腦機介面是一種變革性的人機互動技術，是指繞過外周神經和肌肉，使大腦與外部裝置建立全新的通訊與控制通道，並捕捉大腦訊號並將其轉換為電訊號，實作資訊的傳輸和控制。
近年來，腦機介面技術已經進入臨床試驗階段。透過這項革命性的新技術，能夠幫助幫助因損傷或疾病而失語、失聰的患者恢復；讓重癥肌無力患者、因事故導致的高位截癱、中風等重度運動障礙患者恢復一定的運動能力。
上個月，Elon Musk（埃隆·馬斯克）旗下腦機介面公司Neuralink宣布，完成第二例腦機介面裝置人體移植，移植者在術後就能用意念來控制光標、玩電子遊戲等原本無法想象的操作。
然而，目前腦機介面技術並不完美。大腦中的神經網路並非簡單的線性疊加，而是涉及復雜的非線性關系，就使得同時發生的編碼難以被解析。所以，區分特定行為的大腦編碼與其他行為的編碼，仍是一大挑戰。
近期，來自南加州大學和賓夕法尼亞大學的研究團隊開發了一種人工智慧演算法——DPAD（Dissociative Prioritized Analysis of Dynamics），能夠有效地將特定行為的大腦模式與其他同時進行的大腦活動區分開來，提高從大腦活動中解碼運動的準確性，從而顯著提升腦機介面的效能。
研究團隊以「Dissociative and prioritized modeling of behaviorally relevant neural dynamics using recurrent neural networks」為題，已將該論文發表在Nature子刊Nature Neuroscience 上。
研究團隊表示，這種方法不僅可以準確地從大腦活動中解碼動作，還有助於揭示大腦中可能未被註意到的新模式，從而開發出功能更強大的腦機介面，如用於治療運動障礙和癱瘓以及精神疾病。
值得註意的是，這一演算法具有極強的靈活性，未來可能用於解碼如疼痛或抑郁情緒等心理狀態，有助於更好地治療心理健康狀況，透過跟蹤患者的癥狀狀態作為反饋，精確地根據他們的需求客製治療方案。
事實上，腦機介面的靈感來源於人工智慧基礎模型「神經網路」，而後者則模仿的是人類大腦的神經元網路結構。所以，腦機介面在神經科學領域有不錯的前景，並已經獲得了大量突破性的成果。
今年8月，加州大學戴維斯分校健康中心研究團隊及其合作者開發了一種由AI 驅動的大腦植入物，成功將大腦訊號轉換為語音，讓失語患者重新開口說話，準確率高達97.5%。
然而，人類對大腦的認識只是冰山一角，未來人工智慧與神經科學的結合，勢必帶來更多的可能和想象空間。當然，腦機介面亦是如此。
