Thành tựu của các nhà nghiên cứu

Điểm mấu chốt là một hệ thống vòng kín (closed-loop) không chỉ kích thích não bằng một mẫu cố định, mà còn học hỏi từ các phản ứng của não và tự điều chỉnh đầu ra trong thời gian thực. Nghiên cứu có sự tham gia của một người đàn ông 27 tuổi bị mất thị lực do chấn thương sọ não. Anh đã được cấy tạm thời một mảng điện cực 96 kênh vào vỏ não thị giác trong sáu tháng tại Bệnh viện IMED Elche ở Tây Ban Nha, cho phép nhóm nghiên cứu vừa kích thích vừa ghi lại tín hiệu từ não cùng một lúc .

Với thiết lập này, các mẫu do AI thiết kế đã tái tạo hoạt động não mục tiêu chính xác hơn và sử dụng dòng điện ít hơn so với các phương pháp so sánh — một phát hiện có thể giúp giảm tác dụng phụ và tiêu thụ năng lượng trong các thiết bị trong tương lai .

Mô hình học sâu hoạt động như thế nào?

Mạng nơ-ron nhân tạo sâu (deep neural network) được huấn luyện để dự đoán cách vỏ não thị giác của người tham gia sẽ phản ứng với các tổ hợp thông số kích thích khác nhau. Quan trọng hơn, mô hình không chỉ tính đến điện cực nào được kích hoạt và ở mức dòng điện bao nhiêu, mà còn kết hợp cả hoạt động nghỉ (resting activity) của não ngay trước mỗi lần kích thích .

Sau khi được huấn luyện, mô hình được sử dụng theo chiều ngược lại: thay vì chỉ dự đoán kết quả, nó tìm kiếm các cài đặt kích thích có khả năng tạo ra một mẫu hoạt động thần kinh mong muốn nhất. Đây được gọi là phương pháp điều khiển dựa trên mô hình vòng kín . Thay vì áp dụng một công thức kích thích chung cho tất cả, hệ thống liên tục điều chỉnh đầu ra dựa trên trạng thái hiện tại của não.

Phản ứng của não so với tín hiệu kích thích đơn thuần

Phát hiện quan trọng nhất của nghiên cứu là hoạt động thần kinh được ghi lại là yếu tố dự báo chính xác hơn về những gì người tham gia thực sự cảm nhận được (các điểm sáng, hình dạng và màu sắc — gọi là phosphene) so với chỉ riêng cài đặt kích thích . Điều này có nghĩa là việc biết điện cực nào được kích hoạt và dòng điện bao nhiêu được truyền vào không hoàn toàn quyết định trải nghiệm thị giác. Phản ứng của não bộ phải được đo lường và giải thích thì mới có thể dự đoán một cách đáng tin cậy về nhận thức.

Kết quả này làm nổi bật một thách thức cốt lõi trong lĩnh vực chân giả thần kinh: tín hiệu gửi vào não không hoàn toàn quyết định nhận thức nảy sinh từ nó . Bộ não không phải là một máy thu thụ động; trạng thái từng khoảnh khắc của nó chủ động định hình những gì chúng ta nhìn thấy.

Con đường hướng tới chân giả thị giác cá nhân hóa

Khung nghiên cứu này chỉ ra một thế hệ chân giả thị giác thích ứng, cá nhân hóa mới liên tục học hỏi động lực thần kinh của từng người dùng và điều chỉnh kích thích trong thời gian thực . Những hàm ý chính bao gồm:

• Hiệu chỉnh động (Dynamic recalibration): Hệ thống có thể thích ứng khi trạng thái nền của não dao động, giải quyết một thách thức lớn về độ tin cậy vốn gây khó khăn cho các thiết bị cấy ghép cố định trước đây .
• Giảm năng lượng và tác dụng phụ: Vì các mẫu do AI thiết kế đạt được mục tiêu với dòng điện ít hơn, các thiết bị trong tương lai có thể an toàn hơn và hoạt động lâu hơn trên một lần sạc pin .
• Thích ứng cá nhân hóa: Trưởng nhóm nghiên cứu Michael Beyeler phát biểu: "Một chân giả thị giác hữu ích không thể dựa vào một công thức cố định. Cuối cùng, thiết bị nên thích nghi với con người, chứ không phải ngược lại."
• Lộ trình lâm sàng: Các giai đoạn tiếp theo của thử nghiệm khả thi tại Tây Ban Nha đặt mục tiêu đưa các chân giả vỏ não này từ nguyên mẫu thử nghiệm trở thành phương pháp điều trị lâm sàng khả thi cho chứng mù lòa do đột quỵ, bệnh thoái hóa thần kinh hoặc chấn thương .

Mặc dù nghiên cứu này chỉ có một người tham gia, nó chứng minh một nguyên lý cơ bản có thể thay đổi cách thiết kế các hệ thống thị giác nhân tạo — từ những thiết bị kích thích tĩnh thành các giao diện thông minh, biết học hỏi, hoạt động hài hòa với động lực tự nhiên của bộ não.

Thành tựu của các nhà nghiên cứu

Điểm mấu chốt là một hệ thống vòng kín (closed-loop) không chỉ kích thích não bằng một mẫu cố định, mà còn học hỏi từ các phản ứng của não và tự điều chỉnh đầu ra trong thời gian thực. Nghiên cứu có sự tham gia của một người đàn ông 27 tuổi bị mất thị lực do chấn thương sọ não. Anh đã được cấy tạm thời một mảng điện cực 96 kênh vào vỏ não thị giác trong sáu tháng tại Bệnh viện IMED Elche ở Tây Ban Nha, cho phép nhóm nghiên cứu vừa kích thích vừa ghi lại tín hiệu từ não cùng một lúc .

Với thiết lập này, các mẫu do AI thiết kế đã tái tạo hoạt động não mục tiêu chính xác hơn và sử dụng dòng điện ít hơn so với các phương pháp so sánh — một phát hiện có thể giúp giảm tác dụng phụ và tiêu thụ năng lượng trong các thiết bị trong tương lai .

Mô hình học sâu hoạt động như thế nào?

Mạng nơ-ron nhân tạo sâu (deep neural network) được huấn luyện để dự đoán cách vỏ não thị giác của người tham gia sẽ phản ứng với các tổ hợp thông số kích thích khác nhau. Quan trọng hơn, mô hình không chỉ tính đến điện cực nào được kích hoạt và ở mức dòng điện bao nhiêu, mà còn kết hợp cả hoạt động nghỉ (resting activity) của não ngay trước mỗi lần kích thích .

Sau khi được huấn luyện, mô hình được sử dụng theo chiều ngược lại: thay vì chỉ dự đoán kết quả, nó tìm kiếm các cài đặt kích thích có khả năng tạo ra một mẫu hoạt động thần kinh mong muốn nhất. Đây được gọi là phương pháp điều khiển dựa trên mô hình vòng kín . Thay vì áp dụng một công thức kích thích chung cho tất cả, hệ thống liên tục điều chỉnh đầu ra dựa trên trạng thái hiện tại của não.

Phản ứng của não so với tín hiệu kích thích đơn thuần

Phát hiện quan trọng nhất của nghiên cứu là hoạt động thần kinh được ghi lại là yếu tố dự báo chính xác hơn về những gì người tham gia thực sự cảm nhận được (các điểm sáng, hình dạng và màu sắc — gọi là phosphene) so với chỉ riêng cài đặt kích thích . Điều này có nghĩa là việc biết điện cực nào được kích hoạt và dòng điện bao nhiêu được truyền vào không hoàn toàn quyết định trải nghiệm thị giác. Phản ứng của não bộ phải được đo lường và giải thích thì mới có thể dự đoán một cách đáng tin cậy về nhận thức.

Kết quả này làm nổi bật một thách thức cốt lõi trong lĩnh vực chân giả thần kinh: tín hiệu gửi vào não không hoàn toàn quyết định nhận thức nảy sinh từ nó . Bộ não không phải là một máy thu thụ động; trạng thái từng khoảnh khắc của nó chủ động định hình những gì chúng ta nhìn thấy.

Con đường hướng tới chân giả thị giác cá nhân hóa

Khung nghiên cứu này chỉ ra một thế hệ chân giả thị giác thích ứng, cá nhân hóa mới liên tục học hỏi động lực thần kinh của từng người dùng và điều chỉnh kích thích trong thời gian thực . Những hàm ý chính bao gồm:

• Hiệu chỉnh động (Dynamic recalibration): Hệ thống có thể thích ứng khi trạng thái nền của não dao động, giải quyết một thách thức lớn về độ tin cậy vốn gây khó khăn cho các thiết bị cấy ghép cố định trước đây .
• Giảm năng lượng và tác dụng phụ: Vì các mẫu do AI thiết kế đạt được mục tiêu với dòng điện ít hơn, các thiết bị trong tương lai có thể an toàn hơn và hoạt động lâu hơn trên một lần sạc pin .
• Thích ứng cá nhân hóa: Trưởng nhóm nghiên cứu Michael Beyeler phát biểu: "Một chân giả thị giác hữu ích không thể dựa vào một công thức cố định. Cuối cùng, thiết bị nên thích nghi với con người, chứ không phải ngược lại."
• Lộ trình lâm sàng: Các giai đoạn tiếp theo của thử nghiệm khả thi tại Tây Ban Nha đặt mục tiêu đưa các chân giả vỏ não này từ nguyên mẫu thử nghiệm trở thành phương pháp điều trị lâm sàng khả thi cho chứng mù lòa do đột quỵ, bệnh thoái hóa thần kinh hoặc chấn thương .

Mặc dù nghiên cứu này chỉ có một người tham gia, nó chứng minh một nguyên lý cơ bản có thể thay đổi cách thiết kế các hệ thống thị giác nhân tạo — từ những thiết bị kích thích tĩnh thành các giao diện thông minh, biết học hỏi, hoạt động hài hòa với động lực tự nhiên của bộ não.