多年来,美国国防部下的高级研究计划署(简称DARPA)一直在研究如何为身体或大脑存在残疾的士兵提供技术解决方案。在这方面,DARPA已经资助了很多相关的研究项目,比如能够与神经系统相连接的假肢,以及能够治疗创作后应激障碍的大脑植入物等等。
随着部队的作战方式逐渐发生变化,DARPA的研究方向也做出了相应调整。在日前的DARPA六十周年庆典上,有发言人描述了神经科学研究的下一个方向,即为健康士兵提供“超能力”的技术。
DARPA最新的神经项目主管Al Emondi表示:“战士们需要新的方式与机器进行连接与互操作。但到目前为止,大多数技术都需要以手术方式实现。我们希望能够探寻出新的实现方法。”
据介绍,下一代无手术神经计划(简称N3)重点在于探索在不对人体进行布线或植入的前提下,在大脑与外部机器之间传输高保真信号。该项计划于今年3月公布,Emondi目前正在挑选符合计划资助要求的研究人员。他在接受采访时表示,预计选择结果将在2019年年初正式公布。
DARPA生物技术办公室主任Justin Sanchez表示,N3计划带来的概念验证技术也有望以消费品的形式出现。他认为,“这将催生出新的产业。”
目前,N3计划的研究方向主要是两个:其一,开发研究完全无需植入的技术;其二,开发“微侵入”式技术。
下面对这两类技术做一点解释:
完全无侵入式技术
事实上,在DARPA之外,目前已经存在了大量非侵入式神经技术。例如将计算机简单旋转在头皮上以绘制脑电图,这种技术数十年来一直用于读取大脑信号,或者通过颅直流电刺激进行抑郁症治疗或提高运动能力。
但Sanchez表示,这些现有技术无法为DARPA设想的应用场景提供足够精确的传输能力。N3计划旨在实现新的非侵入式技术,它将匹配目前仅可通过嵌入脑组织植入的电极实现与神经元的直接对接——当神经元被“激发”时,装置即可记录电信号活动或触发射击等其它操作。
N3计划要求非侵入式技术能够读取信号,并将信息写入1立方毫米体积的脑组织内,这整个过程需要在10毫秒内完成。为了在头骨隔断的情况下实现上述目标,Emond表示研究人员必须以新的方法检测神经活动。对此,他提出了以下疑问:“当某一神经元被激发时,其反射率就会发生改变——我们能否捕捉到对应的光学信号?此外,在激发时,其实际上会发出声波——我们能否捕捉到这一声学信号?”他表示,这正是难点所在。
微侵入式技术
这一概念由DARPA提出,旨在与“微创”概念区别开来——微创在医学上通常代表着内腔镜手术方法。但DARPA认为,他们所研究的大脑对接技术应该不需要这种小型切口。
相反,微侵入式技术主要通过注射药剂、药丸甚至鼻腔喷雾的形式进入体内。Emondi设想,可以旋转在神经元内部的“纳米换能器”,使其能够在电子信号发射时将电信号转换成可通过颅骨捕捉到的其它类型的信号。
据透露,在这项为期四年的计划结束时,DARPA希望所有研究人员都能够通过“国防相关任务”的形式演示其技术成果。例如,演示者可能会利用大脑信号来驾驶无人机或控制战斗机模拟器(作为一名瘫痪的女性,Jan Scheuermann于2015年就利用脑部植入物实现了这一操作)。
当被问及这种技术的主要应用时,Emondi表示他希望能够将这种技术应用于“主动网络防御”方面——即利用这项技术让安全专家真正感受到入侵。他指出,“这意味着我们不再是在网上,而是在网中。”
目前,N3计划开发出的一切成果都只属于概念验证方案,且需要首先获得监管部门的批准方可广泛应用于士兵或公众群体当中。不过考虑到硅谷的不少巨头级企业也致力于神经技术,消费级大脑设备的推出似乎已经为期不远。
DARPA的Sanchez表示,降低人机接口技术的门槛将开启一个新的时代。他说:“我们可以设想一下,一旦这项技术得到广泛应用,将带来怎样的未来前景,但这恐怕也会在社会中引起争议——比如,您打算怎样对待自己的大脑?”
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。