意念打字破新纪录！心中想着「说话」，词就蹦跶出来，来自斯坦福( 二 ) 詹士发自凹非寺量子位|公众号

文章图片
下一步是将说话的相关神经活动和文本关联起来。
科研工作者预先准备了一个RNN解码器，以80ms为间隔，检测识别神经活动信号，这当中，神经网络会依靠最大概率判断输出单词，错误的发音也将被纠正，最终输出文本。
为训练该网络，受试者需要每天尝试输出260-280语句的数据。
百天之后的测试中，无论是否发出声音，对单词的识别速度均在每分钟50词以上，该表现大约是该团队此前2021年纪录的3倍。
且无论面向50个单词，还是12500个单词，解码效率差异不大。

文章图片
识别错误率也有大幅改善。
针对50个单词的表达，识别错误率在9.1% ，即便受试者进行不发声表达，错误率也仅11.2% 。
针对12500单词库时，表达识别的错误率为23.8% ，不发声输出错误率为24.7% ，该错误率与之前研究面向50词的测试情况正误情况基本持平，能看出该方法准确度大幅上升。

文章图片
上述测试之外，科学家还探究了哪些方向能进一步优化该系统。
他们考虑了三个维度——语言模型词汇量、植入脑部电极数量、训练数据集大小。
结果显示，随着单词数量提高，错误率的确会升高，但在1000词量级趋于平缓（下方左图），团队由此认为，日后研究通过压缩单词数不一定有效。
但对于植入电极数量来说，更多的通道数（精度）的确会带来错误率降低。如下方右图，从500提升到1000 ，错误率从4% ，降低到了1.9% 。

文章图片
另值得一提的是，即便未经训练，面向新数据，系统单词错误率也只有30% 。且通过训练，错误率会不断下降。

文章图片
对于后续研究，团队指出该成果目前还不是完整的、临床上可落地的系统。此外， 24%错误率在日常生活中也还不够低，后续研究将在各方面努力。
意念打字一直热度不减本文一作是FrancisWillett ，来自斯坦福霍华德休斯医学研究所，主要研究领域为脑机接口、运动神经科学，他也对人工神经网络模型有所涉猎。
2021年登上Nature封面的意念打字研究中，他也是一作。跟上次一样，此番他表示——将会公布研究的代码和数据。

文章图片
另一位主要作者是ErinKunz ，来自斯坦福电气工程系在读博士，此前，她还曾在通用担任自动驾驶工程师。

文章图片
前文提及刚刚过世的KrishnaShenoy也是本文主要作者。
2021年登Nature的论文，他亦是贡献者之一，此前研究中，他破译了与手写笔记相关的大脑信号，让截瘫患者快速准确地打字。
该项工作十分关键，因为当时他们使用的方法是——让受试者在脑中“写出”字母。

文章图片
除该团队，在“意念打字”这件事上，还有更多科学家在努力。
比如2022年11月，加利福尼亚大学旧金山分校（UCSF）提出的一种不同方法。他们通过植入128通道皮质电图（ECoG）阵列，外加一个经皮连接器，用来连接植入设备和外部系统。