Internet generasi berikutnya: berselancar otak-mesin, manusia di rantai

AI saat ini sedang berkembang pesat, namun terobosan di tingkat teknologi tidak terlalu besar, dengan aplikasi-aplikasi yang dipimpin oleh robot jendela interaksi LLM bermunculan. Namun, bidang AI telah memasuki fase perluasan rekayasa dan komersialisasi berskala besar, dan di tingkat teori telah memasuki titik stagnasi. Aset dan fokus inovasi di masa depan pasti akan beralih ke antarmuka otak-mesin, bahan pengganti energi baru, dan ekonomi luar angkasa.

Komponen inti BCI:

🧠Pengumpulan sinyal
Invasif: Dengan menanam elektroda melalui pembedahan (seperti array mikroelektroda, ECoG), kualitas sinyal tinggi tetapi ada risiko infeksi.
Non-invasif: EEG (Elektroensefalografi): Merekam aktivitas listrik melalui elektroda kulit kepala, biaya rendah tetapi resolusi spasial kurang baik. MEG (Magnetoensefalografi): Merekam sinyal medan magnet, resolusi tinggi tetapi peralatan mahal. fMRI (Pencitraan resonansi magnetik fungsional): Mengukur aktivitas saraf secara tidak langsung melalui sinyal tergantung pada kadar oksigen dalam darah (BOLD). fNIRS (Spektroskopi inframerah dekat): Menggunakan sinyal cahaya untuk mendeteksi perubahan kadar oksigen, portabel tetapi resolusi waktu rendah.

🧠Tipe sinyal Potensial terkait peristiwa (ERP): seperti P300 (gelombang positif yang muncul setelah 300ms), digunakan untuk sistem ejaan. Potensial yang diinduksi oleh sensasi: seperti potensial yang diinduksi oleh visual (VEP), potensial yang diinduksi oleh pendengaran (AEP). Sinyal imajinasi gerakan (SMR): dihasilkan melalui imajinasi gerakan tubuh, digunakan untuk mengendalikan prostesis atau kursor.

🧠Pemrosesan sinyal Ekstraksi fitur: menghilangkan noise dan mengekstrak informasi yang berguna, metode umum meliputi: Mode ruang bersama (CSP): memaksimalkan perbedaan varians antara dua kelas sinyal (rumus lihat di bawah). Analisis komponen independen (ICA): memisahkan sumber sinyal, menghilangkan artefak (seperti gangguan kedipan mata). Transformasi wavelet (WT): mengekstrak fitur waktu-frekuensi. Algoritma klasifikasi: memetakan fitur ke instruksi kontrol, metode umum meliputi: Mesin vektor dukungan (SVM): memisahkan kategori yang berbeda melalui hyperplane. Jaringan saraf (NN): seperti perceptron multi-lapisan (MLP), jaringan saraf konvolusional (CNN). Sistem inferensi fuzzy (FIS): menangani sinyal yang tidak pasti.

Arah penelitian masa depan
1. Mengembangkan perangkat non-invasif berbiaya rendah dan resolusi tinggi (seperti EEG densitas rendah);
2. Menggabungkan algoritma pembelajaran mendalam berkinerja tinggi (seperti LSTM, Transformer) untuk meningkatkan akurasi klasifikasi.
3. Mengoptimalkan algoritma pemrosesan sinyal real-time untuk mengurangi latensi;
4. Perluasan aplikasi (seperti pengenalan emosi, kontrol realitas virtual).