ผลการศึกษาแนวคิดเบื้องต้น (proof-of-concept) ที่ตีพิมพ์ในวารสาร Neuron เมื่อเดือนสิงหาคม ค.ศ. 2026 ทีมงานใช้โมเดลการเรียนรู้เชิงลึก (deep-learning model) เพื่อออกแบบรูปแบบการกระตุ้นด้วยไฟฟ้าที่แม่นยำและมีประสิทธิภาพมากกว่าวิธีการทั่วไป โดยทดสอบในผู้เข้าร่วมที่เป็นคนตาบอด

ความสำเร็จของทีมวิจัย

หัวใจสำคัญของงานนี้คือระบบวงจรปิด (closed-loop system) ซึ่งไม่ได้กระตุ้นสมองด้วยรูปแบบตายตัว แต่เรียนรู้จากการตอบสนองของสมองและปรับเอาต์พุตแบบเรียลไทม์ การศึกษานี้ทำในชายอายุ 27 ปีที่สูญเสียการมองเห็นจากอุบัติเหตุที่ศีรษะ เขาได้รับการฝังขั้วไฟฟ้าชุดทดลองขนาด 96 ช่องในคอร์เทกซ์การเห็น (visual cortex) เป็นเวลาหกเดือนที่โรงพยาบาล IMED Elche ในสเปน ซึ่งช่วยให้นักวิจัยสามารถกระตุ้นและบันทึกสัญญาณจากสมองไปพร้อมกัน

ด้วยการตั้งค่านี้ รูปแบบที่ AI ออกแบบสามารถสร้างกิจกรรมทางประสาทเป้าหมายได้แม่นยำกว่าและใช้กระแสไฟฟ้าน้อยกว่าวิธีอื่น ซึ่งเป็นข้อค้นพบที่อาจช่วยลดผลข้างเคียงและการใช้พลังงานในอุปกรณ์ในอนาคต

โมเดล Deep Learning ทำงานอย่างไร

โครงข่ายประสาทเทียมเชิงลึกถูกสอนให้ทำนายว่าคอร์เทกซ์การเห็นของผู้เข้าร่วมจะตอบสนองต่อพารามิเตอร์การกระตุ้นแบบต่างๆ อย่างไร จุดสำคัญคือโมเดลคำนึงถึงมากกว่าขั้วไฟฟ้าที่ถูกเปิดและระดับกระแสไฟฟ้า แต่ยังรวมถึง กิจกรรมพักของสมองทันทีก่อนการกระตุ้นแต่ละครั้ง

เมื่อฝึกเสร็จ โมเดลถูกใช้ในทางกลับกัน นั่นคือแทนที่จะแค่ทำนายผลลัพธ์ มันค้นหาการตั้งค่าการกระตุ้นที่มีแนวโน้มมากที่สุดที่จะสร้าง รูปแบบกิจกรรมทางประสาทตามที่ต้องการ แนวทางนี้เรียกว่าการควบคุมแบบจำลองวงจรปิด (closed-loop, model-based control) แทนที่จะใช้สูตรกระตุ้นเดียวสำหรับทุกคน ระบบจะปรับเอาต์พุตอย่างต่อเนื่องตามสถานะปัจจุบันของสมอง

สมองตอบสนอง vs. สัญญาณกระตุ้นเพียงอย่างเดียว

ผลการค้นพบที่สำคัญที่สุดของการศึกษาคือ กิจกรรมทางประสาทที่บันทึกได้เป็นตัวทำนายสิ่งที่ผู้เข้าร่วมรับรู้ได้จริง (เช่น การเห็นแสงวาบ รูปร่าง หรือสี หรือที่เรียกว่า phosphenes) ได้แม่นยำกว่าการใช้เพียงแค่การตั้งค่าการกระตุ้น กล่าวคือ แค่รู้ว่าขั้วไฟฟ้าใดถูกเปิดและใช้กระแสเท่าใดนั้นไม่เพียงพอที่จะกำหนดประสบการณ์ทางการมองเห็น การตอบสนองของสมองเองต้องถูกวัดและตีความจึงจะทำนายการรับรู้ได้อย่างน่าเชื่อถือ

ผลลัพธ์นี้ชี้ให้เห็นความท้าทายหลักในสาขาประสาทเทียม: สัญญาณที่ส่งเข้าไปในสมองไม่สามารถกำหนดการรับรู้ที่เกิดขึ้นได้อย่างสมบูรณ์ สมองไม่ใช่เครื่องรับเฉยๆ สถานะของสมองในแต่ละช่วงเวลามีส่วนกำหนดสิ่งที่เราเห็น

เส้นทางสู่อุปกรณ์ฟื้นฟูการมองเห็นเฉพาะบุคคล

กรอบแนวคิดนี้ชี้ไปที่ อุปกรณ์ฟื้นฟูการมองเห็นที่ปรับเปลี่ยนได้และเฉพาะบุคคล รุ่นใหม่ที่เรียนรู้พลศาสตร์ทางประสาทของผู้ใช้แต่ละคนอย่างต่อเนื่องและปรับการกระตุ้นแบบเรียลไทม์ ประเด็นสำคัญประกอบด้วย:

• การปรับเทียบแบบไดนามิก: ระบบสามารถปรับตัวเมื่อสภาวะพื้นฐานของสมองเปลี่ยนแปลง แก้ปัญหาความน่าเชื่อถือที่อุปกรณ์รุ่นก่อนต้องเผชิญ
• พลังงานต่ำและผลข้างเคียงน้อยลง: รูปแบบที่ AI ออกแบบใช้กระแสไฟฟ้าน้อยกว่า อุปกรณ์ในอนาคตจึงปลอดภัยกว่าและใช้งานได้นานขึ้นต่อการชาร์จหนึ่งครั้ง
• การปรับเฉพาะบุคคล: ดร. ไมเคิล เบเยลเลอร์ (Michael Beyeler) หัวหน้านักวิจัยกล่าวว่า “อุปกรณ์ฟื้นฟูการมองเห็นที่มีประโยชน์ไม่สามารถพึ่งพาสูตรตายตัวได้ ท้ายที่สุด อุปกรณ์ควรปรับให้เข้ากับบุคคล ไม่ใช่ให้บุคคลปรับเข้ากับอุปกรณ์”
• เส้นทางทางคลินิก: การศึกษาในเฟสถัดไปในสเปนมีเป้าหมายเพื่อยกระดับอุปกรณ์เหล่านี้จากต้นแบบทดลองไปสู่การรักษาทางคลินิกที่ใช้ได้จริงสำหรับผู้สูญเสียการมองเห็นจากโรคหลอดเลือดสมอง โรคทางระบบประสาท หรืออุบัติเหตุ

แม้การศึกษานี้มีผู้เข้าร่วมเพียงคนเดียว แต่ก็แสดงให้เห็นหลักการพื้นฐานที่สามารถเปลี่ยนวิธีการออกแบบระบบการมองเห็นแบบไบโอนิกได้—จากเครื่องกระตุ้นแบบสถิตไปสู่อินเทอร์เฟซที่ชาญฉลาดและเรียนรู้ได้ ซึ่งทำงานสอดคล้องกับพลศาสตร์ตามธรรมชาติของสมอง

ผลการศึกษาแนวคิดเบื้องต้น (proof-of-concept) ที่ตีพิมพ์ในวารสาร Neuron เมื่อเดือนสิงหาคม ค.ศ. 2026 ทีมงานใช้โมเดลการเรียนรู้เชิงลึก (deep-learning model) เพื่อออกแบบรูปแบบการกระตุ้นด้วยไฟฟ้าที่แม่นยำและมีประสิทธิภาพมากกว่าวิธีการทั่วไป โดยทดสอบในผู้เข้าร่วมที่เป็นคนตาบอด

ความสำเร็จของทีมวิจัย

หัวใจสำคัญของงานนี้คือระบบวงจรปิด (closed-loop system) ซึ่งไม่ได้กระตุ้นสมองด้วยรูปแบบตายตัว แต่เรียนรู้จากการตอบสนองของสมองและปรับเอาต์พุตแบบเรียลไทม์ การศึกษานี้ทำในชายอายุ 27 ปีที่สูญเสียการมองเห็นจากอุบัติเหตุที่ศีรษะ เขาได้รับการฝังขั้วไฟฟ้าชุดทดลองขนาด 96 ช่องในคอร์เทกซ์การเห็น (visual cortex) เป็นเวลาหกเดือนที่โรงพยาบาล IMED Elche ในสเปน ซึ่งช่วยให้นักวิจัยสามารถกระตุ้นและบันทึกสัญญาณจากสมองไปพร้อมกัน

ด้วยการตั้งค่านี้ รูปแบบที่ AI ออกแบบสามารถสร้างกิจกรรมทางประสาทเป้าหมายได้แม่นยำกว่าและใช้กระแสไฟฟ้าน้อยกว่าวิธีอื่น ซึ่งเป็นข้อค้นพบที่อาจช่วยลดผลข้างเคียงและการใช้พลังงานในอุปกรณ์ในอนาคต

โมเดล Deep Learning ทำงานอย่างไร

โครงข่ายประสาทเทียมเชิงลึกถูกสอนให้ทำนายว่าคอร์เทกซ์การเห็นของผู้เข้าร่วมจะตอบสนองต่อพารามิเตอร์การกระตุ้นแบบต่างๆ อย่างไร จุดสำคัญคือโมเดลคำนึงถึงมากกว่าขั้วไฟฟ้าที่ถูกเปิดและระดับกระแสไฟฟ้า แต่ยังรวมถึง กิจกรรมพักของสมองทันทีก่อนการกระตุ้นแต่ละครั้ง

เมื่อฝึกเสร็จ โมเดลถูกใช้ในทางกลับกัน นั่นคือแทนที่จะแค่ทำนายผลลัพธ์ มันค้นหาการตั้งค่าการกระตุ้นที่มีแนวโน้มมากที่สุดที่จะสร้าง รูปแบบกิจกรรมทางประสาทตามที่ต้องการ แนวทางนี้เรียกว่าการควบคุมแบบจำลองวงจรปิด (closed-loop, model-based control) แทนที่จะใช้สูตรกระตุ้นเดียวสำหรับทุกคน ระบบจะปรับเอาต์พุตอย่างต่อเนื่องตามสถานะปัจจุบันของสมอง

สมองตอบสนอง vs. สัญญาณกระตุ้นเพียงอย่างเดียว

ผลการค้นพบที่สำคัญที่สุดของการศึกษาคือ กิจกรรมทางประสาทที่บันทึกได้เป็นตัวทำนายสิ่งที่ผู้เข้าร่วมรับรู้ได้จริง (เช่น การเห็นแสงวาบ รูปร่าง หรือสี หรือที่เรียกว่า phosphenes) ได้แม่นยำกว่าการใช้เพียงแค่การตั้งค่าการกระตุ้น กล่าวคือ แค่รู้ว่าขั้วไฟฟ้าใดถูกเปิดและใช้กระแสเท่าใดนั้นไม่เพียงพอที่จะกำหนดประสบการณ์ทางการมองเห็น การตอบสนองของสมองเองต้องถูกวัดและตีความจึงจะทำนายการรับรู้ได้อย่างน่าเชื่อถือ

ผลลัพธ์นี้ชี้ให้เห็นความท้าทายหลักในสาขาประสาทเทียม: สัญญาณที่ส่งเข้าไปในสมองไม่สามารถกำหนดการรับรู้ที่เกิดขึ้นได้อย่างสมบูรณ์ สมองไม่ใช่เครื่องรับเฉยๆ สถานะของสมองในแต่ละช่วงเวลามีส่วนกำหนดสิ่งที่เราเห็น

เส้นทางสู่อุปกรณ์ฟื้นฟูการมองเห็นเฉพาะบุคคล

กรอบแนวคิดนี้ชี้ไปที่ อุปกรณ์ฟื้นฟูการมองเห็นที่ปรับเปลี่ยนได้และเฉพาะบุคคล รุ่นใหม่ที่เรียนรู้พลศาสตร์ทางประสาทของผู้ใช้แต่ละคนอย่างต่อเนื่องและปรับการกระตุ้นแบบเรียลไทม์ ประเด็นสำคัญประกอบด้วย:

• การปรับเทียบแบบไดนามิก: ระบบสามารถปรับตัวเมื่อสภาวะพื้นฐานของสมองเปลี่ยนแปลง แก้ปัญหาความน่าเชื่อถือที่อุปกรณ์รุ่นก่อนต้องเผชิญ
• พลังงานต่ำและผลข้างเคียงน้อยลง: รูปแบบที่ AI ออกแบบใช้กระแสไฟฟ้าน้อยกว่า อุปกรณ์ในอนาคตจึงปลอดภัยกว่าและใช้งานได้นานขึ้นต่อการชาร์จหนึ่งครั้ง
• การปรับเฉพาะบุคคล: ดร. ไมเคิล เบเยลเลอร์ (Michael Beyeler) หัวหน้านักวิจัยกล่าวว่า “อุปกรณ์ฟื้นฟูการมองเห็นที่มีประโยชน์ไม่สามารถพึ่งพาสูตรตายตัวได้ ท้ายที่สุด อุปกรณ์ควรปรับให้เข้ากับบุคคล ไม่ใช่ให้บุคคลปรับเข้ากับอุปกรณ์”
• เส้นทางทางคลินิก: การศึกษาในเฟสถัดไปในสเปนมีเป้าหมายเพื่อยกระดับอุปกรณ์เหล่านี้จากต้นแบบทดลองไปสู่การรักษาทางคลินิกที่ใช้ได้จริงสำหรับผู้สูญเสียการมองเห็นจากโรคหลอดเลือดสมอง โรคทางระบบประสาท หรืออุบัติเหตุ

แม้การศึกษานี้มีผู้เข้าร่วมเพียงคนเดียว แต่ก็แสดงให้เห็นหลักการพื้นฐานที่สามารถเปลี่ยนวิธีการออกแบบระบบการมองเห็นแบบไบโอนิกได้—จากเครื่องกระตุ้นแบบสถิตไปสู่อินเทอร์เฟซที่ชาญฉลาดและเรียนรู้ได้ ซึ่งทำงานสอดคล้องกับพลศาสตร์ตามธรรมชาติของสมอง