生成式AI助推脑机接口革命：从指令识别到语义重建的跨越

长期以来，BCI 解码像“固定选项答题器”，仅能完成预定义识别任务，无法精准解析大脑中丰富的语义内容。生成式 AI 的快速发展，为刻画大脑复杂认知内容提供了可能。本文系统总结相关研究，探讨生成式 AI 在提升 BCI 解码能力方面的价值。

导 读

脑机接口（Brain-Computer Interface，BCI）通过建立大脑神经活动与外部系统之间的映射，在人机交互和智能医疗等领域展现出重要潜力。解码是BCI的核心环节，其目标是将复杂的神经活动转化为可理解的信息。本文系统提出了BCI解码的两种基本范式：以类别判别为目标的判别式BCI解码，以及以重建高维认知内容为核心的生成式BCI解码。长期以来，BCI主要依赖前者，难以刻画语言、视觉等复杂语义。生成式AI的兴起为BCI解码提供了新的技术范式，使其能够从神经活动中重建更为丰富的认知内容。

图1 从判别式BCI解码到生成式BCI解码

作为连接人脑与外部世界的重要路径，BCI 在神经康复、辅助交流和人机交互等方向已展现出独特价值。传统判别式BCI解码主要适用于情绪识别等预定义任务，在重建自然语言或视觉图像等高维语义内容方面能力有限。生成式 AI 的发展为突破这些瓶颈提供了新的技术路径。通过学习脑信号与高维语义之间的映射关系，生成式AI正在推动 BCI 解码从以“识别有限指令”为目标的判别式 BCI 解码，向以“重建认知内容”为核心的生成式 BCI 解码转变，为更自然、更高效的人机交互奠定基础。在这一背景下，生成式 AI 不仅拓展了 BCI 解码的技术路径，也在数据增强和硬件设计上面产生了深远影响。

生成式 AI 在语言解码中的应用

在语言解码领域（图2），生成式AI使利用脑信号重建语言内容成为可能，不再局限于固定词表或预定义指令，这一进展为失语症和重度瘫痪患者提供了更自然的交流方式，结合大语言模型与脑信号表征学习，BCI已能够解码出具有语义连贯性的文本或语音。

图2 BCI语言解码

生成式 AI 在视觉解码中的应用

视觉解码在生成式 BCI 解码研究中发展迅速（图3）。生成式AI 模型使得脑活动与视觉语义空间之间的映射得以有效建模，从而实现对外界刺激或视觉想象内容的重建，包括静态图像以及视频的生成。

图3 BCI视觉解码

生成式 AI 在 BCI 解码中的数据增强与传感器优化

生成式 AI 通过数据增强与传感器设计优化，为 BCI 解码提供了系统性支撑，提升解码性能（图4）。在数据增强层面，生成模型可用于BCI数据的超分辨率重建、跨模态重建和虚拟数据合成。在传感器层面，生成式AI可为电极阵列结构、传感参数与材料协同设计提供参考，从而提升BCI数据采集质量。

图4 生成式AI增强BCI解码性能

生成式 BCI 面临的挑战：可靠性、泛化性与公平性

尽管生成式 AI 为 BCI 解码带来了新的机遇，相关研究仍面临多方面挑战（图5）。首先，解码结果的可靠性仍然有限，易受数据质量不足等因素影响。其次，跨个体泛化能力依然是制约 BCI 实际应用的重要瓶颈，不同个体之间显著的神经差异使模型难以直接迁移。最后，随着 BCI 技术逐步走向临床和社会应用，解码公平性问题日益凸显，亟需在算法设计与数据构建阶段予以重视。

图5 BCI解码的挑战与未来

总结与展望

生成式AI正在重塑BCI系统的核心能力。通过推动解码范式转变，并在数据增强与传感器优化等方面发挥作用，生成式AI有望持续提升BCI的使用价值。未来，在计算机科学、神经科学与工程等多学科协同，并兼顾伦理与社会责任的前提下，BCI技术才能在医疗康复和人机协作等领域实现广泛应用，真正服务于人类福祉。

郭彦君 华中科技大学同济医学院

The Innovation Medicine 编辑部