AI 深度學習令「仿生眼」更精準：盲人受試者實驗證實腦電活動比電極訊號更關鍵

研究團隊有咩突破？

最核心嘅突破係一個閉環系統：佢唔係死板咁用固定模式刺激大腦，而係從大腦嘅即時反應中學習，再實時調整輸出。研究對象係一位 27 歲、因腦外傷失明嘅男士。佢喺西班牙 IMED Elche 醫院，短期植入咗一塊 96 頻道嘅電極陣列到大腦視覺皮層，為期六個月。呢個裝置可以同時刺激大腦同記錄腦部活動 。

結果顯示，AI 設計嘅刺激模式，能夠用更少嘅電流，更準確咁重現目標腦部活動——呢個發現有望減低未來裝置嘅副作用同耗電量 。

深度學習模型點樣運作？

呢個深度神經網絡首先學習「預測」：當用唔同參數組合刺激大腦時，受試者嘅視覺皮層會點樣反應。關鍵係，模型唔單止考慮「邊啲電極著咗」同「電流有幾大」，仲會將每次刺激前一刻大腦嘅靜止活動都計埋入去 。

訓練好之後，模型就會逆向使用：唔係淨係預測結果，而係搜尋最有可能產生目標神經活動模式嘅刺激設定。呢種方法叫做「閉環、基於模型嘅控制」。換句話說，系統唔係用「一種通用配方」，而係隨住大腦即時狀態不斷自我調整。

關鍵發現：腦部反應 vs 淨係睇刺激訊號

研究最重大嘅發現係：記錄到嘅腦部神經活動，比淨係睇刺激參數（邊個電極、幾大電流），更能準確預測受試者真正感知到嘅嘢（即係「光幻視」phosphenes——見到閃光、形狀、顏色）。

呢個結果點出咗神經義肢領域嘅核心挑戰：送入大腦嘅訊號，並唔能夠完全決定最終產生嘅感知 。大腦唔係被動接收器，佢每一刻嘅狀態都會主動影響我哋睇到嘅嘢。

個人化仿生視覺嘅未來方向

呢個研究框架指向新一代自適應、個人化嘅視覺義肢：佢哋可以持續學習每個使用者嘅神經動態，並實時調整刺激 。關鍵含義包括：

• 動態重新校準：系統可以隨大腦基線狀態波動而調整，解決咗以往固定程式植入物經常遇到嘅「唔穩定」問題 。
• 更低功耗、更少副作用：因為 AI 設計嘅模式用較少電流就達到目標，未來裝置可以更安全，電池續航更耐 。
• 個人化適應：首席研究員 Michael Beyeler 話：「一個有用嘅視覺義肢唔可以依賴固定配方。最終，裝置應該去適應個人，而唔係倒返轉。」
• 臨床進程：呢項西班牙可行性試驗嘅後續階段，目標係將呢啲皮層義肢由實驗性原型，推進到真正可以治療因中風、神經退化疾病或外傷導致失明嘅臨床方案 。

雖然呢項研究目前只得一位受試者，但佢展示嘅基本原則，有可能徹底改變仿生視覺系統嘅設計方向——由靜態刺激器，變成一種有智慧、會學習、能夠同大腦自然動態協作嘅介面。