AI深度學習助攻「仿生眼」：盲人受試者視覺皮層刺激精準度大幅提升

深度學習模型的運作原理

深度神經網路的訓練目標，是預測受試者的視覺皮層如何對不同的刺激參數組合做出反應。關鍵在於，這個模型不僅考慮了哪些電極被激活以及電流強度，還將每次刺激事件發生前大腦的「靜息活動狀態」 納入考量。

模型訓練完成後，研究團隊便進行「逆向操作」：不再是單純預測結果，而是讓模型搜尋出最有可能產生特定目標神經活動模式的刺激設定。這種方法稱為「閉環、基於模型的控制」。與其套用一種放諸四海皆準的刺激配方，這套系統會根據大腦當下的狀態，持續調整其輸出。

大腦反應 vs. 單純的刺激訊號

此研究最重要的發現是：記錄到的神經活動比單純的刺激參數更能準確預測受試者的實際感知。受試者所感知到的是一種名為「光幻視」（phosphenes）的現象，即閃光、形狀或顏色。換句話說，僅知道哪些電極被激活以及施予多少電流，並不足以完全決定最終的視覺體驗。大腦本身的反應必須被測量與解讀，才能可靠地預測感知結果。

這個結果凸顯了神經義肢領域的一項核心挑戰：傳入大腦的訊號，並不能完全決定大腦最終浮現的感知。大腦並非一個被動的接收器；其當下的瞬間狀態，會積極地形塑我們的所見。

通往個人化視覺義肢的道路

這套研究框架指向一個新世代的適應性、個人化視覺義肢，它們能夠持續學習每位使用者的神經動態，並即時調整刺激。其關鍵意義包括：

• 動態重新校準：系統能根據大腦基準狀態的波動進行調整，解決了過去固定式刺激裝置長期以來面臨的可靠性挑戰。
• 更低的功率與副作用：由於AI設計的模式能用更低的電流達成目標，未來的裝置可能更安全，且單次充電續航時間更長。
• 個人化適應：首席研究員麥可·拜勒（Michael Beyeler）表示：「一個有用的視覺義肢不能依賴固定的配方。最終，裝置應該適應人，而不是反過來讓人去適應裝置。」
• 臨床發展路徑：這項西班牙可行性試驗的後續階段，目標是將這些視覺皮層義肢從實驗性原型，推向能治療因中風、神經退化性疾病或創傷導致富盲的可行臨床方案。

雖然這項研究僅涉及單一位受試者，但它證明了能從根本上改變仿生視覺系統設計方式的基本原理：從靜態的刺激器，轉變為能與大腦自然動態協作的智慧型學習介面。