神經(jīng)科技以人類(lèi)神經(jīng)系統(tǒng)原理為基礎(chǔ),旨在研究人類(lèi)大腦這一極為復(fù)雜的模型架構(gòu)。在實(shí)際作用方面,神經(jīng)科技將幫助研究人員了解大腦功能與引發(fā)功能障礙的原因,并助力醫(yī)生治療各類(lèi)神經(jīng)系統(tǒng)疾病。至于具體應(yīng)用,神經(jīng)科技目前主要關(guān)注增強(qiáng)認(rèn)知能力、改善睡眠并改善長(zhǎng)壽人群的大腦健康等。以此為背景,AI技術(shù)的快速發(fā)展有望在未來(lái)十年內(nèi),推動(dòng)神經(jīng)科技發(fā)展進(jìn)入快車(chē)道。
過(guò)去二十年內(nèi),神經(jīng)科技企業(yè)獲得的投資總額超過(guò)190億美元。
當(dāng)前,全球擁有超過(guò)200家神經(jīng)科技企業(yè)。
美國(guó)本土的神經(jīng)科技企業(yè)在數(shù)量上占絕對(duì)優(yōu)勢(shì)。美國(guó)為121家,加拿大為14家,英國(guó)為13家,瑞士為8家,以色列為7家,法國(guó)為6家。
目前,全球有200多家神經(jīng)科技投資機(jī)構(gòu)。
美國(guó)的神經(jīng)科技投資機(jī)構(gòu)數(shù)量同樣最多。美國(guó)有136家,日本與英國(guó)各有10家,加拿大有7家,中國(guó)和法國(guó)為6家。
2015年,神經(jīng)科技專(zhuān)利總值為2億美元。
>>>腦機(jī)接口
神經(jīng)科技領(lǐng)域最為人熟知的探索方向之一,正是腦機(jī)接口(BCI)。腦機(jī)接口的基本思路在于接收大腦信號(hào),對(duì)信號(hào)做出分析,據(jù)此將信號(hào)轉(zhuǎn)換為命令,而后發(fā)送至執(zhí)行端的輸出設(shè)備。腦機(jī)接口有望幫助患有神經(jīng)肌肉疾?。ɡ缂∥s性側(cè)索硬化癥、腦癱、中風(fēng)或脊髓操作)的病人逐步恢復(fù)功能。隨著這項(xiàng)技術(shù)的進(jìn)步,人類(lèi)最終也許能夠?qū)SB接口植入大腦,從而輕松完成腦信號(hào)上傳。到2024年,全球腦機(jī)接口市場(chǎng)總值預(yù)計(jì)將達(dá)到18億美元。
>>>神經(jīng)調(diào)節(jié)
在美國(guó),目前已經(jīng)有超過(guò)15萬(wàn)人使用治療性腦植入物,主要用于治療帕金森氏病。神經(jīng)調(diào)節(jié)療法為慢性疾病的治療帶來(lái)替代性選項(xiàng)。與傳統(tǒng)藥物相比,神經(jīng)調(diào)節(jié)療法通常更具針對(duì)性、成本低廉且副作用更少。神經(jīng)調(diào)節(jié)的核心在于刺激大腦中的特定區(qū)域。目前常見(jiàn)的神經(jīng)調(diào)節(jié)刺激分為幾種類(lèi)型,且各自擁有不同的特性與用途。這項(xiàng)技術(shù)的重要應(yīng)用之一,在于治療患者難以忍耐的疼痛,具體方法為刺激大腦內(nèi)與脊柱及周邊神經(jīng)系統(tǒng)對(duì)應(yīng)的各個(gè)部位。到2022年,全球神經(jīng)調(diào)節(jié)設(shè)備行業(yè)總值預(yù)計(jì)將增長(zhǎng)至133億美元。
>>>深層腦刺激
在臨床試驗(yàn)中,研究人員們還開(kāi)始關(guān)注利用深層腦刺激治療慢性疼痛的潛在可能性。
>>>脊髓刺激
治療方案主要是將電極放置在人體內(nèi)的特定脊椎區(qū)域附近,這部分區(qū)域一直被視為痛常見(jiàn)的產(chǎn)生根源。
全球前200大神經(jīng)科技企業(yè)的技術(shù)推廣情況
>>>迷走神經(jīng)刺激
迷走神經(jīng)刺激能夠緩解一部分癲癇與抑郁癥疾病。
>>>經(jīng)顱磁刺激
2018年,全球經(jīng)顱磁刺激市場(chǎng)的總體規(guī)模估計(jì)為8.834億美元。
>>>用于神經(jīng)生物標(biāo)志物檢測(cè)的AI技術(shù)
神經(jīng)數(shù)據(jù)極其復(fù)雜,因此我們需要更強(qiáng)大的解釋方法,并借此從大量作為生物標(biāo)記物的神經(jīng)數(shù)據(jù)中找到準(zhǔn)確可靠的信號(hào)模式。
以此為基礎(chǔ),研究人員可以將長(zhǎng)期置留型神經(jīng)接口(允許計(jì)算機(jī)直接與人體之間實(shí)現(xiàn)神經(jīng)數(shù)據(jù)讀取與寫(xiě)入的連接),與經(jīng)過(guò)訓(xùn)練且能夠直接從神經(jīng)數(shù)據(jù)內(nèi)評(píng)估生物標(biāo)志物的人工智能系統(tǒng)結(jié)合起來(lái)。
這一進(jìn)展甚至可能為研究醫(yī)學(xué)現(xiàn)狀、加速神經(jīng)生物標(biāo)志物檢測(cè),以及探索新一代基于AI的神經(jīng)醫(yī)學(xué)方法提供新的實(shí)現(xiàn)途徑。
未來(lái)可期,讓我們拭目以待!
好文章,需要你的鼓勵(lì)
新加坡國(guó)立大學(xué)研究團(tuán)隊(duì)開(kāi)發(fā)了SPIRAL框架,通過(guò)讓AI與自己對(duì)弈零和游戲來(lái)提升推理能力。實(shí)驗(yàn)顯示,僅訓(xùn)練AI玩簡(jiǎn)單撲克游戲就能讓其數(shù)學(xué)推理能力提升8.6%,通用推理提升8.4%,且無(wú)需任何數(shù)學(xué)題目作為訓(xùn)練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學(xué)解題中,為AI訓(xùn)練提供了新思路。
同濟(jì)大學(xué)團(tuán)隊(duì)開(kāi)發(fā)的GIGA-ToF技術(shù)通過(guò)融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機(jī)噪聲問(wèn)題。該技術(shù)利用圖像間的不變幾何關(guān)系,結(jié)合深度學(xué)習(xí)和數(shù)學(xué)優(yōu)化方法,在合成數(shù)據(jù)集上實(shí)現(xiàn)37.9%的精度提升,并在真實(shí)設(shè)備上展現(xiàn)出色泛化能力,為機(jī)器人、AR和自動(dòng)駕駛等領(lǐng)域提供更可靠的3D視覺(jué)解決方案。
伊利諾伊大學(xué)研究團(tuán)隊(duì)通過(guò)對(duì)比實(shí)驗(yàn)發(fā)現(xiàn),經(jīng)過(guò)強(qiáng)化學(xué)習(xí)訓(xùn)練的視覺(jué)語(yǔ)言模型雖然表現(xiàn)出"頓悟時(shí)刻"現(xiàn)象,但這些自我糾錯(cuò)行為并不能實(shí)際提升推理準(zhǔn)確率。研究揭示了AI模型存在"生成-驗(yàn)證差距",即生成答案的能力強(qiáng)于驗(yàn)證答案質(zhì)量的能力,且模型在自我驗(yàn)證時(shí)無(wú)法有效利用視覺(jué)信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機(jī)構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過(guò)動(dòng)態(tài)稀疏性實(shí)現(xiàn)大語(yǔ)言模型訓(xùn)練加速1.6倍,計(jì)算成本降低2.2倍。該方法使用SVD稀疏性估計(jì)器智能選擇重要計(jì)算部分,在保持模型性能的同時(shí)顯著提升訓(xùn)練效率,已在多個(gè)任務(wù)上驗(yàn)證有效性。