圆桌TALK | 脑机接口：破译全脑信息是必须？

在新脑论坛第二期中，清华大学医学院生物医学工程系高小榕，清华大学医学院生物医学工程系研究院、清华大学人工智能研究院副院长洪波，哈佛大学工程和应用科学学院助理教授刘嘉与蓝驰创投投资副总裁别西，就“脑机接口，产业路径何在？”展开精彩讨论。下文为本次论坛圆桌部分的内容整理，更多精彩回顾还请关注“NeuS”公众号，我们将陆续为您更新。

别西：刚才高老师给脑机接口做了一个综述，总结了脑机接口的发展历程，其中有很大一部分涉及AI方向。在2012年之后，AI在学界乃至各个领域里都发挥了越来越强的作用。想请高老师谈一谈AI在脑机接口里具体能发挥哪些作用？

高小榕：实际上AI在脑机接口方面发挥的作用，在于AI能够促使多智能体社会出现。什么是多智能体社会？以现在很火的概念——元宇宙为例，虽然元宇宙的发展遇到了一些困难，但实际上它遇到的困难是显示技术上的困难——从原来的多人一屏（我们看电影看电视都是多人一屏）；发展到一人一屏（我们一台电脑一个手机都是一人一屏）；再到现在发展出近眼显示技术（显示器已经不在手的范围之内，而是在眼睛）。如果元宇宙需要通过眼睛交互，且我们不能拿手去碰眼睛，目前的触屏形式都不适用。所以在这个场合下，我们怎么通过眼镜来实现人机交互就成为了一个难题。

所以我认为元宇宙必须实现四个“联”。第一个“联”是互联，我们这些信息都是能够互联的。第二个是价值的联接，我们通过区块链能实现这种价值的联接。第三个“联”就是我们通过VR眼镜而实现境联，我看到的东西能够实时反映到你那儿，你看到的东西也能实时反映到我这儿，这就是环境的境界的联接。第四个“联”，我觉得应该是灵联，就是说我们的意识、需求和欲望，要能直接反映在我们“联”的过程中。灵联技术实际上比脑机接口要更宽一些，到这个层面我们才能解决价值上的交往问题。

现在我们AI再怎么发展都只能解决物理层面的“是什么”的问题。比如，这个东西是个杯子或者是个汽车等。但是价值层面的问题——这个东西会给我带来什么价值，我如何表达需求，目前AI是解决不了的。我经常举的一个例子，如果有一个人跟你说，或者我跟别人说给我一个“苹果”，就这么简单的句子，在不同的场合就要做不同的解释。比如说，我如果在一个手机店里说给我一个苹果，那肯定是指你给我拿一个苹果手机；但我如果在一个水果店或者在食堂或餐厅说给我一个苹果，那肯定拿的是食物。所以在选择这两个东西的价值时，AI是无法解决的。

场景以及语境的问题，都必须通过脑机接口或通过灵联，把我们想表达的价值告诉计算机。如果我们想进行很好的交互，在物理层面，AI可能能干好多事儿，但是到价值层面，一定是由人来赋予的。如果我们人不能做到把我们的价值赋予计算机，或者让计算机知道，我们的交互就会很困难。所以在AI层面一定要赋予脑机接口人类的价值，把我们的喜怒哀乐都输入进去。

AI解决物理层面的问题，而我们人解决价值层面的问题，一个最现实的技术就是我们现在最热的技术——元宇宙，也需要脑机接口实现第四个联，灵联。否则的话，只是脑机接口，只是一个大屏幕，把我们这个屏幕从原来一个很小的桌面上的东西放到眼镜上了，一定是局限的，这是我个人的看法。

别西：高老师相当于是从宏观的层面解释了一下AI在人机交互场景里的功能定位以及在脑结构方面的作用。其实在刚才的讲座里洪老师和刘老师也都提到了AI的研究开发进展，包括在语音解码和其它信号解码方面的一些进展所以我想请两位老师也分别谈一谈，您们觉得这方面能够发挥哪些作用？

洪波：我举了一个例子，就是在语音解码方面，我觉得AI有两个方面可以帮助到脑机接口的技术发展。一个就是从神经信号到解码出来的内容之间，本质上是个数学的映射。大家知道我们现在的深度学习最擅长的就是，如果有足够的数据，就可以把映射学习得非常好。虽然我不知道映射的函数是什么，AI现在通过数据和不断的训练学习就能够得到。这是第一点帮助，这在很多脑机接口的运动、语音解码上都显示出了优势。

第二个跟高老师刚才说的有点关系，就是说事实上机器解码出来的内容，比如我说了一句话，或者我看到一个场景，它是有统计规律的，先发生什么后发生什么。它的场景是什么？这个中间你可以用一个统计的规律把它刻画出来。如果把统计规律再用AI嵌入到你的解码输出里面，就可以四两拨千斤，只要用很少的信号，解码出来的信息量就很大。因为解码的信息本身并不独立，它有时间上的相互依赖关系，在这点上语音和运动解码都体现出了这一优势。

所以，这两个方面我认为人工智能的深度学习算法可以给脑机接口解码带来帮助，甚至是很大的促进。过去这几年我们看到的解码速率的提升，跟这一点是比较有关系的。

语音解码模型

别西：好的，在刘嘉老师讲之前，我想再追问洪老师一个问题，刚才讲的线性解码，和语音解码，您觉得AI在这两块发挥的作用是一样的吗？还是说线性解码这一块可能发挥作用更大？

洪波：其实我们现在很多机器学习的方法就已经把线性解码解决得非常好了，系统也很稳定，对于用户来讲变成了一个学习问题。就像你学习打网球一样，我把这个线性解码脑机接口系统给用户，用户和系统之间相互适应，用户慢慢就学会了怎么调节自己的神经活动去适应这个系统。用户学会了一项新技能，跟会打网球了，会游泳了一样。

而像语言这样的复杂的解码，它中间的映射函数还不清楚，所以我觉得人工智能在里边发挥的作用可能更大。甚至规律都不知道，反正它能运行，就像现在AlphaFold解决蛋白质折叠问题一样，或者AlphaGo下围棋一样，好多事情你并不能写出它的数学方程解析的形式，但是它能够运行，从工程上做产品的角度来讲，这是很有价值的。

别西：好的，接下来时间交给刘老师谈一谈您的看法。

刘嘉：我觉得两位老师已经说得非常好，我从另外两个角度去做一些补充。

第一个在大数据的角度，现在我们能够长时间稳定测量神经信号，而且我们希望追求更多的通道，更快地获取神经信号。因此这个数据量已经大到传统方法已经不能够快速地处理了。

比如说在我的实验室基本上所有的问题都在用机器学习的算法来去做解码，甚至我们现在做峰值检测（Spike detection），都需要我们使用机器学习的算法。对于测量的数据，我们的电脑内存都已经不够大。因此我们要么就买更多的内存，要么就写机器学习的算法去实时的处理数据。

另外一个点就是看记录的数据中神经元信号和要解码出来的数据之间的关联，其实本质上就是要通过测量来解码大脑的行为或者内部状态。我们现在主要是研究这两者之间统计上的相关性。深度学习在处理这一类问题的时候是非常擅长的。无论是线性的还是非线性的，深度学习直接可以得到他们两个之间的协方差关系。

特别是像刚刚说的通过脑电的信号去解码得出一个语音的信号，这不仅仅是非线性的，而是一个多重的交叉模态（cross modality）的解码。对于这种交叉模态解码，其实传统意义上的信号处理，在功能上可选择的余地是不多的。但是对机器学习来说，只要你的数据量足够大，并且有非常好的一一对应关系和训练数据的话，是可以得到一个非常好的效果的。

最后一点，我们做这一切，不仅仅是把机器学习应用到神经科学，脑机接口和大脑信号解码中，我们同时也是研究如何用大脑活动去促进机器学习与AI。

现在我们最新提出Neuro-AI的目标，要完全合并（merge）生物智能和电脑智能，在我看来这才是脑机接口对人类来说最重要的一个方向。

别西：好的，我们观众里也有一些问题。大家都很关心侵入式和非侵入式的方案，结合上一次和这一次的讲座，听众多多少少会有了解这两个的区别。但我们也想知道如果用非侵入式的方案，有哪些大家能够达成的进展以及现在能够提高的环节呢？我个人理解是如果采用非侵入式的方案，目前还是以采集脑电信号为主要方法，存在噪音比较大、精度比较有限的问题。

高老师和洪老师在这块其实做了很多年的工作，所以想请你们谈一谈，在非侵入式的脑机接口上，我们进展的空间在哪里，以及可以做到哪些事情。

高小榕：打一个比方，我们要想听见礼堂里的声音，讲座大礼堂里的或者音乐厅里的声音，最好的办法是把麦克风直接搁到舞台上。但现在我们怎么去搁，搁到哪，还是一个问题。礼堂相当于大脑，大脑中非常多的信号相当于声音，我们到底要采集哪里的信号才是最高效的？

还有一种办法就是说把麦克风搁在外面，不搁到礼堂里，因为我们不知道怎么进去。除此之外，我们还有一种办法，就是我们在礼堂的墙上打了很多窟窿，把麦克风搁到礼堂的墙上，通过窟窿获取信息。

那我们在获取大脑里的信号时，为什么必须把它搁进去？大家要思索这么一个重要的问题。正是因为颅骨是不导电的，所以我们在外面收到的信息很弱。而如果我们把颅骨的导电性提升，我们是可以在颅骨外做很多信号记录的。未来在有创和无创之间，肯定存在一个中间的形态，我把它总结成微创无植入的脑机接口。这个东西不是搁在脑子里，而是我在安装过程中把礼堂改造了一下，改造为适合我们在外面听音乐会的状态，可以既不破坏大脑，又能得到大脑的这些信息，这是我觉得未来可能的一个发展方向。

实际上咱们可以做一个很重要的比喻，就是说我们原来的手机通讯一定要在手机边上搁一个铁塔，再搁上接收的装置。但马斯克把星链给搁到天空上，那天空上我们搁一个肯定解决不了，所以他一下搁了好几万个同时来接收信号，就能够把信号解读出来，这样我们就可以不用在地面上搁很多铁塔，我们在天上就能把这些信号记录下来。这也是科学发展的一个历程，未来我们可能在脑子外面搁了一些东西，但同时我们能够随时随地把颅骨衰减的信号都增强起来。我把这一类技术叫颅骨透镜技术，我们能够通过计算与大量的分析获取到信息。我想说的就是这个。

洪波：我也补充一点想法。我特别赞同刚才高老师说的微创脑机接口，以及刘嘉老师讲的，在头皮脑电和植入式两者之间，还有很大的空间。当然我们提出来的跟高老师说的还不完全一样，我们想做的是一个“里应外合”的方案，在颅骨里面嵌入一个很小的植入体，将来可能可以小到像一个芝麻那么大。如果微电子技术很发达的话，那么它可以通过无线技术跟外部的设备之间建立一个信道，来一个里应外合。而刚才高老师说的是颅骨透镜，其实关键在于怎么把颅骨对脑电信号的影响减到更小。

另外还有一个观点，我认为现在的头皮脑电无创技术，事实上面临一个重大的变革，就是你看现在的脑电电极的样子，和它理解脑电信号的方式方法还是比较传统。我一直在思考，第一，从界面材料上看，脑电有没有可能采用像纳米改性等方法？我们也跟材料学院的老师们合作做纳米银的颗粒，能够使得脑电即便不用打导电胶也可以记录到很好的信号，甚至未来人类如果没有头发的话，它可以成为一种像纹身或者花纹一样的装饰，也可以获取到稳定的信号。听起来有点不可思议，但是我觉得材料技术的发展有可能会带来这一点。

第二个和AI的应用有关系，虽然头皮脑电的信号比较微弱，像礼堂外接到的信号，但是如果你把它作为一个驱动信号，然后背后有一个AI解码的引擎，你实际上给AI解码的引擎，提供的是某种触发或者是条件概率，那么这个时候你利用脑电信号做脑机接口应用的可能性就变得很大。

比如说在康复的场景中，例如我刚才讲的中风康复，或是高老师讲的情绪调节这种场景里，可能用户不太愿意去做植入，那么你能不能提供一个像手环或激光视网膜手术这样的负担很小的解决方案？我认为从产品和市场的角度值得大家去做刚才说的两方面的创新，以此带来新的应用场景。

颅窗技术，不同光学窗口制备的示意图

别西：提到材料这块，我觉得刘老师这边可能会有更多的信息。刚才这个问题是针对非侵入式的，接下来一个问题是针对侵入式，也是结合刚才洪老师和刘老师给我们的分享，有观众提到说相对于EEG或ECoG的信号，用深部spike信号解码出来的信号是否更精准，以及它能反映的功能和信号之间的映射是否更精细？

我自己有一个问题，神经回路是一个回路，Hebb’s law说“fire together, wire together”，所以如果在回路上每个部分传递的信息都是一致的话，那我们电极放置的位置，是否会影响它所映射出的，被我们最终解释的结果。因为记录到的都是相似的信号，那在这个基础之上，我们追求通道的多和少，是不是其实也没有太大影响。 

洪波：你刚才问的问题很有趣，也很重要。我先说抽象一点的，在获取信号上，刘老师可能更有经验。以前大家认为我们编码的机器是固定的，就像电影里看到的，你只要去把他的秘密本找到，就可以解码出来了。你刚才提到说是不是大脑很多地方的信号是重复的，它的编码规律也是重复的，这是一个科学假设。从现在实验数据来看，有的地方是这样，有的地方并不这样。

另外一个已被实验证明了的很有趣的现象就是，并不是像刘老师刚才讲的那样记录每一个神经细胞，我不把全脑的信息全息地获取，而是只做其中一小块，比如说就记100个神经细胞。但你要记住这100个神经细胞是可塑的，它是活的。如果建立这100个神经细胞与你的视觉和运动之间的输出关系，然后用户又能看到或是能够反馈到输入端，那就形成了一个闭环，这个闭环会告诉这100个神经细胞说，我们要用这个东西控制机械臂或者光标了，请你根据我们这个系统的功能来改变你的编码方式。

请注意，是先有了一个闭环的系统。这可能很简单，可能是线性的，但神经细胞会根据设定改变它的编码。在猴子上的数据已经证明，一个月训练以后，这100个神经细胞会根据你的设定来实现你要的编码，这个就有点像原来不会骑自行车，学着学着，这些神经细胞就会骑自行车了一样。这是非常有趣的一个发现，实际上这也改变了我们对脑机接口的认知。

我们以前认为脑机接口解码是一个固定的编码规律，现在实际上不是了。可以不用那么努力，不用记100万或者1000万个，我只要记一千个神经细胞，但是这1000个是VIP，而且是非常灵活的VIP，它能够积极地去学习，最后形成一个高效的编码方式，这是一个新观点供大家讨论。

别西：好的，很有意思，我想听一下刘老师会怎么评价，以及对刚才的问题您有什么看法。

刘嘉：无论是非侵入式还是侵入式，以及要测多少个神经元，这是取决于最终需要的应用场景是什么，需要输出的信号本身维度（dimension）的多少。

因为使用非侵入式还是侵入式，最直接影响到的是测量的神经信号的质量和信息。因此，那么我们首先要区分的是信号的质量以及信息的有和没有的区别。比如用礼堂外记录礼堂内部的声音作为比喻，是因为我的解析信噪比不够高呢，还是说我的信号解码能力不够强而导致信号质量不好，又或者是我们根本记录不到每个人的声音。如果是前者，那么通过未来增强解码的能力或是信噪比，我们就还能够解码出每个人的信号。从而，我们依然可以继续去发展非侵入式的大脑记录方法。提升EEG和ECoG的测量能力，我们还是可以记录到我们需要的信息。

但事实上并不如此。为什么？因为单个神经元活动的带宽是在三到五千赫兹的频谱范围，而我们的颅骨是一个完美的低通滤波（low pass filter），基本上大于40赫兹的信号全部都过滤掉了。因此这是个有和没有的问题。基本上非侵入式的记录都不存在测到高频率下单细胞层次的电活动的可能。那么无论你再怎么增强信号解码能力，再增强信噪比，都不可能测到，因为这部分信息就完全消失了。

但是非侵入式的测量有没有用？并不一定没有用，因为在很多的应用场景，本身大脑输出的信息就是一个非常低维度低频率的信息。我让轮椅往前走，往后走，往左走，往右走，其实就只有一个二维信息，甚至我还能再缩减一下，变成了一维信息。哪怕是写个文字，或让鼠标跑来跑去，其实也都是一个二维信息，其内在维数是非常低的。在这种情况下，如果我们不追求高维的信号，其实就完全没有必要把电机插到大脑里面去，打开颅骨得到很多信息。

当我们要讨论到另外一种情况，就是考虑到脑机接口的未来，比如说人机交互、人机互通，或者意识上传、记忆解码。当需要这种高维信息的时候，那么我们就需要做到侵入式脑机接口，得到每个神经元的信号。但是不是要得到全脑尺度下的每个神经元信号呢？那也不尽然。

控制论已经研究了很多年。人们发现在一个连接良好的网络系统里，你只需要测量有效的节点，就可以去重构整个网络行为。特别像神经网络，就像你说“fire together，wire together”，哪怕我们现在做的运动皮层或者视皮层的这种高维信号，如果你是直接用降维的方法，比如说最简单的主成分分析方法，它本身也就是一个低维信号，不需要测那么多神经元的。但是当我们要去重新创造信息，比如要重构你昨天看的电影，或者你过去10年的记忆的时候，那么我们到底需要测量多少神经元？那就是一个科学问题了。

你要知道大脑中的神经元是多少个？是850亿个神经元；我们现在大概测量多少？世界首富倾其所能也就测几千个神经元。是用几千个神经元去理解850亿个神经元，这可能吗？这不可能。我们只能说把技术尽可能往前推进，在我们有生之年能推进到100万，甚至十亿个的神经元同时测量，我们才能讨论这些信息是不是已经冗余（redundancy）了，是不是我们已经不再需要测更多神经元了。所以我觉得这是一个很大的问题，要具体问题具体分析，然后才能理解每一个对应的情况它背后的技术发展的路径。

别西：好，谢谢两位老师精彩的解释。接下来有一个问题是给刘老师的，因为刘老师在美国，高老师和洪老师在中国，而我们上一期的老师也基本上在中国，所以大家普遍比较关心的是美国FDA对于脑机接口的装置是什么态度，包括我看您自己的公司也拿到了突破性的审批，我不知道您清不清楚中国的情况，我们可以一起对照学习。

刘嘉：我听说是中国相对会更保守一些，而美国会更激进一些。特别是NIH  BRAIN Initiative这么多年，除了产出一些老鼠大脑的绘图，大家最关心的还是这些技术如果应用到人类的大脑。因此最终脑机接口在临床上有什么用就非常的重要。所以，就我有限的了解，美国FDA和NIH比较鼓励这个方向。

当然，侵入式脑机接口本身就是一个第3级植入式（level three、invasive 、implantation）的方法，它造成的损伤还是非常显著的。因此，虽然整体上美国比较乐观、比较支持，但也只是非常谨慎地支持这个方向。脑机接口，绝对不是一个短期内，比如说我未来两年内，整个领域就能天翻地覆的。它一定是一个长达10年、20年甚至30年的积累过程。当然，所有的技术都是这样，就算是AI发展，也都经历了多少的寒冬和盛夏，那么脑机接口，我相信要经历的寒冬和盛夏只能比它更多，而不可能比它更少。

我相信在美国，FDA和NIH也深刻意识到了这一点，所以他们也是小心谨慎又乐观支持的这么一个态度。

Axoft推出脑植入技术以治疗长期神经系统疾病，并被FDA授予突破性医疗器械认定。

别西：好的，再问一个技术性问题。今天我们其实讲的更多是神经信号读取的问题，但我们知道脑机接口还有很大的一块内容是神经调控，具体应用也有像DBS这些已经在临床中广泛应用的技术。几位老师觉得神经调控和神经信号读取比起来，哪个更困难，哪个在短期内我们能看到有比较突破性的进展？

洪波：神经调控是跟脑机接口平行发展的，现有技术是这样，但是到今天这两条线慢慢又汇合了，为什么？原来的DBS也非常地成功，从对帕金森的治疗慢慢拓展到很多疾病。但是它的调控原理是不清楚的，如果你仔细研究它的调控，你会发现它是基于经验的调控，60赫兹或100赫兹；方波或三角波，试出来的。到今天这就不能满足临床精准治疗的需求了。

那么它跟脑机接口的融合在哪？就是刚才我说的双向脑机接口。脑机接口原来做解读，但另一方面你会发现把信息写进去还是个问题。我说的是信息写进去，而不是给他一个特定频率的刺激，改变它的状态。这两个不是一个层次的。但是到今天这个节点，我觉得从科学难度上看，写入一个精准的信息，是比解读出一个信息，要难一个数量级。

其实我们在这方面所知道的科学知识非常少，研究也不够，但是好在我们前面经验式的神经调控，提供了一个很好的产品，甚至技术的平台。我认为两部分融合起来以后，可能会加速精准神经调控领域的发展，从而加速最终目标的实现，也就是写入信息。这是我的一个观点，拭目以待。特别是国内现在神经调控的市场非常热，有很多原来做DBS的转过来，他们也在和我们一起做双向脑机接口。

别西：刘老师能介绍一下您的想法吗？或者介绍一下美国相关的一些进展之类的？

刘嘉：我只能说说我的想法。因为这个领域比较大。相比于神经测量，神经调控确实是会更难。因为当我们在做神经记录的时候，我们其实是希望无差别地去测量，也就是说测量这一个区域的所有神经元信号，越多越好。甚至于如果我们要知道一些神经元的基因表型。我们也可以在测量之后，再考虑怎么通过其他方法把它读取出来。

但神经调控就像刚刚洪老师说的，我们很大程度上是不明白它的机制（mechanism）。在动物实验中，过去的这几十年我们已经有了长足进展。进展的主要来源是光遗传学（optogenetics）技术的发展，因为我能够做光学控制（optically controlled）、基因靶向刺激（genetical targeted stimulation），即我刺激这种神经元能得到一个什么样的行为输入。但像光遗传学这种技术，特别是涉及到转基因技术，你真正用到人的身上，那是非常艰难的。

所以说，我们如何在真正的神经元调控中能够有更多的精准性、细胞特异性，甚至细胞类型特异性，就需要有开拓性技术的发展，才能在神经调控上有真正的比较革命性的进展。这已经不仅仅是测量多么多的神经元这样的很简单的工程问题，而是我们要去刺激什么种类的神经元，以什么样的时空模式（spatio-temporal pattern）去进行刺激。在这种情况下，我现在还没有看到除了经验方法之外的更好的解决方案。所以说，基础科学上还没有得到突破，这就不仅仅是一个工程学的问题。

洪波：刚才刘嘉老师讲的，其实是很难的一个事情。我再补充一个很有趣的想法。比如做个思想实验，假设800亿个、1000亿个神经元全都能够被你控制，这样的话，你还能不能实现精准的神经调控呢？实际上，你会发现做不到，你没有办法沿着时间轴把这800亿个、1000亿个神经细胞每一个点的变化微方程都写出来。数学上可以，技术你也做不到。

所以，我注意到刘嘉老师也在做低维的神经动力学。看似我们大脑好像有800亿个、1000亿个神经元，它们实际上是联系在一起的。从数学上讲，可能它的本质规律是一个低维的系统，如果我能够构建出低维系统，然后在低维系统里做扰动，不是一个个地控制每个神经细胞，而是在关键节点上控制这个系统状态。这有点像小时候大家荡秋千，都希望把小朋友的秋千推得越高越好，你就要琢磨你在什么时候推她一下，才能把秋千推到最高，这就是一个神经动力学的优化扰动、优化控制的问题。我觉得这是一个方向，是未来神经调控和脑机接口结合的一个关键点。我们也在这方面想各种办法。

这个思路有什么好处？因为刚才刘嘉老师讲Neuro-AI，我最关心的Neuro-AI是说我们大脑神经活动构建一个模型，像你的数字替身一样，然后在这里做虚拟治疗，做虚拟调控和扰动。这可能是一个非常激动人心的想法，未来我们可以用它解决问题，可以在精神疾病或者其他需要神经调控的场景里，产生一种意想不到的结果。

高小榕：实际上神经调控比脑机接口应该更早，因为神经调控前面有生物反馈，神经反馈或者生物反馈在上世纪60年代就很热了。我一直记得十几年前刚刚开始有些人问我的时候，我对当时的记者说做写入的研究一定要非常慎重。

实际上，写入有一个最重要的问题是你必须可重置，就是你写进去了之后，如果说永久地在那了，就像咱们一朝被蛇咬十年怕井绳，以后会影响他的生活，就很麻烦。但如果我能重置，就能有效解决这个问题。为什么这个问题很重要？比如说我们为什么不用指纹到处去做密码，一个核心的问题在于指纹是不能重置的，但我们的密码是可以重置的。如果我觉得我的密码被泄密了，我重新换一个密码，这就不影响我的生活。但如果我到处把指纹作为我的密码，要想重置非常困难，这就是一个问题。所以写入的技术一定要到能解决可重置的问题的时候，才能够做实际的应用。

但这并不代表我们不能做相关的研究。无论是AI for science，很多这个问题。以前神经科学总认为我们是高人一等的，我们研究出来的结果就是放之四海而皆准。实际上，我们仍然存在很多问题。洪老师开始讲的说如果我们能调控所有的神经元，这都属于开放性的课题，都存在这种可能。如果能够实现AI for science了，这样的BCI或神经科学就是可行的道路。所以，写入这件事并不是说难，而是我觉得更多是我们要解决一些套路的东西。我写了进去，同时能够做到随时将之删除，这个问题才能解决。而不是现在很多的时候写入之后删除不了。

别西：从刚才三位老师的分享里都可以看出来，脑机接口肯定是一项长期的工作，我们现在先用它解决像运动、语音这种更基本的功能，最后才能慢慢地走向意识解析这些在神经生物学方面我们自己尚不清楚如何产生的功能，它是一项长期的、非常重要也非常有想象力和创新性的工作。

主持人 ：别西 | 嘉宾：高小榕、洪波、刘嘉

整理：海星、光影 | 校对：光影

排版：光影 | 插画：纪善生