學的映射。大家知道我們現在的深度學習最擅長的就是，如果有足夠的數據，就可以把映射學習得非常好。雖然我不知道映射的函數是什麼，AI現在通過數據和不斷的訓練學習就能夠得到。這是第一點幫助，這在很多腦機接口的運動、語音解碼上都顯示出了優勢。

第二個跟高老師剛纔說的有點關係，就是說事實上機器解碼出來的內容，比如我說了一句話，或者我看到一個場景，它是有統計規律的，先發生什麼後發生什麼。它的場景是什麼？這個中間你可以用一個統計的規律把它刻畫出來。如果把統計規律再用AI嵌入到你的解碼輸出裡面，就可以四兩撥千斤，只要用很少的信號，解碼出來的信息量就很大。因爲解碼的信息本身並不獨立，它有時間上的相互依賴關係，在這點上語音和運動解碼都體現出了這一優勢。

所以，這兩個方面我認爲人工智能的深度學習算法可以給腦機接口解碼帶來幫助，甚至是很大的促進。過去這幾年我們看到的解碼速率的提升，跟這一點是比較有關係的。

語音解碼模型

https://doi.org/10.1007/s13534-015-0175-1

別西：好的，在劉嘉老師講之前，我想再追問洪老師一個問題，剛纔講的線性解碼，和語音解碼，您覺得AI在這兩塊發揮的作用是一樣的嗎？還是說線性解碼這一塊可能發揮作用更大？

洪波：其實我們現在很多機器學習的方法就已經把線性解碼解決得非常好了，系統也很穩定，對於用戶來講變成了一個學習問題。就像你學習打網球一樣，我把這個線性解碼腦機接口系統給用戶，用戶和系統之間相互適應，用戶慢慢就學會了怎麼調節自己的神經活動去適應這個系統。用戶學會了一項新技能，跟會打網球了，會游泳了一樣。

而像語言這樣的複雜的解碼，它中間的映射函數還不清楚，所以我覺得人工智能在裡邊發揮的作用可能更大。甚至規律都不知道，反正它能運行，就像現在AlphaFold解決蛋白質摺疊問題一樣，或者AlphaGo下圍棋一樣，好多事情你並不能寫出它的數學方程解析的形式，但是它能夠運行，從工程上做產品的角度來講，這是很有價值的。

別西：好的，接下來時間交給劉老師談一談您的看法。

劉嘉：我覺得兩位老師已經說得非常好，我從另外兩個角度去做一些補充。

第一個在大數據的角度，現在我們能夠長時間穩定測量神經信號，而且我們希望追求更多的通道，更快地獲取神經信號。因此這個數據量已經大到傳統方法已經不能夠快速地處理了。

比如說在我的實驗室基本上所有的問題都在用機器學習的算法來去做解碼，甚至我們現在做峰值檢測（Spike detection），都需要我們使用機器學習的算法。對於測量的數據，我們的電腦內存都已經不夠大。因此我們要麼就買更多的內存，要麼就寫機器學習的算法去實時的處理數據。

另外一個點就是看記錄的數據中神經元信號和要解碼出來的數據之間的關聯，其實本質上就是要通過測量來解碼大腦的行爲或者內部狀態。我們現在主要是研究這兩者之間統計上的相關性。深度學習在處理這一類問題的時候是非常擅長的。無論是線性的還是非線性的，深度學習直接可以得到他們兩個之間的協方差關係。

特別是像剛剛說的通過腦電的信號去解碼得出一個語音的信號，這不僅僅是非線性的，而是一個多重的交叉模態（cross modality）的解碼。對於這種交叉模態解碼，其實傳統意義上的信號處理，在功能上可選擇的餘地是不多的。但是對機器學習來說，只要你的數據量足夠大，並且有非常好的一一對應關係和訓練數據的話，是可以得到一個非常好的效果的。

最後一點，我們做這一切，不僅僅是把機器學習應用到神經科學，腦機接口和大腦信號解碼中，我們同時也是研究如何用大腦活動去促進機器學習與AI。

現在我們最新提出Neuro-AI的目標，要完全合併（merge）生物智能和電腦智能，在我看來這纔是腦機接口對人類來說最重要的一個方向。

別西：好的，我們觀衆裡也有一些問題。大家都很關心侵入式和非侵入式的方案，結合上一次和這一次的講座，聽衆多多少少會有了解這兩個的區別。但我們也想知道如果用非侵入式的方案，有哪些大家能夠達成的進展以及現在能夠提高的環節呢？我個人理解是如果採用非侵入式的方案，目前還是以採集腦電信號爲主要方法，存在噪音比較大、精度比較有限的問題。

高老師和洪老師在這塊其實做了很多年的工作，所以想請你們談一談，在非侵入式的腦機接口上，我們進展的空間在哪裡，以及可以做到哪些事情。

高小榕：打一個比方，我們要想聽見禮堂裡的聲音，講座大禮堂裡的或者音樂廳裡的聲音，最好的辦法是把麥克風直接擱到舞臺上。但現在我們怎麼去擱，擱到哪，還是一個問題。禮堂相當於大腦，大腦中非常多的信號相當於聲音，我們到底要採集哪裡的信號纔是最高效的？

還有一種辦法就是說把麥克風擱在外面，不擱到禮堂裡，因爲我們不知道怎麼進去。除此之外，我們還有一種辦法，就是我們在禮堂的牆上打了很多窟窿，把麥克風擱到禮堂的牆上，通過窟窿獲取信息。

那我們在獲取大腦裡的信號時，爲什麼必須把它擱進去？大家要思索這麼一個重要的問題。正是因爲顱骨是不導電的，所以我們在外面收到的信息很弱。而如果我們把顱骨的導電性提升，我們是可以在顱骨外做很多信號記錄的。未來在有創和無創之間，肯定存在一箇中間的形態，我把它總結成微創無植入的腦機接口。這個東西不是擱在腦子裡，而是我在安裝過程中把禮堂改造了一下，改造爲適合我們在外面聽音樂會的狀態，可以既不破壞大腦，又能得到大腦的這些信息，這是我覺得未來可能的一個發展方向。

實際上咱們可以做一個很重要的比喻，就是說我們原來的手機通訊一定要在手機邊上擱一個鐵塔，再擱上接收的裝置。但馬斯克把星鏈給擱到天空上，那天空上我們擱一個肯定解決不了，所以他一下擱了好幾萬個同時來接收信號，就能夠把信號解讀出來，這樣我們就可以不用在地面上擱很多鐵塔，我們在天上就能把這些信號記錄下來。這也是科學發展的一個歷程，未來我們可能在腦子外面擱了一些東西，但同時我們能夠隨時隨地把顱骨衰減的信號都增強起來。我把這一類技術叫顱骨透鏡技術，我們能夠通過計算與大量的分析獲取到信息。我想說的就是這個。

洪波：我也補充一點想法。我特別贊同剛纔高老師說的微創腦機接口，以及劉嘉老師講的，在頭皮腦電和植入式兩者之間，還有很大的空間。當然我們提出來的跟高老師說的還不完全一樣，我們想做的是一個“裡應外合”的方案，在顱骨裡面嵌入一個很小的植入體，將來可能可以小到像一個芝麻那麼大。如果微電子技術很發達的話，那麼它可以通過無線技術跟外部的設備之間建立一個信道，來一個裡應外合。而剛纔高老師說的是顱骨透鏡，其實關鍵在於怎麼把顱骨對腦電信號的影響減到更小。

另外還有一個觀點，我認爲現在的頭皮腦電無創技術，事實上面臨一個重大的變革，就是你看現在的腦電電極的樣子，和它理解腦電信號的方式方法還是比較傳統。我一直在思考，第一，從界面材料上看，腦電有沒有可能採用像納米改性等方法？我們也跟材料學院的老師們合作做納米銀的顆粒，能夠使得腦電即便不用打導電膠也可以記錄到很好的信號，甚至未來人類如果沒有頭髮的話，它可以成爲一種像紋身或者花紋一樣的裝飾，也可以獲取到穩定的信號。聽起來有點不可思議，但是我覺得材料技術的發展有可能會帶來這一點。

第二個和AI的應用有關係，雖然頭皮腦電的信號比較微弱，像禮堂外接到的信號，但是如果你把它作爲一個驅動信號，然後背後有一個AI解碼的引擎，你實際上給AI解碼的引擎，提供的是某種觸發或者是條件概率，那麼這個時候你利用腦電信號做腦機接口應用的可能性就變得很大。

比如說在康復的場景中，例如我剛纔講的中風康復，或是高老師講的情緒調節這種場景裡，可能用戶不太願意去做植入，那麼你能不能提供一個像手環或激光視網膜手術這樣的負擔很小的解決方案？我認爲從產品和市場的角度值得大家去做剛纔說的兩方面的創新，以此帶來新的應用場景。

顱窗技術，不同光學窗口製備的示意圖

https://doi.org/10.1016/j.jneumeth.2021.109100

別西：提到材料這塊，我覺得劉老師這邊可能會有更多的信息。剛纔這個問題是針對非侵入式的，接下來一個問題是針對侵入式，也是結合剛纔洪老師和劉老師給我們的分享，有觀衆提到說相對於EEG或ECoG的信號，用深部spike信號解碼出來的信號是否更精準，以及它能反映的功能和信號之間的映射是否更精細？

我自己有一個問題，神經迴路是一個迴路，Hebb’s law說“fire together, wire together”，所以如果在迴路上每個部分傳遞的信息都是一致的話，那我們電極放置的位置，是否會影響它所映射出的，被我們最終解釋的結果。因爲記錄到的都是相似的信號，那在這個基礎之上，我們追求通道的多和少，是不是其實也沒有太大影響。

洪波：你剛纔問的問題很有趣，也很重要。我先說抽象一點的，在獲取信號上，劉老師可能更有經驗。以前大家認爲我們編碼的機器是固定的，就像電影裡看到的，你只要去把他的秘密本找到，就可以解碼出來了。你剛纔提到說是不是大腦很多地方的信號是重複的，它的編碼規律也是重複的，這是一個科學假設。從現在實驗數據來看，有的地方是這樣，有的地方並不這樣。

另外一個已被實驗證明了的很有趣的現象就是，並不是像劉老師剛纔講的那樣記錄每一個神經細胞，我不把全腦的信息全息地獲取，而是隻做其中一小塊，比如說就記100個神經細胞。但你要記住這100個神經細胞是可塑的，它是活的。如果建立這100個神經細胞與你的視覺和運動之間的輸出關係，然後用戶又能看到或是能夠反饋到輸入端，那就形成了一個閉環，這個閉環會告訴這100個神經細胞說，我們要用這個東西控制機械臂或者光標了，請你根據我們這個系統的功能來改變你的編碼方式。

請注意，是先有了一個閉環的系統。這可能很簡單，可能是線性的，但神經細胞會根據設定改變它的編碼。在猴子上的數據已經證明，一個月訓練以後，這100個神經細胞會根據你的設定來實現你要的編碼，這個就有點像原來不會騎自行車，學着學着，這些神經細胞就會騎自行車了一樣。這是非常有趣的一個發現，實際上這也改變了我們對腦機接口的認知。

我們以前認爲腦機接口解碼是一個固定的編碼規律，現在實際上不是了。可以不用那麼努力，不用記100萬或者1000萬個，我只要記一千個神經細胞，但是這1000個是VIP，而且是非常靈活的VIP，它能夠積極地去學習，最後形成一個高效的編碼方式，這是一個新觀點供大家討論。

別西：好的，很有意思，我想聽一下劉老師會怎麼評價，以及對剛纔的問題您有什麼看法。

劉嘉：無論是非侵入式還是侵入式，以及要測多少個神經元，這是取決於最終需要的應用場景是什麼，需要輸出的信號本身維度（dimension）的多少。

因爲使用非侵入式還是侵入式，最直接影響到的是測量的神經信號的質量和信息。因此，那麼我們首先要區分的是信號的質量以及信息的有和沒有的區別。比如用禮堂外記錄禮堂內部的聲音作爲比喻，是因爲我的解析信噪比不夠高呢，還是說我的信號解碼能力不夠強而導致信號質量不好，又或者是我們根本記錄不到每個人的聲音。如果是前者，那麼通過未來增強解碼的能力或是信噪比，我們就還能夠解碼出每個人的信號。從而，我們依然可以繼續去發展非侵入式的大腦記錄方法。提升EEG和ECoG的測量能力，我們還是可以記錄到我們需要的信息。

但事實上並不如此。爲什麼？因爲單個神經元活動的帶寬是在三到五千赫茲的頻譜範圍，而我們的顱骨是一個完美的低通濾波（low pass filter），基本上大於40赫茲的信號全部都過濾掉了。因此這是個有和沒有的問題。基本上非侵入式的記錄都不存在測到高頻率下單細胞層次的電活動的可能。那麼無論你再怎麼增強信號解碼能力，再增強信噪比，都不可能測到，因爲這部分信息就完全消失了。

但是非侵入式的測量有沒有用？並不一定沒有用，因爲在很多的應用場景，本身大腦輸出的信息就是一個非常低維度低頻率的信息。我讓輪椅往前走，往後走，往左走，往右走，其實就只有一個二維信息，甚至我還能再縮減一下，變成了一維信息。哪怕是寫個文字，或讓鼠標跑來跑去，其實也都是一個二維信息，其內在維數是非常低的。在這種情況下，如果我們不追求高維的信號，其實就完全沒有必要把電機插到大腦裡面去，打開顱骨得到很多信息。

當我們要討論到另外一種情況，就是考慮到腦機接口的未來，比如說人機交互、人機互通，或者意識上傳、記憶解碼。當需要這種高維信息的時候，那麼我們就需要做到侵入式腦機接口，得到每個神經元的信號。但是不是要得到全腦尺度下的每個神經元信號呢？那也不盡然。

控制論已經研究了很多年。人們發現在一個連接良好的網絡系統裡，你只需要測量有效的節點，就可以去重構整個網絡行爲。特別像神經網絡，就像你說“fire together，wire together”，哪怕我們現在做的運動皮層或者視皮層的這種高維信號，如果你是直接用降維的方法，比如說最簡單的主成分分析方法，它本身也就是一個低維信號，不需要測那麼多神經元的。但是當我們要去重新創造信息，比如要重構你昨天看的電影，或者你過去10年的記憶的時候，那麼我們到底需要測量多少神經元？那就是一個科學問題了。

你要知道大腦中的神經元是多少個？是850億個神經元；我們現在大概測量多少？世界首富傾其所能也就測幾千個神經元。是用幾千個神經元去理解850億個神經元，這可能嗎？這不可能。我們只能說把技術儘可能往前推進，在我們有生之年能推進到100萬，甚至十億個的神經元同時測量，我們才能討論這些信息是不是已經冗餘（redundancy）了，是不是我們已經不再需要測更多神經元了。所以我覺得這是一個很大的問題，要具體問題具體分析，然後才能理解每一個對應的情況它背後的技術發展的路徑。

別西：好，謝謝兩位老師精彩的解釋。接下來有一個問題是給劉老師的，因爲劉老師在美國，高老師和洪老師在中國，而我們上一期的老師也基本上在中國，所以大家普遍比較關心的是美國FDA對於腦機接口的裝置是什麼態度，包括我看您自己的公司也拿到了突破性的審批，我不知道您清不清楚中國的情況，我們可以一起對照學習。

劉嘉：我聽說是中國相對會更保守一些，而美國會更激進一些。特別是NIH BRAIN Initiative這麼多年，除了產出一些老鼠大腦的繪圖，大家最關心的還是這些技術如果應用到人類的大腦。因此最終腦機接口在臨牀上有什麼用就非常的重要。所以，就我有限的瞭解，美國FDA和NIH比較鼓勵這個方向。

當然，侵入式腦機接口本身就是一個第3級植入式（level three、invasive 、implantation）的方法，它造成的損傷還是非常顯著的。因此，雖然整體上美國比較樂觀、比較支持，但也只是非常謹慎地支持這個方向。腦機接口，絕對不是一個短期內，比如說我未來兩年內，整個領域就能天翻地覆的。它一定是一個長達10年、20年甚至30年的積累過程。當然，所有的技術都是這樣，就算是AI發展，也都經歷了多少的寒冬和盛夏，那麼腦機接口，我相信要經歷的寒冬和盛夏只能比它更多，而不可能比它更少。

我相信在美國，FDA和NIH也深刻意識到了這一點，所以他們也是小心謹慎又樂觀支持的這麼一個態度。

Axoft推出腦植入技術以治療長期神經系統疾病，並被FDA授予突破性醫療器械認定。

https://axoft.us/

別西：好的，再問一個技術性問題。今天我們其實講的更多是神經信號讀取的問題，但我們知道腦機接口還有很大的一塊內容是神經調控，具體應用也有像DBS這些已經在臨牀中廣泛應用的技術。幾位老師覺得神經調控和神經信號讀取比起來，哪個更困難，哪個在短期內我們能看到有比較突破性的進展？

洪波：神經調控是跟腦機接口平行發展的，現有技術是這樣，但是到今天這兩條線慢慢又匯合了，爲什麼？原來的DBS也非常地成功，從對帕金森的治療慢慢拓展到很多疾病。但是它的調控原理是不清楚的，如果你仔細研究它的調控，你會發現它是基於經驗的調控，60赫茲或100赫茲；方波或三角波，試出來的。到今天這就不能滿足臨牀精準治療的需求了。

那麼它跟腦機接口的融合在哪？就是剛纔我說的雙向腦機接口。腦機接口原來做解讀，但另一方面你會發現把信息寫進去還是個問題。我說的是信息寫進去，而不是給它一個特定頻率的刺激，改變它的狀態。這兩個不是一個層次的。但是到今天這個節點，我覺得從科學難度上看，寫入一個精準的信息，是比解讀出一個信息，要難一個數量級。

其實我們在這方面所知道的科學知識非常少，研究也不夠，但是好在我們前面經驗式的神經調控，提供了一個很好的產品，甚至技術的平臺。我認爲兩部分融合起來以後，可能會加速精準神經調控領域的發展，從而加速最終目標的實現，也就是寫入信息。這是我的一個觀點，拭目以待。特別是國內現在神經調控的市場非常熱，有很多原來做DBS的轉過來，他們也在和我們一起做雙向腦機接口。

別西：劉老師能介紹一下您的想法嗎？或者介紹一下美國相關的一些進展之類的？

劉嘉：我只能說說我的想法。因爲這個領域比較大。相比於神經測量，神經調控確實是會更難。因爲當我們在做神經記錄的時候，我們其實是希望無差別地去測量，也就是說測量這一個區域的所有神經元信號，越多越好。甚至於如果我們要知道一些神經元的基因表型。我們也可以在測量之後，再考慮怎麼通過其他方法把它讀取出來。

但神經調控就像剛剛洪老師說的，我們很大程度上是不明白它的機制（mechanism）。在動物實驗中，過去的這幾十年我們已經有了長足進展。進展的主要來源是光遺傳學（optogenetics）技術的發展，因爲我能夠做光學控制（optically controlled）、基因靶向刺激（genetical targeted stimulation），即我刺激這種神經元能得到一個什麼樣的行爲輸入。但像光遺傳學這種技術，特別是涉及到轉基因技術，你真正用到人的身上，那是非常艱難的。

所以說，我們如何在真正的神經元調控中能夠有更多的精準性、細胞特異性，甚至細胞類型特異性，就需要有開拓性技術的發展，才能在神經調控上有真正的比較革命性的進展。這已經不僅僅是測量多麼多的神經元這樣的很簡單的工程問題，而是我們要去刺激什麼種類的神經元，以什麼樣的時空模式（spatio-temporal pattern）去進行刺激。在這種情況下，我現在還沒有看到除了經驗方法之外的更好的解決方案。所以說，基礎科學上還沒有得到突破，這就不僅僅是一個工程學的問題。

洪波：剛纔劉嘉老師講的，其實是很難的一個事情。我再補充一個很有趣的想法。比如做個思想實驗，假設800億個、1000億個神經元全都能夠被你控制，這樣的話，你還能不能實現精準的神經調控呢？實際上，你會發現做不到，你沒有辦法沿着時間軸把這800億個、1000億個神經細胞每一個點的變化微方程都寫出來。數學上可以，技術你也做不到。

所以，我注意到劉嘉老師也在做低維的神經動力學。看似我們大腦好像有800億個、1000億個神經元，它們實際上是聯繫在一起的。從數學上講，可能它的本質規律是一個低維的系統，如果我能夠構建出低維繫統，然後在低維繫統裡做擾動，不是一個個地控制每個神經細胞，而是在關鍵節點上控制這個系統狀態。這有點像小時候大家盪鞦韆，都希望把小朋友的鞦韆推得越高越好，你就要琢磨你在什麼時候推她一下，才能把鞦韆推到最高，這就是一個神經動力學的優化擾動、優化控制的問題。我覺得這是一個方向，是未來神經調控和腦機接口結合的一個關鍵點。我們也在這方面想各種辦法。

這個思路有什麼好處？因爲剛纔劉嘉老師講Neuro-AI，我最關心的Neuro-AI是說我們大腦神經活動構建一個模型，像你的數字替身一樣，然後在這裡做虛擬治療，做虛擬調控和擾動。這可能是一個非常激動人心的想法，未來我們可以用它解決問題，可以在精神疾病或者其他需要神經調控的場景裡，產生一種意想不到的結果。

高小榕：實際上神經調控比腦機接口應該更早，因爲神經調控前面有生物反饋，神經反饋或者生物反饋在上世紀60年代就很熱了。我一直記得十幾年前剛剛開始有些人問我的時候，我對當時的記者說做寫入的研究一定要非常慎重。

實際上，寫入有一個最重要的問題是你必須可重置，就是你寫進去了之後，如果說永久地在那了，就像咱們一朝被蛇咬十年怕井繩，以後會影響他的生活，就很麻煩。但如果我能重置，就能有效解決這個問題。爲什麼這個問題很重要？比如說我們爲什麼不用指紋到處去做密碼，一個核心的問題在於指紋是不能重置的，但我們的密碼是可以重置的。如果我覺得我的密碼被泄密了，我重新換一個密碼，這就不影響我的生活。但如果我到處把指紋作爲我的密碼，要想重置非常困難，這就是一個問題。所以寫入的技術一定要到能解決可重置的問題的時候，才能夠做實際的應用。

但這並不代表我們不能做相關的研究。無論是AI for science，很多這個問題。以前神經科學總認爲我們是高人一等的，我們研究出來的結果就是放之四海而皆準。實際上，我們仍然存在很多問題。洪老師開始講的說如果我們能調控所有的神經元，這都屬於開放性的課題，都存在這種可能。如果能夠實現AI for science了，這樣的BCI或神經科學就是可行的道路。所以，寫入這件事並不是說難，而是我覺得更多是我們要解決一些套路的東西。我寫了進去，同時能夠做到隨時將之刪除，這個問題才能解決。而不是現在很多的時候寫入之後刪除不了。

別西：從剛纔三位老師的分享裡都可以看出來，腦機接口肯定是一項長期的工作，我們現在先用它解決像運動、語音這種更基本的功能，最後才能慢慢地走向意識解析這些在神經生物學方面我們自己尚不清楚如何產生的功能，它是一項長期的、非常重要也非常有想象力和創新性的工作。

主持人：別西 | 嘉賓：高小榕、洪波、劉嘉

整理：海星、光影 | 校對：光影

排版：光影 | 插畫：紀善生