AI“副驾驶”助力脑机接口革新

传统的脑机接口（BCI），如同一位“死板的助手”，只能被动读取大脑信号，执行指令效率低下，且准确度有限。用户需要时刻关注细节，操作缓慢且疲劳。

现在，加州大学洛杉矶分校的研究团队带来了创新思路：由人工智能（AI）担任“副驾驶”。BCI 系统不再只是“选按钮”或“代劳”，而是真正与用户分工合作，你决策，它借助 AI 完成预测、辅助和随时修正。这种人机实时互动的模式，使得瘫痪受试者在移动计算机光标等任务中的表现提升了近 4 倍。

相关研究论文以“Brain–computer interface control with artificial intelligence copilots”为题，已发表在科学期刊《自然-机器智能》上。

论文链接：https://www.nature.com/articles/s42256-025-01090-y

这种共享操控模式使脑机接口在日常使用中更实用、更高效。随着 AI 系统的升级，它们或能帮助用户更轻松地完成更多复杂任务。

传统脑机接口不够好？AI加“外挂”！

运动型 BCI 通过解码神经信号，帮助瘫痪患者实现运动和交流。尽管过去二十年取得了显著进展，但在临床应用中，BCI 仍面临核心挑战：系统性能必须足够强大，才能抵消其成本与潜在风险。

在大多数传统运动型 BCI 中，唯一的控制来源是解码后的神经信号。然而，现实任务往往是以目标为导向的——动作的目的是接触或点击特定对象。在这种场景下，只要能够准确判断用户的目标——即在有限可能目标中进行推断——基本就能确定动作方向。

研究团队将这种架构称为 AI-BCI。在计算机相关任务中，也可以采用类似方法进行目标推断。例如，在使用搜索引擎时，用户的目标很可能是在输入关键词后点击“搜索”按钮。

即使任务本身没有明确目标，例如自由绘图，AI 副驾驶依然能够发挥作用——帮助规避常见错误或极端动作。

AI-BCI：让光标和机械臂更“听话”

为显著提升 BCI 性能，研究团队采用了共享自治方案：AI 副驾驶与 BCI 使用者协同工作，共同完成任务目标。

研究团队开发了一种新的脑电图（EEG）解码架构：该架构将卷积神经网络（CNN）提取的非线性特征作为卡尔曼滤波器（KF）的观测输入，实现在线闭环解码器自适应（CLDA）。

实验结果显示，光标副驾驶系统显著提高了任务效率：健康参与者的平均目标获取速率提升了 2.1 倍，瘫痪参与者提升了 3.9 倍。

在机械臂实验中，AI 副驾驶利用 CV 系统推测目标位置并持续跟踪物体。实验结果显示，在 AI 副驾驶的辅助下，所有参与者的成功率均有显著提升。

AI-BCI 的未来形态是什么？

研究结果表明，在光标控制和机械臂任务中，共享自治显著提升了 BCI 的整体性能。随着 AI 副驾驶技术的不断进步，AI-BCI 的表现有望进一步增强。

研究团队预测，未来的 AI 副驾驶系统将提供更强大的辅助能力。这正是共享自治的核心目标：在任务执行过程中与用户共享控制权，从而全面提升人类在各类任务中的表现。