神經(jīng)科技以人類神經(jīng)系統(tǒng)原理為基礎,旨在研究人類大腦這一極為復雜的模型架構。在實際作用方面,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)生治療各類神經(jīng)系統(tǒng)疾病。至于具體應用,神經(jīng)科技目前主要關注增強認知能力、改善睡眠并改善長壽人群的大腦健康等。以此為背景,AI技術的快速發(fā)展有望在未來十年內(nèi),推動神經(jīng)科技發(fā)展進入快車道。
過去二十年內(nèi),神經(jīng)科技企業(yè)獲得的投資總額超過190億美元。
當前,全球擁有超過200家神經(jīng)科技企業(yè)。
美國本土的神經(jīng)科技企業(yè)在數(shù)量上占絕對優(yōu)勢。美國為121家,加拿大為14家,英國為13家,瑞士為8家,以色列為7家,法國為6家。
目前,全球有200多家神經(jīng)科技投資機構。
美國的神經(jīng)科技投資機構數(shù)量同樣最多。美國有136家,日本與英國各有10家,加拿大有7家,中國和法國為6家。
2015年,神經(jīng)科技專利總值為2億美元。
>>>腦機接口
神經(jīng)科技領域最為人熟知的探索方向之一,正是腦機接口(BCI)。腦機接口的基本思路在于接收大腦信號,對信號做出分析,據(jù)此將信號轉(zhuǎn)換為命令,而后發(fā)送至執(zhí)行端的輸出設備。腦機接口有望幫助患有神經(jīng)肌肉疾?。ɡ缂∥s性側索硬化癥、腦癱、中風或脊髓操作)的病人逐步恢復功能。隨著這項技術的進步,人類最終也許能夠?qū)SB接口植入大腦,從而輕松完成腦信號上傳。到2024年,全球腦機接口市場總值預計將達到18億美元。
>>>神經(jīng)調(diào)節(jié)
在美國,目前已經(jīng)有超過15萬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替代性選項。與傳統(tǒng)藥物相比,神經(jīng)調(diào)節(jié)療法通常更具針對性、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。目前常見的神經(jīng)調(diào)節(jié)刺激分為幾種類型,且各自擁有不同的特性與用途。這項技術的重要應用之一,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)對應的各個部位。到2022年,全球神經(jīng)調(diào)節(jié)設備行業(yè)總值預計將增長至133億美元。
>>>深層腦刺激
在臨床試驗中,研究人員們還開始關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的產(chǎn)生根源。
全球前200大神經(jīng)科技企業(yè)的技術推廣情況
>>>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)顱磁刺激市場的總體規(guī)模估計為8.834億美元。
>>>用于神經(jīng)生物標志物檢測的AI技術
神經(jīng)數(shù)據(jù)極其復雜,因此我們需要更強大的解釋方法,并借此從大量作為生物標記物的神經(jīng)數(shù)據(jù)中找到準確可靠的信號模式。
以此為基礎,研究人員可以將長期置留型神經(jīng)接口(允許計算機直接與人體之間實現(xiàn)神經(jīng)數(shù)據(jù)讀取與寫入的連接),與經(jīng)過訓練且能夠直接從神經(jīng)數(shù)據(jù)內(nèi)評估生物標志物的人工智能系統(tǒng)結合起來。
這一進展甚至可能為研究醫(yī)學現(xiàn)狀、加速神經(jīng)生物標志物檢測,以及探索新一代基于AI的神經(jīng)醫(yī)學方法提供新的實現(xiàn)途徑。
未來可期,讓我們拭目以待!
好文章,需要你的鼓勵
新加坡國立大學研究團隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓練AI玩簡單撲克游戲就能讓其數(shù)學推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學題目作為訓練材料。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)學解題中,為AI訓練提供了新思路。
同濟大學團隊開發(fā)的GIGA-ToF技術通過融合多幀圖像的"圖結構"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術利用圖像間的不變幾何關系,結合深度學習和數(shù)學優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領域提供更可靠的3D視覺解決方案。
伊利諾伊大學研究團隊通過對比實驗發(fā)現(xiàn),經(jīng)過強化學習訓練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質(zhì)量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構聯(lián)合提出SparseLoRA技術,通過動態(tài)稀疏性實現(xiàn)大語言模型訓練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓練效率,已在多個任務上驗證有效性。