【新智元导读】马斯克的 Neuralink 公司近日发布了最新的脑机接口技术，在发布会上，我们得知，马斯克的新一代脑机接口分为以下四个方面：线程，机器人，元件和算法。本篇文章着重于从这四个方面介绍马斯克的 Neuralink 公司，这两年都干了些啥。
昨天，马斯克（Elon Musk）的 Neuralink 公司发布了最新的脑机接口技术，在发布会上，我们得知，马斯克的新一代脑机接口分为以下四个方面：
线程（Threads）—— 来自美国国家实验室的 Vanessa Tolosa 研发的单根多触点柔性电极。
机器人（Robots）—— 将 Threads 植入皮层的手术机器人。
元件（Electronics）—— 将记录到的信号进行滤波，数模转换和脉冲检测（spike detection）的电子元件，代表技术为 DJ Seo 的 N1 传感器，DJ Seo 之前在加州大学伯克利分校做 Neural dust 项目。
算法（Algorithms）—— 脑机接口算法，由加利福尼亚大学旧金山分校教授 Philip Sabes 教授开发。
本篇文章就着重于从这四个方面介绍马斯克的 Neuralink 公司，这两年都干了些啥。
图片来源：Neuralink 发布会
Threads—— 先进的记录电极
我们都知道大脑中有许多神经元，神经元间缔结的关系构成了神经网络，信号在神经元上的主要是通过电脉冲信号（动作电位）进行传递。某种程度上，动作电位反映着我们的 “想法”。
既然马斯克想要实现人类大脑与机器的通信，则必须要有一种手段记录大脑信号，目前来说信号很多，比如：
1
动作电位（Action potential, AP）：由单个神经元细胞膜的脉冲信号产生
2
局部场电位（Local field potential, LFP）：代表电极的局部区域神经元电信号的总和
3
皮质脑电（Electrocorticography, ECoG)：与局部场电位类似，但是只能记录皮层表面的电信号
4
头皮脑电（Electroencephalogram, EEG）：多个局部场电位透过皮层的电信号
5
功能性近红外光谱（functional near-infrared spectroscopy，fNIRS）
6
功能性磁共振成像（fMRI，functional magnetic resonance imaging）
图片来源：Neuralink 发布会
从时空分别率和信号质量来说，动作电位包含了更多的信息，但记录动作电位也最困难（需要开颅），所以马斯克在神经工程领域还是比较认真的，啃了这样一块硬骨头。
介绍线（Threads）之前，我们先来介绍一下现在比较火热的电极，犹他电极（Utah array）和神经像素（Neuropixel）。犹他电极是一个电极组，思路比较简单，就是把许多电极集成在一块上，做手术的时候，就像用气锤往大脑里面砸一个刺猬，这个电极的优点是稳定，已有案例多，手术简单，缺点是记录位点较少（最多 256），日后取出较难。
图片来源：https://blackrockmicro.com/electrode-types/utah-array
神经像素是去年的大明星，只有一根电极，但是上面集成了 960 个记录位点，它的优点是损伤少，可以急性记录，缺点是只有一根，记录位点只有深度，而非平面。
图片来源：https://www.ucl.ac.uk/Neuropixels/
而 Neuralink 公司的方案是在记录方面集上述两家电极的优势，但是劣势是手术极难，在视频中Vanessa Tolosa 展示了一种直径 27.5 微米的电极 —— 线，这个电极比犹他电极（100 微米）和神经像素（70 微米）要小很多，更细的电极意味着更小的脑损伤。从视频来看，他们还能提供更多的定制化电极。
图片来源：Neuralink 发布会
同时在单根电极上深度不同，记录位点不同，这也是为什么能实现单个传感器（N1 sensor）进行 1024 通道信号处理，因为 Neuralink 并不会在一个区域植入 1024 根电极，而是按 64（根）×16（单根记录位点）的方式来植入。
视频里的电极显然是一种柔性电极，能够被掰弯，在电极材料里，硅板电极是刚性电极，金属电极又无法集成多个记录位点，那剩下的选择，只能将电极丝埋入高分子材料中，这种方案一般应用在皮层脑电和外周神经的记录中，但是在皮层动作电位的记录比较少见。
图片来源：Neuralink 发布会
所有的柔性电极都会被埋藏在皮质中，它们会随着大脑浮动，所有不用担心 “钢针” 会划伤大脑组织的问题，并且 Neuralink 使用的是柔性电极，就像在脑子里埋了一根 “头发丝”，十分安全。最终，所有记录的信号都会传递到传感器。
Robots—— 手术机器人
如前文所述，使用 Threads 这样的电极意味着植入手术难度提升了好几个档次，因为无论是犹他电极还是 Neuropixel，最多是将硬脑膜掀开，把电极往里一拍就完事了（当然这些手术也很难），但是使用 Threads 电极不单要进行这些操作，还得将电极一根根植入。
图片来源：Neuralink 发布会
所以，为完成这个艰难的任务，他们在会上提出了一种手术机器人，干起活就像缝纫机一样将一根根电极快速而稳定地植入到皮层中。植入过程中还能避开血管，定制化地确定电极位置，令手术更安全，进一步保证电极的记录效率。
图片来源：Neuralink 发布会
Electronics—— 硬件滤波（N1 传感器）
归根到底，电极记录到的是神经元的膜电位信号，这种信号非常微小（毫伏级），且大脑内的环境比较复杂，存在各种噪音，那么就必须存在一种硬件，能够对信号进行滤波、放大和模数转换。
图片来源：Neuralink 发布会
DJ Seo 就带来了他的解决方案，他在芯片上设计了一种 Analog pixels 单元，能够单独对每个通道进行预处理，包括上述所说的滤波等处理，最后记录到的细胞膜表面电位会转换成数字信号。这个芯片中集成了 1024 个 Analog pixels，要知道神经科学家的多通道记录仪跟一台台式电脑主机差不多大，而 Neuralink 将这些功能集成在一块芯片上，大大增强了脑机接口的实用性。
图片来源：Neuralink 发布会
DJ Seo 可以说非常懂神经科学家的心了，在做电生理分析的时候，我们要耗费大量的时间来进行脉冲分选（Spike sorting）来得到动作电位，对动作电位做降维，聚类等等。而 DJ Seo 大手一挥，以后这些工作通通可以在芯片上自动化完成！
图片来源：Neuralink 发布会
借助芯片控制，DJ Seo 设计的电子元件可以控制单通道来进行电刺激（0.2 微安的振幅，7.8 微秒的时间分辨率）。这是一个非常重要的功能，因为动作电位的记录只能帮助我们读取大脑信息，而电刺激能给帮助我们给大脑传递信息，比如视觉，触觉，本体感觉等。
图片来源：Neuralink 发布会
这块芯片会钉在颅骨上，这个设计有两个好处，一是用于锚定电极，防止电极因各种意外脱位，二是在较近的位置完成数模转换，减少噪声。
图片来源：Neuralink 发布会
Algorithms—— 脑机接口算法
这部分是 Philip Sabes 在负责。Sabes 名校出身，在剑桥大学学过两年数学，博士毕业于麻省理工，之后在加州理工做博士后，现在在加州大学旧金山分校做教授，算是地地道道的神经科学专家。笔者有幸听过他的讲座，讲述的是在躯体感觉皮层给予电刺激，让猕猴产生了虚假的 “感觉”。
图片来源：https://profiles.ucsf.edu/philip.sabes
可以看出，Sabes 关注运动控制的神经机制，并擅长对躯体感觉皮层进行刺激。目前来说，脑机接口的控制算法已经极为成熟，来自匹兹堡大学的 Andy Schwartz，已经报道多项应用于人的脑机接口工作，其中患者已经能够极为流畅地使用自己的 “意念” 来实现机械手的控制。Neuralink 如果想在脑机接口领域有所建树，使用 Threads 进行对皮层的精细刺激是一个很好的方向，起码对于高位截瘫患者，这项技术将帮他们重获对躯体的感觉。
视频来源：第 19 届国际神经工程大会，视频中为一名高位截瘫患者在控制一个机械手完成抓握运动
因此 Sabes 的汇报介绍了应用于脑机接口的群体向量算法，并畅想了这项技术的未来，比如将电极植入视觉相关皮层、海马区和前额叶进行记录和刺激，可以实现更多可能的应用。
Tips:
Neuralink 计划将电极植入大脑皮层中负责躯体运动控制的初级运动皮层（Primary motor cortex）、背侧前运动皮层（Dorsal premotor cortex）、辅助运动区（Supplementary motor area）和负责躯体感觉的躯体感觉皮层（Somatosensory cortex）这几个位置。
图片来源：Neuralink 发布会
总结
在这次发布会上，Neuralink 确实提出了一种变革性的脑机接口技术。简单来说，“线” 让我们得到更多的皮层信息，且更细更软的电极极大的减小了脑损伤，N1 传感器也简化了脑机接口的设计，让脑机接口应用于生活变得更有可能。
美国民众本身对侵入式脑机接口有很高的接受度，即便是传统的犹他电极，也有应用于多名高位截瘫患者的案例，但这个数字在中国是 0。
而 Neuralink 提出了一种可用于人的更为安全的方案，相信会令更多患者放下心理负担，从而招募到更多的被试者进行研究，这些基于人群的研究提供的数据将进一步激发脑机接口的发展，也许未来我们会看到脑机接口变成一项成熟的技术造福社会。
本文部分背景知识参考
Kandel E.R. et al., 2013, Principles of Neural Science, 5th edition
Miguel A. L. Nicolelis, 2008, Method for neural ensemble recordings, 2th edition
