传统脑机接口更像是一个 “死板的助手”，它只能被动接收并读取大脑信号，再尝试根据这些信号完成指令。这种运作模式的弊端十分明显：不仅信号解码效率低下、指令执行准确度有限，用户还必须时刻高度专注地监控整个过程，就连操作细节都要亲自把控，最终导致整个操作既缓慢又耗费精力，难以满足日常使用需求。
不过，加州大学洛杉矶分校的研究团队带来了全新的突破思路：让人工智能（AI）在脑机接口系统中扮演 “副驾驶”（copilot）的角色。这一创新不仅改变了脑机接口的运作逻辑，更让其性能实现了质的飞跃。相关研究成果以 “Brain–computer interface control with artificial intelligence copilots” 为题，已发表在权威科学期刊《自然 - 机器智能》上。
核心突破：AI “副驾” 实现人机共享自治
运动型脑机接口的核心目标，是通过解码人体神经信号，帮助瘫痪患者重新获得运动能力与交流能力。尽管过去二十年间，该领域已取得显著进展，但在临床应用层面，脑机接口始终面临一个核心难题：只有当系统性能足够强大时，才能抵消其高昂的研发成本与潜在的使用风险，真正具备实用价值。传统运动型脑机接口（如用于控制计算机光标或机械臂的系统），其唯一的控制来源就是解码后的神经信号。但在现实场景中，大多数任务都以 “目标” 为导向 —— 动作的最终目的是接触或点击特定对象，比如计算机屏幕上的搜索栏、按钮、图标，或是现实生活中的杯子、钥匙、门把手、积木等。
在这类任务中，只要能准确判断用户的目标（即在有限的可能目标中推断出用户真正想操作的对象），就能基本确定动作的方向与路径。而且，一旦目标明确，人类的操作行为往往会呈现出相对固定的模式，这就为 AI “副驾驶” 提供了发挥空间。
基于这一特点，研究团队提出了 “共享自治” 的运作模式：人类用户作为 “驾驶员”，负责做出核心决策；AI “副驾驶” 则借助算法与数据，实时辅助执行操作。二者协同参与控制，共同完成任务目标，最终大幅提升脑机接口的操作性能。
那么，AI “副驾驶” 如何精准推断用户的目标呢？系统会整合多种信息来源，包括任务本身的结构逻辑、用户过往的操作历史数据，以及计算机视觉（CV）技术识别到的环境与物体信息。通过对这些信息的综合分析，AI 能更准确地推测用户意图，并及时提供辅助执行动作，让整个操作流程更顺畅。
- 在有明确目标的任务中（如使用搜索引擎时，用户输入关键词后大概率会点击 “搜索” 按钮；输入文字时，上下文能提示下一个可能的字符），AI “副驾” 能精准预判并辅助操作；
- 即便在无明确目标的任务中（如自由绘图），AI 也能发挥作用，帮助规避常见错误（如绘画时的剧烈抖动）或极端动作；
- 当无法获取任何与任务相关的信息时，系统还能自动切换回传统脑机接口模式，确保基本功能正常运行。
技术落地：光标与机械臂操控效率倍增
为了验证 AI “副驾驶” 的实际效果，研究团队开发了全新的脑电图（EEG）解码架构：该架构先利用卷积神经网络（CNN）提取大脑信号中的非线性特征，再将这些特征作为卡尔曼滤波器（KF）的观测输入，类似通过 “重新校准反馈意图训练 KF（ReFIT-KF）” 的方式，实现了在线闭环解码器自适应（CLDA）。在对该解码架构进行多日性能评估后，研究团队成功开发出两款 AI “副驾驶” 系统，并通过实验验证了其卓越性能。
图｜用于 center-out 8 和机械臂任务的 CNN-KF 与 AI-BCI 解码框架
1. 光标控制系统：效率提升近 4 倍
在光标控制任务中，研究团队模拟了现实中 “可选目标有限” 的场景（如计算机屏幕上的按钮、键盘按键），并提出假设：能准确推断用户目标的 AI “副驾驶”，可显著提升任务表现。实验结果远超预期：
- 健康参与者的平均目标获取速率提升了 2.1 倍；
- 瘫痪参与者的表现提升更为显著，目标获取速率提升了 3.9 倍；
- 对瘫痪参与者而言，AI-BCI 还大幅缩短了 “接入时间”（dial-in time）—— 从中位数 4.15 秒骤降至 0.05 秒；
- 同时，光标移动路径变得更高效，几乎能沿直线直达目标，减少了不必要的偏移与调整。
2. 机械臂控制系统：从 “无法完成” 到 “高成功率”
在机械臂控制实验中，AI “副驾驶” 借助计算机视觉系统，实时推测目标物体的位置并持续跟踪。研究团队设计的副驾驶程序，能精准识别所有目标物体，且当机械臂距离积木或十字目标 2.54 厘米范围内时，会自动辅助执行精确的抓取或放置操作。
- 所有参与者均成功完成了任务；
- 健康参与者的物体正确放置率达到 100%；
- 瘫痪参与者在无 AI “副驾驶” 辅助时，无法完成任何一次成功试验；而在 AI 协助下，其正确放置率高达 93%，彻底打破了操作壁垒。
未来展望：AI-BCI 将向更复杂、更人性化演进
研究结果清晰表明，在光标控制与机械臂操作任务中，“共享自治” 模式显著提升了脑机接口的整体性能。这一方法为突破脑机接口的效能瓶颈提供了全新路径 —— 随着 AI “副驾驶” 技术的持续升级，AI-BCI 的表现还将进一步增强，而性能提升的核心关键，就在于 AI 能帮助用户更高效地实现目标。研究团队指出，AI “副驾驶” 的一大优势在于，它能减少完成高维任务所需的神经解码自由度（DOFs）。对于更复杂的任务（如与不同形状、材质的物体交互），通过训练 AI “副驾驶” 处理具体操作细节，可进一步降低用户所需的控制难度，让操作更轻松。
目前，部分研究已实现让机器人根据分类目标执行动作，但这些方法存在明显局限：AI 与用户并未形成实时共享控制。而 “共享自治” 模式则允许用户与 AI “副驾驶” 持续互动，即便在缺乏明确目标的场景下，系统也能自动转为传统 BCI 模式，保障用户的主导权与操作连续性。
对于 AI-BCI 的未来发展，研究团队提出了四大重点方向：
- 开发更先进的 AI “副驾”：实现面向物体的机械臂轨迹精准控制，并能根据物体的动态变化（如物体位置移动、姿态调整）实时优化操作；
- 保障用户主导权：避免因 AI 辅助过度导致用户操作受限，进而产生挫败感或性能下降。研究团队为此提出 “干预式辅助” 策略，让 AI 在必要时提供帮助，而非全程主导；
- 拓展复杂场景应用：推动 “共享自治” 模式在更复杂的机器人系统中落地，包括利用大规模数据训练 AI 模型，让 AI-BCI 能胜任更高难度的运动任务（如精细的手部动作、多物体协同操作）；
- 推动标准化与性能升级：建立统一的任务标准，并将 “共享自治” 模式应用于侵入式脑机接口，进一步提升其性能与实用性。
除了脑电图（EEG）信号，未来脑机接口还可能整合其他类型的非侵入式信号，如眼动信号、身体姿态信号、肌电信号等。这些辅助信号与 EEG 协同使用，尤其能为 EEG 控制能力较弱的用户提供支持，显著提升系统的整体表现与适用范围。
随着技术的不断迭代，AI-BCI 正逐步从实验室走向现实应用。或许在不久的将来，“意念操控” 将不再是科幻电影中的场景，而是成为瘫痪患者恢复生活能力、普通人提升操作效率的日常工具 —— 我们离 “意念操作” 的畅快体验，正越来越近。