深度学习让盲人受试者的“仿生眼”精度大幅提升

深度学习模型是如何工作的？

该深度神经网络首先被训练用于预测：给定不同的电刺激参数组合（包括刺激电极位置、电流强度，以及最关键的一点——每次刺激前瞬时的大脑静息活动状态），受试者的视觉皮层将产生怎样的神经反应 。

完成训练后，模型被“反向”使用：它不再是单纯预测结果，而是寻找最有可能产生目标神经活动模式的刺激参数。这被称为基于模型的闭环控制方法 。系统不再是“一刀切”地执行固定方案，而是根据大脑的当前状态持续自适应地调整输出。

大脑的实时响应 vs. 单纯的刺激信号

这项研究最重要的发现是：记录到的实际神经活动比单纯的刺激参数设置能更准确地预测受试者实际感知到的内容（即光幻视——表现为闪光、形状和色彩） 。换句话说，仅仅知道哪些电极被激活、电流多大，并不能完全决定受试者的视觉体验。必须实际测量并解读大脑自身的反应，才能可靠地预测其感知。

这一结果揭示了神经假体领域的核心挑战：输入大脑的信号，并不能完全决定最终从大脑中涌现出来的感知 。大脑不是一个被动的接收器，其每时每刻的动态状态都在主动塑造我们所“看到”的世界。

通向个性化视觉假体的未来

这一研究框架预示着一代全新的自适应、个性化视觉假体的到来。这些设备将能持续学习每个使用者独特的神经动态，并实时调整刺激 。具体影响包括：

• 动态校准：系统能适应大脑基线状态的波动，解决了以往固定方案植入物长期面临的可靠性难题 。
• 更低功耗与副作用：AI设计的刺激模式用更少的电流就能达到目标，未来设备将更安全，且单次充电续航更长 。
• 个性化适应：研究负责人Michael Beyeler表示：“一个有用的视觉假体不能依赖固定的配方。归根结底，设备应该适应人，而不是让人去适应设备。”
• 临床路径：该西班牙可行性试验的后续阶段，目标是将这些皮层假体从实验原型推进到可用于治疗因中风、神经退行性疾病或外伤导致失明的临床方案 。

尽管本研究仅涉及一名受试者，但它证明了一个基本原则：未来的仿生视觉系统将从静态刺激器，转变为能与大脑自然动态协同工作的智能学习型界面。