2026年8月11日
研究人员利用人工智能控制视觉皮层的电刺激，在提高"仿生眼"的可预测性方面迈出了重要一步。在一项针对盲人参与者的概念验证研究中，来自加州大学圣巴巴拉分校、苏黎世联邦理工学院和米格尔·埃尔南德斯大学的科学家们使用深度学习模型设计了刺激模式，与传统方法相比，这些模式能够产生更准确、更高效的神经反应。这项研究有望将视觉皮层假体从实验性设备转变为能够适应每位用户独特生理特征的系统。
这项发表在《神经元》（Neuron）杂志上的研究聚焦于一种完全绕过眼睛和视神经的技术。与通过刺激视网膜来恢复视力的传统方法不同，这种皮层假体直接向视觉皮层（大脑中负责处理视觉信息的区域）发送电信号。当电流激活该区域的神经元群时，使用者可能会体验到光幻觉——类似星星、火花或烟花的光点、闪光或形状。尽管这些感觉与正常视觉相去甚远，但最终可能为那些眼睛或视神经无法再传递信号的人提供有用的视觉信息。
研究团队在一名因脑外伤于27岁失明的男子身上测试了他们的方法。这名受试者在西班牙埃尔切IMED医院接受了视觉皮层临时植入，植入物包含一个96通道的电极阵列。该装置旨在刺激神经组织并记录大脑的电活动。由于植入物计划在六个月后移除，研究人员获得了难得的机会，可以实时观察特定的刺激模式如何改变人类视觉皮层的活动，以及这些变化如何与受试者的感知相对应。
传统的视觉假体通常依赖于预先设定的刺激规则。工程师选择激活哪些电极，调整电流大小，并寄希望于由此产生的神经活动能够生成有用的感知。然而，电脉冲与视觉体验之间的关系极其复杂。相邻的电极会相互影响，单个神经元在不同时刻的反应也可能不同，而且相同的刺激模式会根据大脑的当前状态产生不同的感知。这些因素使得将电极视为类似相机显示器中的简单像素变得困难。
为了解决这个问题，研究人员训练了一个深度神经网络来预测参与者的大脑对不同刺激组合的反应。该模型不仅分析了哪些电极被激活以及它们接收到的电流大小，还分析了参与者在每次刺激前瞬间的静息脑活动。这些额外信息使系统能够解释神经兴奋性的变化——即神经元反应准备程度的波动——而不是假设大脑每次都会做出相同的反应。
模型训练完成后，被反向应用。它不再仅仅预测刺激模式的效果，而是寻找最有可能在视觉皮层产生所需活动模式的设置。这种方法被称为基于模型或闭环控制，它使系统能够根据预测的神经反应来选择电信号输入。它也为个性化假体提供了一条潜在途径，在这种假体中，设备可以持续学习特定个体的大脑反应，并相应地调整其信号。
在测试人工智能设计的刺激模式时，结果表明，与对比方法相比，这些模式能够更精确地重现目标脑活动模式，同时所需的电流更低。研究结果表明，精心优化的刺激方式无需简单地增加电脉冲的强度或数量，即可改善对视觉感知相关神经回路的控制。更低的电流需求对于未来的植入式设备至关重要，因为它可以减少不必要的刺激，限制能耗，并提高感知结果的精确度。
研究人员还发现，记录的脑电活动比单纯的刺激设置更能反映参与者的感知。在部分实验中，参与者报告是否看到了光幻觉，并在某些实验中描述了光幻觉的形状、大小、亮度和颜色。与仅知道哪些电极被激活相比，神经记录能更好地指示这些感知结果。这一结果凸显了神经假体领域的一个核心挑战：发送到大脑的信号并不能完全决定最终产生的体验。大脑的反应也必须被测量和解读。
这项研究目前还无法提供自然视觉，参与者的感知仍然局限于简单的闪光或形状，而非精细的图像。尽管如此，该研究展示了一个框架，有望使未来的视觉皮层假体更加灵敏、可靠且个性化。研究人员设想的系统能够监测神经活动，预测用户可能感知的内容，并实时调整刺激。这项技术最终可以帮助因中风、神经退行性疾病、损伤或遗传性眼病而失明的人，特别是那些视觉皮层仍然具有反应能力的人。对于这些用户而言，植入物能够适应大脑而非强迫大脑适应固定的电刺激模式，可能是恢复有意义视觉信息的关键一步。
https://bioengineer.org/deep-lea ... eyes-and-the-brain/ |
