腦機介面最新研究：失語癱瘓者每分鐘「說」出近30字元，平均錯誤率僅8.23%|數位時代 BusinessNext

腦機介面最新研究：失語癱瘓者每分鐘「說」出近30字元，平均錯誤率僅8.23%

腦機介面是近年來神經科學中最前沿的研究領域之一，研究發現神經假體可以將腦活動轉譯為單個字母，實時拼出完整句子，成功幫助失語癱瘓患者恢復交流能力。

只要一個人的大腦神經活動還在，科學家們就有可能幫助失語癱瘓患者（由於嚴重聲帶和肢體癱瘓而交流受限）恢復應該有的交流能力。

腦機介面被寄予厚望，是近年來神經科學中最前沿的研究領域之一。在一項最新研究中，來自美國加州大學舊金山分校的科研團隊設計了一個神經假體，這種神經假體可以將腦活動轉譯為單個字母，實時拼出完整句子，展示在一名失語癱瘓患者面前。

據介紹，由該神經假體能構成的拼寫系統能夠以每分鐘 29.4 個字元的速度生成句子，平均字元錯誤率僅為 6.13%，且可以推廣到包含 9000 多個詞的詞匯表中。

相關研究論文以“Generalizable spelling using a speech neuroprosthesis in an individual with severe limb and vocal paralysis”為題，已於今日發表在科學期刊 Nature Communications 上。神經外科醫生、加州大學舊金山分校神經外科和生理學副教授 Edward Chang 為該論文的通訊作者。

這一研究成果凸顯了無聲控制的語言神經假體通過基於拼讀的方法生成句子的巨大潛力。

曾讓癱瘓15年男子恢復「說話」能力

理論上，透過在人（或動物）與外部設備之間建立信息傳輸通路，並利用人工智慧等技術構建映射關系，就可以將人（或動物）的意識顯示在機器上。

此前，來自斯坦福大學的科研團隊就成功開發出一套腦機介面系統，該系統利用大腦運動皮層的神經活動可解碼「手寫」筆跡，並使用循環神經網路（RNN）將筆跡實時翻譯成文本，成功呈現在電腦屏幕上。

同樣，早在去年 7 月，Chang 團隊就曾首次使用腦機介面幫助一位癱瘓超過 15 年的失語男子 BRAVO1 恢復了「說話」的能力。

據瞭解，BRAVO1 在 20 歲時因嚴重的腦乾中風癱瘓並失語，只有頭、脖子和四肢能進行極為有限的活動，但其大腦的認知功能完好無損。

他們為 BRAVO1 開發了一個包含 50 個單詞的系統，該系統每分鐘可以解碼 15.2 個單詞，準確率中值為 75%。

在獨立單詞任務中，BRAVO1 先會看到 50 個常用單詞中的一個。當屏幕上的單詞變成綠色時，BRAVO1 便開始用意念「說」出這個單詞，進而讓電極記錄下他的神經活動。據論文描述，研究團隊共計進行了 9000 次單詞任務，有效數據時長為 22 個小時。

然而，這一系統受限於特定詞匯表，參與者必須嘗試大聲說出這些詞，這對於失語癱瘓的患者來說，是一項非常困難的任務。

在此次工作中，研究團隊通過設計其系統解碼與音標字母相關的腦活動，將此前的方法拓展到了更大的詞匯量，並提高了拼寫速度和準確性。

「會說話」的神經假體

神經假體是一種可以替代缺失的神經系統功能的設備，有望為因失語癱瘓而無法說話或打字的患者恢復交流能力。

然而，人們尚不清楚是否可以通過無聲地嘗試說話來控制交流神經假體。

在測試中，在參與者嘗試無聲地說出每個字母發音時，新系統能夠解碼參與者的腦活動，整個拼寫過程如下圖所示。

在句子拼寫試驗開始時，參與者試圖默念一個單詞來主動激活拼寫器（圖 a），在整個任務過程中，新系統從電極記錄的皮層數據中實時提取神經特徵（高伽馬活動和低頻信號），麥克風信號表明在執行任務期間沒有聲音輸出（圖 b）。

據論文描述，語音檢測模型由 RNN 和閾值計算構成，通過處理神經特徵來檢測無聲語音嘗試，一旦檢測到，拼寫過程就會開始（圖 c）。

在拼寫過程中，參與者在每 2.5 秒發生一次的字母解碼周期中拼寫想要表達的信息，在每個周期內，都會看到一個倒計時，最後看到一個代表“開始”的提示，然後試圖默念出代表所需字母的代碼字（圖 d）；在整個拼寫過程中計算所有電極通道的高伽馬活動和低頻信號，並將其分成 2.5 秒的非重疊時間視窗（圖 e）。

隨後，基於 RNN 的字母分類模型會處理每一個神經時間窗，預測參與者試圖默念 26 個可能的代碼字或者試圖執行一個手動命令的概率，如果預測手動命令的概率達到了 80% 以上，則拼寫過程結束，否則預測的字母概率繼續由波束搜索演算法進行實時處理，並將最有可能的句子顯示給參與者（圖 f）。

最後，當參與者拼出想要表達的信息後，可以通過握緊右手來結束拼寫過程，最後完成整個句子（圖 g），與手動指令相關的神經時間窗會被傳遞給分類模型（圖 h），如果分類模型收到了參與者的手動命令，基於神經網路的語言模型（DistilGPT-2）就會對有效句子重新評分，評分後最有可能的句子被用作最終的預測（圖 i）。

測試結果顯示，參與者從一個1152 個單詞的詞匯表裡，能夠以每分鐘 29.4 個字元的速度生成句子，平均字元錯誤率僅為 6.13%。

在進一步的實驗中，研究團隊發現，這一方法可以推廣到包含9000多個單詞的詞匯表中，平均錯誤率也只有8.23%。

以上研究結果表明，基於拼讀方法利用語音編碼詞匯生成句子的無聲控制語言神經假體具有相當大的應用潛力。

未來，研究團隊還需要繼續研究該方法是否能在更多患者中達到同樣或者更好的效果。

本文授權轉載自：36Kr

責任編輯：何汶、林美欣

當GPU不再是唯一主角，記憶體為何躍上AI舞台中央？

過去，半導體的焦點多圍繞在晶片，例如CPU、GPU跟AI加速器等，市場普遍認為，晶片運算能力是左右科技產業發展速度的關鍵，但在進入生成式AI世代後，產業逐漸發現另一個事實：真正限制AI效能的瓶頸不是運算，而是資料能否快速被存取與傳輸。

從大型語言模型訓練，到AI推論、代理式工作流程（Agentic Workflow），甚至未來的機器人與自駕車，龐大的資料流量正持續推升對高頻寬、低延遲、高容量記憶體的需求，讓記憶體產業從過去相對標準化、以價格競爭為主的市場，逐漸轉變為AI基礎建設的重要核心。

「仔細觀察AI應用服務會發現，大多數工作負載都被頻寬限制。」美光科技全球業務執行副總裁Mike Cordano認為，記憶體是突破（頻寬）瓶頸的關鍵，也讓AI競賽從晶片算力升級到記憶體與儲存架構的系統級競爭。這樣的產業洞察，也正是Mike在歷經二十餘年的儲存產業資歷，加上四年半的創投生涯後，選擇加入美光的核心原因之一：在AI重塑產業結構的浪潮下，記憶體將成為這波成長最直接的動能所在。

從零組件供應商到策略夥伴，記憶體共創時代來臨

AI的崛起，正在改變記憶體廠商與客戶的關係。

過去，記憶體產品多是標準化元件，客戶關注的是價格、供貨與規格；合作模式也偏向短期採購與交易導向。然而隨著AI系統規模愈來愈大，從資料中心、雲端平台到終端裝置，記憶體已經成為決定系統效能的重要關鍵，也因如此，越來越多企業將記憶體視為「策略性資產」，而非單純零組件。

Mike表示：「現在，我們跟客戶合作的時間跨度改變了，在產品正式上市前三到四年便開始合作，從系統架構階段就共同規劃未來需求。」例如，美光科技與NVIDIA共同研發的資料中心所使用的低功耗記憶體，便是雙方提前多年展開深度合作（co-design）的成果。

值得特別注意的是，美光科技除從技術層面與晶片製造商等夥伴共創產品，也在需求層面與客戶進行密切合作，例如，將過去較無約束力、期限僅一年的長期協議（LTA）轉變成為期五年、條款更具約束力的策略性客戶協議（SCA），藉此掌握客戶的未來需求，進而在技術層面做更深度的合作。Mike坦言，深度協同設計是高成本的投入，美光的做法是先廣泛進行市場感知，理解不同場域的需求方向，再與生態系統中的夥伴們展開客製化合作。

從裝置導向轉為Token導向，AI浪潮重寫記憶體成長模式

除了合作模式改變，更大的典範轉移是需求的改變。

Mike解釋，過去記憶體需求跟PC、手機跟伺服器出貨量息息相關，但在AI新世代，推動記憶體需求成長的核心不再是設備數量，而是AI模型所產生的運算與資料消耗量。「AI產業逐漸走向以『Consumption』或『Token』為主的新經濟模式，每一次的模型運算都需要消耗大量的記憶體跟儲存資源，這意味著，即使設備銷量成長趨緩，記憶體需求仍可能持續上升。」

更重要的是，AI應用正從資料中心外擴至手機、PC、自駕車與機器人等場域，儘管不同場域對記憶體的需求不盡相同，但是，Mike認為：所有AI裝置都存在三項共同需求：更快的速度、更大的容量，以及更高的能源效率。

正如Mike在受訪時提到的：「我們最大的挑戰，是如何與客戶和整個生態系保持高度一致，一方面創造供給與產能，另一方面持續推動技術創新。」可以預期，在接下來的五年，記憶體產業面臨的挑戰不僅僅是擴展產能，而是如何與客戶共同規劃需求、同步投入技術創新，而這也是美光科技積極經營AI生態體系的原因。

總的來說，AI帶來的改變，不只是算力提升，而是重新定義整個運算架構：過去，記憶體被視為支援運算的基礎元件；現在，則是決定AI效能、能源效率與創新速度的關鍵資源；當產業競爭從晶片性能延伸到資料流動效率，從裝置數量轉向Token消耗量，記憶體的重要性也將隨之水漲船高，對美光科技來說，這將是其從供應商走向AI生態系核心夥伴的關鍵角色轉變。