當一個人想動，卻動不了

當一個人想動，卻動不了

二○○六年，一位因脊髓損傷而四肢癱瘓的年輕人，坐在實驗室裡，盯著電腦螢幕上的游標。他的手臂無法動彈，但他「想像」自己伸手去移動那個游標。就在這一刻，植入他大腦運動皮質（motor cortex）的一小片電極，捕捉到了一群神經元的放電；一台電腦把這些放電訊號即時翻譯成指令，螢幕上的游標真的動了起來——而且方向，正是他想去的方向。

這是腦機介面（Brain-Machine Interface, BMI，又稱 Brain-Computer Interface, BCI）史上一個被反覆引用的里程碑，發表在二○○六年的《Nature》上。它之所以撼動人心，不只是因為一個無法動的人「用念頭」操控了機器，而是因為它證明了一件更深刻的事：即使連接大腦與肌肉的線路斷了，產生「想動」這個意圖的神經訊號，依然好端端地存在於皮質裡，只是無處可去。 腦機介面做的，就是替這個被困住的訊號，開一條新的出口。

從那之後，這個領域走得很遠。今天的腦機介面不只能讓癱瘓者移動游標、操控機械手臂、甚至重新「說話」，研究者也開始反過來問：我們能不能不只「讀取」大腦，還能「寫入」大腦——把資訊直接送進去？本文要帶你看的，正是這項讀寫大腦訊號的前沿技術：它的神經基礎是什麼、訊號怎麼被讀出與寫入、走到了哪裡，又還有哪些難關。

什麼是腦機介面？先把「迴路」看清楚

腦機介面，簡單說，是一條繞過正常神經肌肉路徑、直接連接大腦與外部裝置的人工通道。要理解它，先回想一下正常情況下「想動手」這件事是怎麼發生的。

你的意圖在大腦皮質形成，運動皮質的神經元發放動作電位（action potential），訊號沿著皮質脊髓束（corticospinal tract）下行，經過脊髓的運動神經元，最後抵達肌肉，肌肉收縮，手就動了。這是一條精密的生物線路。但對脊髓損傷、中風、肌萎縮性脊髓側索硬化症（ALS，俗稱漸凍症）的患者來說，這條線路在某個環節斷了——大腦的指令發得出來，卻傳不到肌肉。

腦機介面的核心策略，是在「指令還沒斷掉」的那一端把它攔截下來。一個典型的腦機介面有四個環節：

• 訊號擷取（acquisition）：用感測器記錄大腦活動。
• 訊號處理與解碼（decoding）：把雜亂的神經訊號，翻譯成有意義的意圖（例如「向右」「點擊」「字母 H」）。
• 裝置控制（effector）：把解碼出的意圖，送去驅動游標、機械手臂、輪椅或語音合成器。
• 回饋（feedback）：使用者看到、聽到或感覺到結果，再調整自己的「想法」——這一步至關重要，我們稍後會看到它為何是整個系統能運作的關鍵。

值得先釐清一個常見迷思：腦機介面不是「讀心術」。它讀不出你腦中的祕密念頭，也無法解析任意的思緒。它能做的，是辨識特定、受過訓練的神經活動模式——通常是與運動意圖、注意力或特定刺激相關的、可重複的訊號。它更像是在大腦裡安裝了一個「新的肌肉群」，而你必須學會如何「收縮」它。

怎麼把訊號讀出來？侵入與非侵入的取捨

要讀大腦，第一個問題是：感測器放在哪裡？這個選擇，決定了訊號的品質與風險的高低，是腦機介面最核心的工程權衡（trade-off）。

非侵入式（non-invasive）把感測器放在頭皮外。最常見的是腦電圖（EEG, electroencephalography），它用貼在頭皮上的電極，記錄大量神經元同步活動產生的電場。優點是安全、便宜、不必開刀；缺點是訊號要先穿過頭骨與頭皮，被嚴重模糊與衰減，就像隔著一堵厚牆聽一個球場裡幾萬人的喧嘩——你能聽出「全場歡呼」或「全場安靜」，卻分不清任何一個人在喊什麼。因此 EEG 的空間解析度（spatial resolution）很差，只能捕捉到大尺度的群體節律。

侵入式（invasive）則把電極直接植入腦內。其中又有層次之分：皮質腦電圖（ECoG, electrocorticography）把電極陣列鋪在皮質表面（硬腦膜下），訊號品質比 EEG 好得多；而微電極陣列（microelectrode array），例如著名的「猶他陣列」（Utah array），則是一小片插滿上百根針狀電極的晶片，直接刺進皮質，能記錄到單一神經元的放電。這種單神經元層級的訊號，正是前面那位癱瘓者能精準控制游標的關鍵——解析度愈高，能解碼出的意圖就愈細膩。

這裡藏著一個無法迴避的張力：訊號品質愈好，侵入性與風險也愈高。 開顱手術、植入物可能引發感染、免疫反應，而最棘手的是長期穩定性問題——大腦會把植入的電極視為異物，周圍逐漸形成膠質瘢痕（glial scar），把電極「包覆」起來，使得訊號隨著月份、年份過去而逐漸衰減。如何讓植入物與腦組織長期和平共處，是這個領域至今最硬的工程難題之一。

近年新一代的侵入式技術，例如以「神經織網」（neural lace）或柔性高密度電極為設計理念的系統（如 Neuralink 等公司的探索方向，以及學術界的柔性電子研究），核心訴求正是用更細、更柔軟、生物相容性更好的電極，去緩解這個瘢痕與排斥的問題。技術路線各異，但目標一致：在安全與訊號品質之間，把那條取捨曲線往更好的方向推。

訊號讀出來了，怎麼「翻譯」成意圖？

擷取到神經訊號，只是第一步。接下來真正的魔法，發生在解碼器（decoder）裡——把一串電位變化，翻譯成「使用者想做什麼」。這正是腦機介面與人工智慧（AI）深度交會的地方。

最經典的解碼原理，建立在前面提過的群體編碼（population coding）之上。運動皮質中，單一神經元對手臂運動方向只有粗略的偏好——它在某個「偏好方向」發放得最猛，偏離這個方向就漸漸減弱，這叫「方向調諧」（directional tuning）。單看一顆神經元，你無法準確知道手要往哪動。但喬治普羅斯（Apostolos Georgopoulos）在一九八○年代提出的「群體向量」（population vector）概念告訴我們：把一整群神經元的偏好方向，依各自的發放強度加權求和，得到的合向量，竟能精準預測手臂的運動方向。

換句話說，意圖不藏在任何一顆神經元裡，而分散在整個群體的活動模式中。解碼器的工作，就是學會這個「群體模式 → 意圖」的對應關係。早期用的是相對單純的線性方法（如卡爾曼濾波器，Kalman filter，能即時融合雜訊訊號並估計手要去的位置與速度）；今天則愈來愈多採用深度學習——遞迴神經網路（RNN）、Transformer 等模型，能捕捉神經活動裡複雜的時間動態，大幅提升解碼的準確率與流暢度。

這裡有一個美麗的對稱：腦機介面用 AI 來讀大腦，而 AI 本身的靈感（人工神經網路）又源自大腦。讀大腦的演算法，與大腦啟發的演算法，在這裡握手了。

但解碼器再聰明，也只是系統的一半。另一半，來自使用者的大腦本身。

為什麼說「人腦也在學」？回饋與可塑性的雙人舞

腦機介面最反直覺、也最深刻的一點是：它能運作，不只因為機器學會了讀大腦，更因為大腦學會了驅動機器。 這是一支雙人舞——機器在學，人腦也在學。

回想學騎腳踏車：一開始你歪歪扭扭，但透過不斷的回饋（身體傾斜、視覺、跌倒的痛），你的大腦逐漸調整神經輸出，最後騎得行雲流水。腦機介面的使用者，經歷的是同一個過程，只是被驅動的不是腿，而是螢幕上的游標。當使用者看到「我這樣想，游標就往左偏一點」，這個視覺回饋會驅動大腦的神經可塑性（neural plasticity）——運動皮質的神經元逐漸調整自己的發放模式，去「配合」解碼器，讓控制變得愈來愈精準、愈來愈自然。

研究者甚至觀察到，經過長期訓練，原本控制手臂的神經元群，會發展出一套穩定的、專屬於控制游標的新活動模式，彷彿大腦真的長出了一塊「虛擬肌肉」的神經表徵。這正是前面強調「回饋是關鍵環節」的原因：沒有即時、可靠的回饋，大腦無從學習，這支雙人舞也就跳不起來。

這個現象把腦機介面與優心理（學習、技能習得、回饋的作用）和神經科學的可塑性研究緊緊綁在一起。它告訴我們：一個好的腦機介面，不該是「機器單方面去破解大腦」，而應是「打造一個讓人腦與機器能共同學習、彼此適應」的閉環系統（closed-loop system）。最前沿的研究，正是讓解碼器的學習與大腦的學習協同進行，兩者一起收斂到一個雙方都得心應手的控制策略。

不只「讀」，還能「寫」嗎？

到此為止，我們談的都是「讀取」——把大腦的訊號讀出來。但本文開頭提過，腦機介面的另一個前沿是「寫入」：能不能把資訊直接送進大腦，繞過眼睛、耳朵這些天然的感官入口？

這並非科幻。有一個已經改變數十萬人生命的成熟案例：人工電子耳（cochlear implant）。對於耳蝸毛細胞受損的重度聽損者，人工電子耳把聲音轉成電脈衝，直接刺激聽神經，讓大腦「聽見」聲音。它正是一個典型的、已臨床普及的「寫入」介面——只是寫入的對象是周邊神經，而非中樞皮質。類似地，視覺假體（visual prosthesis）試圖用電刺激視網膜或視覺皮質，讓失明者感知到光點。

把寫入推進到大腦皮質，最具雄心的應用是感覺回饋（sensory feedback）。想像一位用腦機介面操控機械手臂的癱瘓者：他能讓機械手去抓杯子，卻「感覺不到」自己抓到了——因為機械手沒有觸覺，訊號回不到他的大腦。於是研究者嘗試在機械手指尖裝壓力感測器，再把感測訊號轉成電刺激，送進使用者的體感皮質（somatosensory cortex）。二○一六年發表於《Science Translational Medicine》的研究顯示，受試者真的「感覺到」了被觸碰的手指——儘管那是一隻機械手。這讓腦機介面從一條「單向的輸出管道」，朝向一個「能輸出也能輸入」的真正雙向閉環邁進。

不過必須誠實：寫入比讀取困難得多。讀取只需「旁聽」神經活動，寫入卻要用人工的電刺激，去「冒充」大腦本來精密、分散、由成千上萬神經元協同產生的自然編碼。我們對自然神經編碼的理解還遠遠不夠，因此目前寫入能傳遞的資訊還相當粗略。把複雜的視覺場景、抽象的概念「寫」進大腦，仍是非常遙遠的目標。

看一個例子

讓我們用一個近年最動人的應用，把前面的概念串起來——讓失語者重新「說話」的語音腦機介面（speech BMI）。

故事的主角，是一些因腦幹中風或漸凍症而失去說話能力的患者。他們的心智清明、想說的話一清二楚，卻因為控制嘴唇、舌頭、喉嚨的神經肌肉路徑癱瘓，一個字也發不出來——這正是本文開頭那個主題的回響：意圖還在，出口斷了。

研究者（如加州大學舊金山分校與史丹佛大學的團隊，相關成果於二○二一至二○二三年陸續發表於《Nature》《New England Journal of Medicine》等期刊）在患者試圖說話時的腦區——控制發聲器官的運動皮質——植入了高密度電極陣列。請注意這個巧妙的設計：他們解碼的不是抽象的「想說的詞」，而是大腦對「發音動作」的運動指令。即使嘴巴不能動，當患者「試圖」說出某個字，運動皮質依然會發出控制嘴唇舌頭的那套神經訊號。

接下來，每一個環節我們都見過了： - 訊號擷取——侵入式高密度電極記錄發聲運動皮質的群體活動； - 解碼——深度學習模型（RNN／Transformer）即時把這些神經活動，翻譯成音素（phoneme）序列，再組合成詞句，並結合語言模型（與大型語言模型同源的技術）來提升流暢度與準確率； - 裝置控制——輸出的文字被送去語音合成器，甚至能合成出貼近患者本人原本嗓音的聲音； - 回饋——患者在螢幕上即時看到自己「說」出的句子，據此微調，大腦的可塑性也參與進這個閉環。

最新的成果已能達到每分鐘數十個字、涵蓋上千甚至更大詞彙量的解碼速度，雖然仍有錯誤率，但對一位多年無法溝通的患者而言，這是從「完全沉默」到「能重新對話」的天壤之別。

這個例子完整走過了腦機介面的每一層：從神經基礎（運動皮質即使在癱瘓後仍保留發聲意圖的編碼）→ 訊號擷取（侵入式高密度電極）→ AI 解碼（深度學習＋語言模型）→ 裝置輸出（語音合成）→ 回饋與可塑性（患者與系統共同學習）。它也漂亮地連結了優神經科學、優心理與 AI 三個維度，示範了讀寫大腦這項前沿技術，如何真實地改變一個人的生命。

重點回顧

• 腦機介面是繞過神經肌肉路徑、直接連接大腦與外部裝置的人工通道，核心包含訊號擷取、解碼、裝置控制與回饋四個環節；它不是讀心術，而是辨識特定、可訓練的神經活動模式。
• 訊號擷取存在核心取捨：非侵入式（如 EEG）安全但解析度差，侵入式（如猶他微電極陣列）能讀到單神經元卻有手術風險與長期穩定性（膠質瘢痕）的難題。
• 解碼依賴群體編碼原理：意圖分散在一群神經元的活動模式中，透過群體向量、卡爾曼濾波器到深度學習模型，把神經訊號翻譯成意圖——這是腦機介面與 AI 的深度交會點。
• 回饋與神經可塑性是「雙人舞」：腦機介面能運作，不只因為機器學會讀大腦，更因為大腦透過回饋學會驅動機器，兩者在閉環中共同適應。
• 「寫入」是另一前沿：人工電子耳是成熟的寫入案例，體感皮質刺激能為機械手臂帶回觸覺；但用人工電刺激冒充自然神經編碼，難度遠高於讀取。

深入探討（研究所視角）

對有志於進一步鑽研的同學，腦機介面有幾條值得關注的前沿與爭論。

第一，長期穩定性與「神經漂移」（neural drift）。 即使解決了膠質瘢痕問題，還有一個更微妙的挑戰：同一群神經元的活動模式，會隨著日子、甚至一天之內的不同時段而緩慢改變。今天訓練好的解碼器，明天可能就「對不上」了。如何讓解碼器自動適應這種漂移——例如用無監督式的自我校準、或讓系統在使用中持續線上學習——是當前讓腦機介面走出實驗室、走向日常可用的關鍵研究。這也呼應了計算神經科學中「神經群體動態」（neural population dynamics）的觀點：與其追蹤每顆神經元，不如理解整個群體在低維流形（manifold）上的軌跡，而這個流形往往比單顆神經元的活動穩定得多。

第二，侵入式與非侵入式的長期路線之爭。 侵入式訊號品質高，但需要手術、面對植入物風險，難以大規模普及；非侵入式安全易用，卻受限於頭骨對訊號的模糊。中間地帶的技術——例如經血管植入（如 Stentrode，把電極隨支架經血管送入腦部，避免開顱）、功能性近紅外光譜（fNIRS）、聚焦超音波等——正試圖在風險與性能之間開闢新路。哪條路線最終能勝出，取決於不同應用對「解析度」與「可及性」的不同需求。

第三，閉環與適應性刺激的臨床擴展。 腦機介面的「寫入」能力，已在治療領域開花結果。深部腦刺激（DBS, deep brain stimulation）長年用於帕金森氏症，而新一代的「閉環 DBS」會即時偵測異常的腦部活動（如癲癇發作前兆或帕金森的病理性節律），只在需要時才給予刺激，而非持續放電。這把「讀」與「寫」整合進同一個自我調節的迴路，是腦機介面從「輔助溝通」走向「治療性神經調控」的重要方向。

最後，倫理、隱私與「神經權利」（neurorights）。 當技術能讀取、甚至影響大腦活動，一連串前所未有的問題隨之而來：神經資料是誰的？它比任何資料都更貼近一個人的內在自我，該如何保護心智隱私（mental privacy）？若刺激改變了一個人的情緒或決策，他的「自主性」（autonomy）與「身分認同」如何界定？國際上已有學者倡議將「神經權利」納入人權框架，部分國家也開始立法。對腦機介面而言，技術的突破與倫理的審慎必須並行——這也正是 Educational Omics 框架中 Ethicomics（倫理規範）維度所關切的核心。讀寫大腦的能力愈強，我們愈需要謹慎地問：為了誰、用在哪、由誰把關。