神经科学的临床落地：从脑信号到脑机接口的现实困境 主持人： 阿云 嘉宾： Joy（神经科学家，ICU重症脑损伤研究方向） 时间线 00:00 - 02:30 | 开场与嘉宾研究领域介绍 * 嘉宾Joy自我介绍：从事Neuroscience研究，目前专注ICU重症病人的ECoG（皮层脑电图）信号分析 * 研究核心：创伤性脑损伤（Traumatic Brain Injury）患者的癫痫监测与后续生活质量影响 * 学术背景：从认知神经心理学转向临床神经科学，曾研究"人类如何预判他人动作及脑区协调机制" 02:30 - 07:00 | 脑信号技术的"进度条"：从EEG到ECoG * 非侵入式EEG： 信号噪音大，易受头动、头发、颅骨、脑积液干扰 * 侵入式ECoG： 需开颅植入电极盘（如8×8=64通道或更高密度阵列），直接接触脑表面 * 治疗 vs 研究的应用差异： 研究场景： 可自由设计电极放置方案（如婴儿癫痫治疗中植入多个64×64阵列覆盖全脑） 治疗场景： 受限于急救时间窗口、人工植入成本、患者存活率（ICU重症病人50%以上存活率，但需争分夺秒） * 关键瓶颈： 重症病人脑损伤后常伴随脑积液和颅骨创伤，外部EEG信号质量极差，必须依赖侵入式监测 07:00 - 12:30 | AI在重症医疗中的真实角色：辅助工具而非决策者 * 现状： 所有医院都在使用AI大模型（如处理病历、整理数据），但仅限于"打杂"层面 * 核心局限： 医疗决策容错率极低，AI无法承担诊断和治疗责任（liability问题） * 临床现实： 医生太忙，无法自己跑模型、学编程、部署分析 AI可提供额外信号特征和数据分析，但每个病例差异极大，模型无法泛化 医生最终仍需肉眼确认、结合经验判断，AI只是"节省时间的工具" * Joy的感受： 做模型的人常跑出自嗨的高准确率，医生反馈"这10个病人很好，但第11个病人完全没用" 12:30 - 18:00 | 硅谷脑机接口公司的泡沫与 reality check * 两类公司对比： "无成本"产品派（如Elon Musk的Neuralink早期方向）： 主打可穿戴、非侵入、家用试错（治疗慢性疼痛、帕金森），售价<2万美元，监管宽松（类似Apple Watch），靠烧钱营销，但科学基础薄弱 "有成本"临床派： 做侵入式植入、FDA临床试验、严格监管，有实际疗效但投入巨大、回报周期长 * Joy的批判性思考： 许多公司声称"AI+大模型"能 revolutionize 脑疾病诊断，但重症ICU与慢性病（帕金森、老年痴呆）是完全不同的场景 帕金森患者不会进ICU，ICU患者是"马上要死的人"，技术路径和商业模式不可混为一谈 关键验证标准： 看公司是否做Clinical Trial，是否通过FDA医疗器械认证——否则只是"带在头上的VR玩具" 18:00 - 25:00 | 脑机接口的终极难题：身体协调 vs 机械简化 * Elon Musk的认知盲区： 只看到"手指抓握"的机械动作，忽视了小臂、大臂、肩部、核心肌群的协调，以及实时反馈（real-time feedback）的神经计算 * 神经科学视角的复杂性： 人类婴儿需5年以上学习精细动作，通过无数次试错建立神经映射 成人每个动作都涉及：意图规划（intention）→ 环境判断 → 姿势选择 → 实时调整 → 触觉反馈 机器人"一边伸一边计算"的动态反馈机制，研究难度极高（Joy曾想做该方向研究，发现领域内几乎无人涉足） * 当前demo的局限： Neuralink展示的"机械臂抓握"可能力度过大、缺乏微操精度，离"恢复正常人功能"距离遥远 25:00 - 32:00 | 神经科学的学科定位：从基础研究到临床转化 * Neural Science vs Brain Science： 日常混用，若严格区分，Brain Science更聚焦脑实质（排除脑膜、颅骨），Neural Science范围更广（含外周神经） * Joy转型心路： 纯基础研究（认知神经心理学）：依赖"讲故事"、哲学思辨，缺乏直接验证，"太虚" 临床转化研究：直接看到对病人的影响，有实际价值，但需掌握影像技术（fMRI、DTI等）与信号处理 * 未来方向： 多模态影像融合诊断平台（multimodality imaging assessment），整合ECoG、fMRI、DTI等多种数据源，帮助医生综合判断 32:00 - 38:00 | 非侵入式技术的硬伤：分辨率与噪音的永恒trade-off * fMRI： 空间分辨率极高（10万体素），但时间延迟7-12秒（依赖血氧动力学响应） * EEG/ECoG： 时间分辨率极高（每秒200-2000采样点），但空间分辨率受限 * Functional Ultrasound： 便携、可穿戴、非侵入，但空间分辨率低，只能判断"联合脑区"活动，无法定位具体功能区域 * 核心矛盾： 非侵入式设备永远无法解决噪音问题（头发移动、头皮干扰），侵入式才能获取干净信号，但代价是手术风险 38:00 - 42:30 | 个人驱动力与"北极星产品"的演变 * 最初的愿景： VR+可穿戴神经反馈设备，用于技能训练（运动、游戏），实现"身临其境"的虚拟体验 * 放弃原因： 发现缺失"社交互动"维度——人类学习本质是为了与人连接，而非单纯优化个体体验 * 转向临床的契机： 经济下行期，"治病"比"享乐"更有支付意愿；希望用神经科学基础+影像技术，打造多模态诊断平台 * 终极愿景： 整合ECoG、fMRI、DTI等多源数据的诊断工具，成为医生决策的"Excel级"辅助平台 42:30 - 45:00 | 结尾：神经科学的"看别人眼色"困境 * 资金驱动的现实： 神经科学发展依赖外部条件（GPU算力爆发、硅谷大佬兴趣、Elon Musk"用爱发电"），本身难以独立造血 * 学科特性： 需要基础科学与工程师紧密合作（如军方研究模式），但当前初创公司多为工程师主导、科学家辅助 * 务实选择： 先做临床积累设备经验，未来可能转向软硬件结合的神经反馈设备开发 核心观点摘录 "ICU里的重症病人是马上要死的人，帕金森患者是慢慢衰老的人——这两种'脑疾病'完全是不同的世界，不能混为一谈。" "做模型的人跑出个99%准确率很高兴，医生说：这10个病人很好，但第11个病人完全没用。每个病例都不一样，模型永远照顾不到。" "经济好的时候大家想做VR享乐，经济差的时候只想治病——我的'北极星产品'从'宅家神器'变成了'救命工具'。"

嘉宾： 阿蛋（硅谷大厂AI工程师） 时间线 00:00 - 01:25 | 开场与嘉宾介绍 * 节目试录第一期，介绍嘉宾阿蛋 * 阿蛋：硅谷大厂软件工程师，从事AI相关工作 01:25 - 03:00 | 进入AI行业的契机 * 高中时期受AlphaGo影响，意识到AI是未来的重要方向 * 自认"典型的理科生"，左脑发达，对理工科有天然兴趣 * 大学选择计算机专业，部分原因是家人建议"好找工作" 03:00 - 07:30 | AI行业的阶段判断：从萌芽期到平稳期/瓶颈期 * 萌芽期（约6年前-ChatGPT发布）： 从Google发布Transformer论文到ChatGPT问世，通过"堆算力"证明Transformer架构的可行性 * 当前阶段（平稳期/瓶颈期）： 仅靠堆算力和Attention架构难以实现AGI（强人工智能） 大语言模型的本质局限：只是"猜下一个词"的概率推测，缺乏真正的世界模型（World Model） 关键缺失：没有物理身体，无法感知重力、触感等真实物理定律 类比： 早期人类造飞机模仿鸟扇翅膀，最终成功依靠的是空气动力学理解——AI或许不需要像人脑一样工作才能达到AGI 07:30 - 12:00 | AI的能耗问题与落地局限 * 能耗效率极低：完成同样任务，AI消耗的能量可能是人类的数百倍 * 当前AI的"杀手级应用"局限： 只能替代"键盘前的工作"（程序员、金融分析师、Grammar纠错等） 具身智能（Embodied AI）仍面临巨大挑战：如手术机器人难以传递医生触觉反馈 缺乏通用性：能在机场做翻译，但无法同时处理称重、分拣、货币换算等复合任务 12:00 - 16:30 | AI的"幻觉"问题与可信任危机 * 核心问题： AI不知道自己不知道什么，会"胡言乱语"且不会承认无知 * 真实案例： 让ChatGPT和Gemini从网页引用段落写论文，两者均编造不存在的引文 被指出错误后道歉并重新生成——结果仍是新的编造内容 查询标普500过去一年收盘价，给出完全错误数据，纠正后依然错误 * 结论： 目前AI产出仍需专业人士校对，难以真正替代程序员等需要精确性的职业 16:30 - 20:30 | 从广告组到AI组：职业转组的心路历程 * 前职（广告组）： 节奏极慢，产品周期以年计，流程严谨但重复性高（"能想象接下来半年要做什么"） * 现职（AI组）： 像创业公司一样快节奏：快速测试想法、快速迭代，"Move fast, break things" 几乎无完整测试，直接上线验证 当前重点：多模态处理（音频、视频） * 转驱动机： 人生阶段变化——前几年侧重稳定、恋爱、旅行，现在希望在工作上"冲一冲" 20:30 - 24:30 | 工作意义与个人目标 * 对AI的"功利主义"态度： 不完全相信AI能造福社会，但担心"不学AI会被时代落下" * 现实考量： 积累经验有利于未来跳槽、拿更大包裹 * 未来想探索的方向： AI量化交易（"主要还是搞钱"） AI辅助创作（如写小说） 终极愿景：让每个人都能当自己的PM，一天内把想法实现成产品 24:30 - 26:30 | 结尾与彩蛋 * 人生是马拉松，需要"冲一冲、歇一歇" 核心观点摘录 "现在的AI就像一个没有身体的大脑，它能处理语言，但从未真正'感受'过苹果为什么从树上掉下来。" "AI不知道自己不知道什么——这是最可怕的地方。它会为了'讨好你'而编造答案，而不是说'我不知道'。" "如果继续用Transformer架构堆算力，AI的上限就是一个'低配版人脑'，而且是一个能耗高几百倍的低配版。" "程序员不会消失，只会从写代码的人变成'提示词工程师'——但前提是，你得懂代码才能验收AI写的东西对不对。"