人的本质,就是一堆电信号。当复杂且脆弱的大脑异常放电后,人们就会出现神经或精神类的疾病,如青少年的自闭、中青年的抑郁、中老年的痴呆、全年龄段的渐冻症、高位截瘫、癫痫等。
大脑控制着人们的思维、感受和情感,人类漫长发展过程中对大脑的探索以及对其运行机制和功能的模仿从未停止。其中,脑机接口作为大脑和外界世界或者外界设备直接可以沟通的一个信息渠道,它可以直接去采集我们大脑放电的信号,也可以直接去调控我们大脑放电的活动。
脑机接口技术会给人类带来什么?
“脑机接口可以起到认识脑、保护脑、修复脑乃至增强脑的效果,”脑虎科技创始人陶虎介绍道,这项技术未来有两方面的应用前景。
首先,是对于重大脑疾病的诊治,可以通过脑机接口去了解疾病背后的原因,为何会发生大脑异常放电,通过干预,让它回到正常放电的途径。”陶虎表示,这就是目前他带领团队正在做的事,希望通过脑机接口技术对重大脑疾病进行诊断和治疗。
另一个方面就更为直接,通过脑机接口,人们可以绕过五官四肢,人类大脑或将发挥更大潜能。
“其实,脑机结合的终极目标可能就是让硅基器件与碳基生命融合,从而实现生命进化的新高度。”在陶虎看来,脑机接口技术得到突破后,“脑联网”时代将会很快到来,单个人脑就是人群网络中的一个节点,可通过无线脑电传输,实现个体脑电信号的“云上传”和“局域交互”。这将使信息传播从三维提升到四维(增加情感维度),人脑的“情绪复刻”将变为现实。
陶虎认为,这种“情绪复刻”或将为治疗抑郁症、自闭症等精神类疾病带来新的希望。
脑机接口侵入式或非侵入式?解码神经元信息是关键
脑机接口系统作为一种人机交互系统,其中最重要的就是设备(神经电极或脑电极)的放置方式。目前,脑机接口分为侵入式、非侵入式和半侵入式三种。侵入式和半侵入式由于需要在大脑中放置植入式设备,因而带有一定的风险性和安全性问题。而非侵入式的方式虽然操作简便安全,但由于颅骨对信号的衰减作用和对神经元发出的电磁波的分散和模糊效应,记录到的信号分辨率有限,不过仍然是学术界的研究热点。
脑虎科技选择的是侵入式脑机接口。陶虎说:“大脑思考的方式是神经元放电,通过脑脊液、颅骨、头皮信号逐渐衰减。如果要连续读写,侵入式是很好的方式,但是伤害很大。”
——脑虎科技医用级BCI产品G2 主视图——
陶虎说,“侵入式脑机接口,就是我们看到《黑客帝国》里面要插进去那一种,也是我们现在在主攻的一个方向;另外一种就是我们说非侵入式脑机接口,类似于我们到医院去做一个简单的脑电检查,会在头部贴几个电极片的形式。”
这是两种不同的方式,两种方式各有利弊。这些神经元放电是在大脑深部的,神经元信号经过我们的大脑脑膜、脑积液颅骨、头皮,最后到头皮上,本身的信号衰减了很多,更重要的是因为在不同的组织界面,信号会有散射,导致最终的信号已经完全偏离原样了。
从技术原理上来看,非侵入式脑机接口很难完全去逆向追溯到精准的神经元放电,从而无法获取精确的神经元信号,但好处是不用开刀,其安全性很好。但如果要像电影里面那样,希望把人类的意识、记忆等上传到某地方,目前非植入式脑机接口显然是做不到的。
随着越来越多的科学研究和工程学上的突破,让侵入式脑机接口的市场热度越来越高。脑虎科技继2022年1月完成了9700万元融资后,同年9月推出了首款医用级BCI产品,并在2022年的最后三天又宣布完成数亿元A轮融资,如此快速布局与发展,足以体现了资本对未来脑机接口的信心,更准确地说,尤其是侵入式脑机接口的未来信心。
好文章,需要你的鼓励
西部数据首席产品与工程官Ahmed Shihab表示,公司HAMR技术进展顺利,OptiNAND能提供容量优势。HAMR技术物理原理已突破,正进行制造工艺优化。相比希捷10盘片技术,西数11盘片设计提供更大发展空间,可更快推向市场。OptiNAND结合UltraSMR算法可实现更高单盘容量。公司采取保守策略,注重可靠性,客户已完成相关软件认证。硬盘在数据经济中仍是基础,在视频监控等写密集型应用中具备成本和耐久性优势。
新加坡国立大学研究团队开发了SPIRAL框架,通过让AI与自己对弈零和游戏来提升推理能力。实验显示,仅训练AI玩简单扑克游戏就能让其数学推理能力提升8.6%,通用推理提升8.4%,且无需任何数学题目作为训练材料。研究发现游戏中的三种推理模式能成功转移到数学解题中,为AI训练提供了新思路。
一旦人工智能达到通用智能(AGI)或超级智能(ASI)水平,人类将无法逆转回传统AI。AGI与人类智力相当,ASI则超越人类智慧。由于人类会对此类AI产生依赖,且AGI/ASI具备自我保护能力,通过全球禁令、内置终止开关或控制措施都难以有效阻止。AI末日论者担心existential风险,而AI加速主义者认为将解决人类问题。唯一可能的逆转机会是AGI/ASI主动选择关闭自己以拯救人类。
同济大学团队开发的GIGA-ToF技术通过融合多帧图像的"图结构"信息,创新性地解决了3D相机噪声问题。该技术利用图像间的不变几何关系,结合深度学习和数学优化方法,在合成数据集上实现37.9%的精度提升,并在真实设备上展现出色泛化能力,为机器人、AR和自动驾驶等领域提供更可靠的3D视觉解决方案。