每当我们听到“脑机接口”（BCI）这个词，就会联想到“意念控制”——你出想法，机器代为执行。这听起来很酷，但实现起来可没那么简单。

传统 BCI 就像一个“死板的助手”，只能被动读取大脑信号，努力完成指令。结果就是：效率不高、准确度有限，用户还得时刻盯着，连细节都要亲自操心，操作起来既慢又累。

如今，加州大学洛杉矶分校团队带来了不一样的思路：由人工智能（AI）担任“副驾驶”（copilot）。

BCI 系统不再只帮你“选按钮”或“代劳执行”，而是和你真正分工合作：你专注做决策，它借助 AI 完成预测、辅助和随时修正。整个过程，人机实时互动，默契配合。而且，这一非侵入性脑机接口系统，成功让瘫痪受试者在移动计算机光标这类任务中的表现提升了近 4 倍。

相关研究论文以“Brain–computer interface control with artificial intelligence copilots”为题，已发表在科学期刊《自然-机器智能》上。

论文链接：https://www.nature.com/articles/s42256-025-01090-y

这种共享操控模式或使脑机接口在日常使用中更实用、更高效，随着 AI 系统的升级，它们或能帮助用户更轻松地完成更多复杂任务。

或许，我们离“意念操作”的畅快体验，真的不远了。

传统脑机接口不够好？AI加“外挂”！

运动型 BCI 通过解码神经信号，帮助瘫痪患者实现运动和交流。尽管过去二十年取得了显著进展，但在临床应用中，BCI 仍面临核心挑战：系统性能必须足够强大，才能抵消其成本与潜在风险。

在大多数传统运动型 BCI 中，例如控制计算机光标或机械臂，唯一的控制来源是解码后的神经信号。然而，现实任务往往是以目标为导向的——动作的目的是接触或点击特定对象，例如计算机上的搜索栏、按钮、图标，或现实中的杯子、薯片、门把手、钥匙、积木等。

在这种场景下，只要能够准确判断用户的目标——即在有限可能目标中进行推断——基本就能确定动作方向。一旦目标明确，人类行为往往呈现固定模式，此时便可以借助“副驾驶”进行辅助。

这种方式被称为共享自治：人类用户（“驾驶员”）与 AI 副驾驶共同参与控制，从而提升操作性能。

那么，如何推断用户的目标？系统可以结合多种信息来源，包括任务结构、历史动作以及计算机视觉（CV）识别等。通过整合这些信息，系统能够更准确地推测用户意图，并辅助执行动作。

图｜在 AI-BCI 中，AI copilot 利用任务信息提升 BCI 性能。

研究团队将这种架构称为 AI-BCI。在计算机相关任务中，也可以采用类似方法进行目标推断。例如，在使用搜索引擎时，用户的目标很可能是在输入关键词后点击“搜索”按钮；在输入操作中，上下文信息往往能为下一个字符选择提供强有力的提示。

即使任务本身没有明确目标，例如自由绘图，AI 副驾驶依然能够发挥作用——帮助规避常见错误或极端动作（如绘画时的剧烈抖动）。

最后，当无法获取任何任务相关信息时，该 AI-BCI 系统仍可切换回传统 BCI 模式，继续运行。

AI-BCI：让光标和机械臂更“听话”

为显著提升 BCI 性能，研究团队采用了共享自治方案：AI 副驾驶与 BCI 使用者协同工作，共同完成任务目标，从而让瘫痪患者能够熟练操控计算机光标和机械臂。

研究团队开发了一种新的脑电图（EEG）解码架构：该架构将卷积神经网络（CNN）提取的非线性特征作为卡尔曼滤波器（KF）的观测输入，类似于重新校准反馈意图训练 KF（ReFIT-KF），从而实现在线闭环解码器自适应（CLDA）。

他们对该解码器架构在多天实验中的性能进行了评估。在此基础上，他们展示了两种 AI 副驾驶系统：

光标控制系统：使用深度强化学习进行训练，实现智能辅助光标操作；

机械臂控制系统：结合计算机视觉技术，可自动识别物体并执行抓取或放置操作。

图｜用于 center-out 8 和机械臂任务的 CNN-KF 与 AI-BCI 解码框架

在光标控制任务中，研究团队提出假设：能够推断用户目标的 AI 副驾驶能够显著提升任务表现。他们模拟了现实中“可选目标有限”的情境，例如计算机屏幕上的按钮或键盘按键。

实验结果显示，光标副驾驶系统显著提高了任务效率：健康参与者的平均目标获取速率提升了 2.1 倍，瘫痪参与者提升了 3.9 倍。尤其对瘫痪参与者而言，AI-BCI 显著缩短了接入时间（dial-in time），从中位数 4.15 秒下降至 0.05 秒。同时，光标路径更加高效，几乎沿直线直达目标。

图｜AI 副驾驶在 centre-out 8 task 任务中显著提升光标控制能力

在机械臂实验中，AI 副驾驶利用 CV 系统推测目标位置并持续跟踪物体。他们设计的副驾驶程序能够识别所有目标，并在机械臂距离积木或十字目标 2.54 厘米范围内时，实时辅助执行精确的抓取或放置操作。

图｜副驾驶改进了机械臂的控制，以执行拾取和放置任务。

实验结果显示，在 AI 副驾驶的辅助下，所有参与者的成功率均有显著提升：所有参与者均成功完成了任务；健康参与者的物体正确放置率达 100%；瘫痪参与者在没有 AI 副驾驶的情况下无法完成任何成功试验，但有了 AI 副驾驶后，其正确放置率达到 93%。

AI-BCI 的未来形态是什么？

研究结果表明，在光标控制和机械臂任务中，共享自治显著提升了 BCI 的整体性能。这一方法为提升 BCI 效能提供了一条互补路径，随着 AI 副驾驶技术的不断进步，AI-BCI 的表现有望进一步增强。性能提升的关键在于：AI 能够辅助用户更高效地实现目标。

研究团队指出，AI 副驾驶能够减少完成高维任务所需的神经解码自由度（DOFs）。对于更复杂的任务，例如与特定物体交互，通过训练副驾驶处理这些操作，可进一步降低用户所需的控制自由度。

虽然已有研究展示了能够根据分类目标执行动作的机器人，但这些方法存在局限：AI 副驾驶并未与用户实现实时共享控制。而共享自治则允许用户与 AI 副驾驶持续交互，即使在缺乏明确目标的情况下，也可自动转为传统 BCI 模式。

研究团队预测，未来的 AI 副驾驶系统将提供更强大的辅助能力。这正是共享自治的核心目标：在任务执行过程中与用户共享控制权，从而全面提升人类在各类任务中的表现。未来研究应聚焦于：

开发更先进的 AI 副驾驶，实现面向物体的机械臂轨迹控制，并根据物体动态进行精确操作；

保留用户主导权，避免操作受限导致的挫败感与性能下降，为此提出“干预式辅助”的控制共享策略；

推动共享自治在更复杂的机器人系统中应用，包括通过大规模数据训练的模型，使 AI-BCI 胜任更高难度的运动任务；

促进任务标准化，并利用副驾驶提升侵入式 BCI 的性能。

总体而言，当 AI 副驾驶能够准确推断用户意图时，其辅助效果最佳；若无法解码用户意图，则难以完成目标。因此，未来工作可能集中于构建更优解码器，以进一步提升性能。

此外，其他类型的非侵入式信号也可能成为未来 BCI 的重要信息来源，包括眼动、姿态、肌电等辅助信号。这些信号可与 EEG 协同使用，尤其在 EEG 控制能力较弱的用户中，可显著提升系统整体表现。