被试者在心里想了一句话。他还在试着开口,屏幕上的汉字已经一个接一个冒出来。系统不是从一组预先备好的短语里挑,而是从读到的神经活动里把词拼出来——包括把"妈"和"马"分开的那个声调。
中国科学院上海微系统与信息技术研究所的团队在Science Advances上报告了这个结果,院方于2025年11月公布细节,人民日报在2026年1月做了报道。主要研究者周志涛把目标说得很直白:汉语有数千万失语者,为英语造的解码器不能干净地搬到一种声调语言上。
关键要点
- 系统用植入电极解码汉语,走的是"音节加声调"路线,而不是单个音素或整词。
- 训练9天后,参与者在394个音节上的平均准确率达71.2%。
- 单音节延迟65毫秒;连续语句输出达每分钟49.6个字。
- 信号取自70-170赫兹的高频伽马波段,用50毫秒滑动窗提取。
- 结果来自临床环境下的1名参与者,长期无声解码尚未实现。
为什么汉语需要不同的解码器
英语的语音脑机接口通常解码音素或字母,再交给语言模型拼成词。汉语让这套办法变得别扭:有用的词汇由大约400个音节配4个声调搭成,产出3500多个常用字。声调不是装饰:一变,意思就完全不同。
团队把这个难点变成了优点。音节比音素持续更久,神经标记更稳定,因此在嘈杂的脑信号里更容易区分。直接解音节,也跳过了把声母韵母重新拼回去那一步。一个双流解码器同时估计音节和声调的概率分布,再由语言模型选出最合理的句子。
工程管线很具体:一个多级实时数据流用50毫秒滑动窗提取高频伽马活动,把信号与说话起始对齐,再喂给解码器。9天后的结果是394个音节、71.2%的平均纯神经解码准确率;没覆盖到的音节是参与者不认识的生僻字。输出达到每分钟49.6个字,接近缓慢的日常对话。
不只是说话
研究者把解码器接到了别的系统上。参与者用解码出的语音驱动数字人,与大模型对话,并产生实时控制一只灵巧手的指令。最后这条在概念上很重要:说话意图变成了控制信号,而不只是文本。
这反映了脑机接口定位上的一个更广转变。旧目标是恢复——把失去的功能还给人;新的说法再加上增强——让人直接驱动软件和机器。院方报告描述了一套与合作伙伴公司共同开发的通用脑机操作系统,正是让这些连接成为可能的那一层。
临床背景要紧。参与者是一名语言区有肿瘤的患者,当时正在接受手术,既要定位癫痫灶,又要保住语言功能。这是记录语言皮层高质量信号的难得机会,但和长期瘫痪者体内的慢性植入不是一回事。
接下来必须发生什么
团队说下一步是长期植入,用完全无线、全植入的设备,目标是无声解码——也就是在人不真的动嘴、不动声带的情况下解出想说的话。无声解码更难,因为缺少真实说话的感觉反馈,神经信号更弱。
报告里还看得到两个障碍。一是稳定性:记录质量必须在数月或数年里持续,不能被组织反应拖垮。二是泛化:一个在1名说话者身上训了9天的解码器,得对不同神经结构、不同汉语口音的其他人有效。单个成功的参与者解决不了其中任何一个。
对整个领域来说,这项研究给出一条超出汉语范围的设计经验:当脑机接口围绕某门语言的结构来造时,解码单位的选择和电极质量同样要紧。声调语言奖赏懂声调的解码器;词间没有空格的语言,则奖赏自带稳定边界的单位。
诚实的局限
- 头条结果来自1名参与者和9天训练期,目前没有证据表明同样表现能跨说话者成立。
- 我没有读Science Advances论文本身,量化数字来自中科院和人民日报对它的描述。
- 71.2%指纯神经音节解码,所查来源没有给出接入语言模型后的端到端句子准确率。
- 参与者病情特殊,结果未必能迁移到不同失语原因的人身上。
- 关于受影响人群规模的说法是研究者的估计,不是本文核过的流行病学数字。
- 无声解码和长期无线植入被描述为未来计划,不是已实现的结果。
普通人现在能做什么
- 读语音解码新闻时,把语言放在心里:英语的结果说明不了汉语,反之亦然。
- 分清"从尝试说话中解出"和"从内心想法中解出"。这里只展示了前者。
- 关注这个领域的人,盯多人复现。那是从巧妙实验走向技术的一步。