超越說話同書寫：AI 可唔可以令人類以高速交換思想？

關於 artificial intelligence、brain-computer interfaces 同人與人之間直接思想交流嘅科學研究

科學評論文章及建議研究框架 | 2026年11月

摘要

今日嘅現代電腦以難以想像嘅速度交換資訊。

一條普通嘅 Gigabit Ethernet 連接可以每秒傳輸十億個位元（1,000,000,000 bits）。先進嘅運算同 data-centre 技術仲要快好多倍。

但係人類嘅情況完全唔同。

時至今日，人哋主要都係用說話、書寫、手勢同身體動作，將自己嘅思想、概念、意見同感覺傳達俾其他人。

雖然人腦入面進行緊大量嘅神經資訊處理，但我哋將呢啲資訊以有意義嘅方式傳達俾另一個人嘅能力相對非常有限。

呢個情況帶出一個重要嘅科學問題。

利用 artificial intelligence 同神經技術，人哋可唔可以唔靠說話或者書寫，直接、準確噉以高速交換佢哋嘅思想同概念？

呢篇文章探討人類資訊傳遞嘅速度、解讀大腦神經訊號嘅技術、brain-computer interfaces、brain-to-brain communication，以及截至2026年11月嘅科學進展。

文章仲提出一個新嘅研究框架，借助 artificial intelligence 高速交換人類嘅思想同意圖。

呢項研究嘅根本目標唔係淨係傳輸更多數碼數據。

佢嘅核心目的係探索一種新溝通方式嘅科學可行性：將一個人想表達嘅真正意思，用更少時間、以更高準確度傳達俾其他人。

1. 引言：人類溝通中嘅速度障礙

試諗下兩部連接到現代電腦網絡嘅電腦。

佢哋可以將非常大量嘅資訊轉換成 electrical signals，喺幾毫秒之內交換。

而家試諗下兩個人交換一個複雜嘅概念。

第一個人要先喺腦海入面形成一個概念。

然後佢要將呢個概念轉換成語言。

佢要揀啱嘅字眼。

佢要將呢啲字眼排成一句正確嘅句子。

咁樣佢先至可以講或者寫出嚟。

同樣，第二個人要聽到或者讀到呢啲字。然後佢要明白佢哋嘅意思，搞清楚第一個人其實想講咩。

呢個過程嘅每個階段都需要時間。

喺某啲場合可能會產生誤解。咁個概念就要再解釋一次。

呢度嘅重要問題唔係人腦運作得慢。

而係人腦入面進行嘅神經資訊處理，同呢啲資訊可以傳達俾其他人嘅速度之間，存在一個明顯嘅差距。

Coupé 同佢嘅同事喺2019年發表喺 Science Advances 期刊嘅研究，研究咗17種語言，估計人類口語嘅資訊傳遞率平均大約係每秒39位元 [1]。

喺另一項重要研究入面，Zheng 同 Meister 估計人類行為資訊處理嘅速度大約係每秒10位元。嗰項研究喺2024年喺網上發表，並喺2025年刊登喺 Neuron 期刊 [2]。

呢兩項研究量度嘅係唔同類型嘅資訊處理。所以兩個數字唔可以互換使用。

佢哋亦都唔係人腦整體神經處理能力嘅最終量度。

不過，佢哋顯示人類有意識嘅行為同溝通嘅資訊速率，遠低於好多電子系統嘅數據傳輸率。

呢個差異構成我哋新研究嘅基礎。

2. 電腦嘅數據傳輸速度同人類嘅溝通速度

電腦將資訊轉換成數碼形式，按照既定嘅 communication protocols 交換。

例如：

• 每秒1吉比特（1 Gbps）= 每秒1,000,000,000位元。

• 10 Gbps = 每秒100億位元。

• 100 Gbps = 每秒1000億位元。

• 800 Gbps = 每秒8000億位元。

呢啲數字描述嘅係電腦網絡嘅資訊傳輸能力。

但係佢哋冇講到電腦有幾快明白緊傳送緊嘅資訊嘅真正意思。

人類溝通完全唔同。

喺人與人之間嘅交流入面，最重要嘅唔單止係資訊嘅數量，而係佢嘅意思。

例如，一個人可能用幾個字就清楚表達一個非常複雜嘅決定。

另一個人可能要幾段文字先解釋到同一個概念。

所以喺比較電腦嘅數據傳輸速度同人類嘅溝通速度嗰陣，需要非常嘅科學謹慎。

一部電腦可能每秒傳輸十億位元。

但係咁唔代表佢明白嗰啲資訊嘅意思。

與此同時，一個人可能只用幾個字就將一個深刻嘅概念傳達俾另一個人。

所以我哋研究嘅目標唔係將人腦變成一個吉比特電腦網絡。

而係我哋嘅目標係提高有意義嘅思想同概念喺人與人之間交換嘅速度，並且要俾人正確理解。

呢個係呢項研究最重要嘅科學基礎。

3. 科學迄今取得嘅進展

3.1 Brain-Computer Interfaces

Brain-computer interface，簡稱 BCI，係一種喺人腦神經活動同外部電腦系統之間建立連接嘅技術。

利用呢種技術，從大腦獲得嘅訊號可以由電腦分析。

記錄大腦活動有兩種主要方法。

第一，例如 EEG 呢類唔使做手術就記錄大腦電活動嘅方法。

第二，通過手術植入大腦嘅 electrodes 嘅方法。

Artificial intelligence 模型分析呢啲神經訊號，嘗試識別一個人打算做嘅動作、想表達嘅字詞，或者溝通指令。

Willett 同佢嘅同事喺2023年8月發表喺 Nature 期刊嘅研究，係呢個領域嘅一項重要進展。

嗰項工作創造咗一種技術，將一個人嘗試講嘢嗰陣產生嘅神經活動轉換成文字。

參與者能夠以大約每分鐘62個字嘅速度溝通。

喺50個字嘅受限詞彙下，字詞錯誤率係9.1%；喺125,000個字嘅大型詞彙下係23.8% [3]。

呢項研究證明咗，當一個人嘗試講嘢嗰陣產生嘅大腦訊號，可以用嚟比較快速噉溝通。

但係呢個系統唔係一種可以自由讀取一個人腦海入面出現嘅每個諗法嘅技術。

佢識別嘅係同嘗試講嘢相關嘅神經活動。

3.2 直接從大腦訊號生成語音

呢個領域喺2025年有咗更多值得注意嘅進展。

Littlejohn 同佢嘅同事創造咗一種技術，以80毫秒嘅間隔處理來自人腦嘅訊號，並借助 artificial intelligence 將佢哋轉換成語音 [4]。

喺另一項研究入面，Wairagkar 同佢嘅同事描述咗一種方法，利用大腦嘅神經訊號實時產生富於表現力嘅合成語音。

嗰項研究嘅參與者仲能夠喺一定程度上控制語音語調 intonation 等表現元素 [5]。

呢個係一個非常重要嘅進展。

人類溝通唔單止係字詞嘅交換。

我哋講嘢嘅速度、語氣、情感表達同埋強調字眼嘅方式，全部都揭示一個概念嘅真正意思。

呢啲研究證明咗從神經訊號重建自然人類語音嘅可行性。

不過，佢哋仍然係喺特定研究環境入面使用嘅實驗性技術。

3.3 長期實際應用：2026年嘅里程碑研究

喺2026年6月發表喺 Nature Medicine 期刊嘅一項研究，顯示咗 brain-computer interface 技術喺實際應用上嘅重要進展。

喺呢項 Card 同佢嘅同事嘅研究入面，一位患有嚴重運動麻痺（motor paralysis）嘅人借助植入式 interface 長時間獨立溝通。

喺接近兩年入面，佢喺屋企使用呢項技術超過3,800個鐘。

通過佢，佢傳達咗大約196萬個字同183,060個句子。

平均溝通速度大約係每分鐘56個字。

喺受控語音測試入面，字詞準確率超過99%。但係喺日常自然對話入面，呢個準確率唔係時時都一樣 [6]。

呢個差異非常重要。

一項技術喺實驗室運作良好係一種成就。

同一項技術喺人哋嘅日常生活入面長時間可靠運作係另一種成就。

喺我哋嘅高速人類思想交流研究入面，呢兩個方面都必須分別得到證明。

3.4 資訊可唔可以直接喺人腦之間交換？

關於 brain-to-brain communication，科學界都有啲早期嘅成功。

一個叫做 BrainNet 嘅研究喺2019年發表。

喺嗰項研究入面，三個人利用大腦訊號一齊玩一個簡單嘅遊戲。

頭兩個參與者嘅決定用 EEG 技術記錄落嚟。

嗰啲資訊通過一種叫做 Transcranial Magnetic Stimulation（TMS）嘅大腦刺激方法，以既定訊號嘅形式傳送俾第三個參與者。

有五個小組參加咗呢個實驗。

佢哋嘅平均表現準確率記錄為81.25% [7]。

呢項研究證明咗通過 neural interfaces 喺人腦之間傳遞某啲資訊嘅可行性。

3.5 偵測腦海中想像嘅說話

Kunz 同佢嘅同事喺2025年8月發表喺 Cell 期刊嘅研究顯示，當一個人喺腦海入面想像講嘢嗰陣產生嘅神經活動，可以被部分識別。

呢項研究嘅另一個重要方面係 mental privacy。

一個人唔想同其他人分享嘅私密內心言語，可能通過技術意外洩露嘅風險，都得到咗檢視。

此外，研究仲測試咗區分專登為溝通而產生嘅思想同私密心理活動嘅安全方法 [8]。

另一項喺2026年9月發表喺 Nature Neuroscience 期刊嘅研究，檢視咗想像言語同實際言語嘅神經活動入面嘅一啲共同結構 [9]。

呢啲發現可能喺未來為人哋創造機會，甚至唔使嘗試講嘢就可以傳達某啲資訊。

但係冇科學證據話，現有技術可以喺冇事先訓練或者合作嘅情況下，準確理解任何人腦海入面出現嘅每個諗法。

4. 建議嘅新研究概念

借助 Artificial Intelligence 嘅高速人類思想交流

Artificial Intelligence-Assisted High-Speed Thought Communication

呢項研究嘅核心目標：

探索一種技術嘅可行性：從大腦神經訊號入面識別人哋自願想傳達嘅思想同概念，將佢哋轉換成高效嘅數碼形式，傳遞俾另一個人，並令嗰個人準確理解概念嘅真正意思。

呢項研究將幾個科學領域結合埋一齊。

Brain-Computer Interfaces： 用嚟記錄同分析從人腦獲得嘅訊號。

Artificial Intelligence： 用於例如檢測神經訊號入面嘅模式、語言生成、理解概念同修正錯誤等任務。

Information Theory： 幫助以數學方式評估資訊可以有幾高效同準確噉傳輸。

Secure Digital Networking： 幫助將生成嘅資訊安全噉傳送到另一個電腦系統。

Brain stimulation 同神經技術： 可能有助探索未來將特定資訊直接傳遞俾接收者神經系統嘅可能性。為此，廣泛嘅醫學同科學測試係必須嘅。

呢項研究嘅重要機會可能在於創造一種方法，傳達一個人想表達嘅意思，而唔使生成同傳輸佢想講嘅每一個字。

例如，假設一個人噉樣諗：

「我同意呢個計劃。但係我想將實施佢推遲到下星期。」

未來嘅技術可能會嘗試識別呢個諗法入面嘅三個重要元素。

第一，同意個計劃。

第二，唔願意立即實施。

第三，請求推遲到下星期。

Artificial intelligence 可以識別呢啲基本意思，並構造一句另一個人可以明白嘅句子。

但係呢度有一個重要嘅挑戰。

淨係 artificial intelligence 生成嘅句子語言上優美係唔夠嘅。

佢必須唔經改變噉表達第一個人其實想傳達嘅概念。

呢個就係叫做 Semantic Communication 嘅概念嘅重要性。

5. 建議嘅技術框架

實施呢項研究嘅初步結構可以分為六個主要階段。

階段一：記錄大腦訊號

一個人喺完全同意嘅情況下，決定將資訊傳達俾另一個人。

喺嗰一刻，同佢刻意想表達嘅字詞、指令或者概念相關嘅大腦活動，會借助合適嘅 neural interface 記錄落嚟。

喺早期階段嘅研究入面，可以使用例如 EEG 等唔使做手術嘅方法，同已經發表嘅研究數據。

階段二：用 Artificial Intelligence 識別思想

記錄落嚟嘅大腦訊號由 machine-learning 模型分析。

目標係識別嗰個人刻意想傳達嘅資訊。

研究應該從識別少量字詞、指令或者概念開始。

只有喺嗰個基礎技術嘅準確性得到確認之後，工作先應該進入理解複雜思想嘅階段。

階段三：將思想轉換成以意思為本嘅數據

識別到嘅資訊借助 artificial intelligence 轉換成結構化嘅數碼形式。

呢個可以包括思想嘅主要概念、佢哋之間嘅關係、條件同估計嘅不確定性。

咁樣令到即使喺完整句子生成之前，都可以喺電腦系統入面表示資訊嘅基本意思。

階段四：安全嘅高速資訊傳輸

生成嘅數據通過一條安全、加密（encrypted）嘅數碼溝通渠道傳送到另一個系統。

喺呢個階段，電腦網絡嘅速度唔使係一個主要障礙。

今日嘅電腦網絡已經能夠以非常高速傳輸資訊。

相反，準確理解大腦訊號、生成正確嘅概念同減少成個過程所需嘅時間，可能係更困難嘅問題。

階段五：為接收者重建訊息

Artificial intelligence 將接收到嘅資訊轉換成另一個人可以明白嘅形式。

佢可以係文字、語音或者另一種合適嘅溝通形式。

接收者必須能夠明白資訊嘅意思、有疑問嗰陣要求澄清，同埋知道 artificial intelligence 估計入面嘅不確定性。

階段六：確認訊息已被理解

必須確認接收者已經正確理解咗個概念。

喺需要嘅地方，都必須提供要求澄清或者修正嘅功能。

如果未來要創造直接嘅 brain-to-brain communication，仲必須開發一種能夠將資訊傳遞俾接收者神經系統嘅獨立技術。

呢度要注意一個重要嘅區別。

將一個人嘅大腦訊號用電腦轉換成文字，然後俾另一個人喺螢幕上閱讀，係 brain-computer-human communication。

佢唔可以叫做完整嘅直接 brain-to-brain communication。

呢個區別喺研究嘅每個階段都必須清楚保持。

6. 呢項研究嘅核心科學假設

呢項研究嘅核心假設建議如下。

通過借助 artificial intelligence 識別人哋刻意想傳達嘅神經資訊，並將佢嘅意思轉換成高效嘅數碼形式，某啲概念可以用比說話或者書寫更少嘅時間傳達俾其他人，同時保持可接受嘅準確度。

呢個假設可以科學噉測試。

為此，同類嘅資訊可以通過普通說話、書寫同連接 artificial intelligence 嘅 neural interfaces 交換。

喺所有可能嘅地方，應該用相同嘅參與者同相同嘅資訊嚟比較結果。

以下嘅量度喺呢項研究入面好重要。

1. End-to-End Latency

從一個人開始傳達資訊到另一個人正確接收到嘅時間。

2. Effective Information-Transfer Rate

喺計及錯誤同修正之後，每秒正確傳輸咗幾多資訊嘅量度。

3. Semantic Fidelity

第一個人想傳達嘅概念同第二個人理解嘅概念之間意思上嘅相似度。

4. Error Rate

被錯誤識別嘅字詞、概念、關係同結論嘅數量。

5. Receiver Comprehension

量度接收到資訊嘅人係咪正確理解咗佢嘅真正意思。

6. User Effort

使用呢項技術所需嘅注意力、精神負擔或者疲勞、訓練同埋易用性。

7. Privacy Protection

監察用戶未授權嘅思想或者資訊係咪意外洩露。

唔可以淨係因為一項技術嘅網絡連接快，就話佢加速咗人與人之間嘅溝通。

同樣，artificial intelligence 好快生成一句句子，都唔係充分嘅證據。

必須量度完整嘅人對人溝通過程。

7. 建議嘅實驗研究計劃

呢項研究可以分三個主要階段進行。

第一階段：識別人類意圖

首先，必須研究人哋刻意想傳達嘅幾個特定概念，可唔可以從大腦訊號入面識別出嚟。

可以使用已經發表嘅 EEG datasets，或者喺適當同意同許可下進行嘅新研究。

例如，參與者可以嘗試傳達以下其中一個概念。

• 我同意。

• 我唔同意。

• 我需要幫助。

• 我需要進一步解釋。

可以用 machine-learning 模型嚟檢視同呢啲概念相關嘅大腦訊號係咪出現差異。

然後模型嘅表現必須用冇用喺訓練入面嘅數據、唔同嘅測試時段同獨立嘅參與者嚟評估。

呢個階段嘅重要問題：

可唔可以從大腦訊號入面可靠噉識別一個人想傳達嘅概念？

第二階段：借助 Artificial Intelligence 傳遞意思

然後可以嘗試借助 artificial intelligence，將第一階段識別到嘅資訊轉換成完整嘅概念。

呢度要比較三個方面。

第一，發送者其實想傳達嘅概念。

第二，artificial intelligence 重建嘅概念。

第三，接收到嗰啲資訊嘅人所理解嘅意思。

呢三樣嘢有幾準確噉對應，必須通過數學同統計方法嚟檢視。

最重要嘅係，當一個概念對 artificial intelligence 唔清晰嗰陣，佢必須表達佢嘅不確定性，而唔係生成錯誤嘅資訊。

呢個方法嘅表現必須同普通打字、說話同其他溝通方式比較。

第三階段：人與人之間嘅溝通

喺第三階段，可以喺兩個完全同意嘅參與者之間進行資訊傳遞實驗。

第一個人刻意嘗試通過大腦訊號傳達資訊。

Artificial intelligence 分析嗰個訊號，識別相關資訊並安全噉發送。

第二個人接收並理解嗰啲資訊。

然後量度完整溝通過程嘅速度、準確度同可靠性。

將資訊直接傳遞俾接收者嘅大腦，會係一個更先進同獨立嘅研究階段。

呢類嘗試需要神經專業知識、監管批准、醫療安全同嚴格嘅倫理控制。

所以喺早期階段嘅研究入面，應該優先證明 artificial intelligence 係咪可以改善人與人之間溝通嘅表現。

8. 科學挑戰同目前嘅局限

呢項研究有幾個重要嘅挑戰。

第一，唔係所有人嘅大腦都用相同嘅神經模式表示字詞同概念。

所以每個人可能都需要個人化嘅訓練或者模型調整。

第二，用例如 EEG 等唔使做手術嘅方法記錄嘅訊號，可能含有高水平嘅 noise 同干擾。

同植入大腦嘅 electrodes 相比，精細噉偵測某啲神經活動嘅能力亦可能較低。

第三，嘗試講嘢、喺腦海入面想像說話、打算表達一個概念同私底下自己諗嘢，唔係同一種神經活動。

呢啲必須分開研究。

第四，large language models 有時會根據佢哋可得嘅資訊，生成唔真實但睇落合理嘅句子。

喺人類思想交流技術入面，呢類錯誤可能變成一個非常大嘅問題。

同某人講一個人諗咗佢冇諗過嘅嘢，可能造成嚴重嘅誤解。

第五，科學研究嘅結果可以被其他研究人員重複，係非常重要嘅。

喺2026年發表喺 Journal of Neural Engineering 嘅一項研究顯示，重複識別想像言語嘅研究結果存在好多問題。

喺嗰項研究檢視嘅 speech-imagery datasets 入面，只有36%嘅參與者達到超過適當統計顯著性門檻嘅分類準確率 [10]。

呢個顯示咗喺呢個領域入面，獨立驗證、透明嘅研究方法同可靠嘅測試有幾咁重要。

最後，資訊傳輸速度唔係唯一嘅挑戰。

人類嘅注意力、記憶力、理解力同思維過程都扮演重要角色。

消除講嘢嘅需要，本身並唔會令形成或者理解一個複雜概念所需嘅時間完全消失。

基於目前嘅科學證據，唔可以話每一種人類思想都可以直接以吉比特速度傳輸。

將數碼數據傳輸速度同有意義嘅人類思想嘅傳遞速度當成同一回事，係科學上唔正確嘅做法。

9. 私隱、資訊安全同人權

解讀人腦神經訊號嘅技術，同時帶嚟非常重要嘅倫理責任。

喺普通嘅電腦系統入面，被處理嘅資訊係人哋自己輸入嘅資訊。

但係 neural interfaces 亦可能記錄到同一個人唔想同其他人分享嘅私密心理活動相關嘅訊號。

所以我哋研究最重要嘅基本原則必須係以下呢個。

只有一個人喺完全同意嘅情況下刻意想分享嘅資訊，先應該被識別同傳送俾其他人。

要將呢個原則付諸實踐，需要幾項安全安排。

用戶必須有明確嘅控制權去啟動溝通。

喺所有可能嘅地方，神經數據應該喺用戶自己嘅裝置上處理。

資訊必須以加密形式傳輸。

必須建立強大嘅安全系統，防止未經授權嘅人接觸大腦訊號。

必須避免長時間儲存唔必要嘅神經數據。

用戶必須有喺任何時候立即停止資訊傳輸嘅功能。

此外，必須講清楚，artificial intelligence 生成嘅概念唔係一個人腦海入面思想嘅百分百確定記錄。

佢哋係基於神經訊號生成嘅估計。

喺2025年11月，UNESCO 通過咗一項關於 neurotechnologies 倫理使用嘅國際建議 [11]。

嗰項建議重視精神私隱、人類尊嚴同負責任噉使用神經技術。

喺我哋嘅研究入面都一樣，私隱同倫理保障必須同技術發展一齊前進。

10. 呢項技術嘅未來應用

如果呢項研究成功，佢嘅早期益處可能會落到喺說話同身體活動方面面對嚴重困難嘅人身上。

特別係 brain-computer interfaces 可能為嗰啲因為運動麻痺同某啲神經系統疾病而無法溝通嘅人創造新機會。

呢類技術都可能用喺一啲特別情況，喺嗰啲情況通過說話或者身體動作溝通係困難嘅。

佢哋仲可以改善殘疾人士嘅 computing 無障礙程度。

長遠嚟講，呢項研究亦可能有助令到人與 artificial intelligence 系統之間嘅溝通更加有效率。

但係每種呢類應用嘅真正益處，必須逐一科學噉證明。

唔可以預先假設直接神經溝通喺所有情況下都會好過普通人類對話。

人類語言唔單止係一個傳輸資訊嘅緩慢工具。

佢仲執行好多重要功能：思考、推理、情感表達、澄清概念同建立人際關係。

所以新技術應該增強人哋嘅溝通能力，而唔係令佢哋失去人類語言嘅呢啲重要特質。

11. 呢項研究嘅科學貢獻同未來嘅路

呢項研究唔係基於「一種直接傳輸所有人類思想嘅技術已經存在」呢個假設而提出。

相反，佢係作為一個科學研究框架而提出，將大腦訊號識別、借助 artificial intelligence 理解概念嘅意思、量度資訊傳輸嘅表現同評估人哋嘅真正理解結合埋一齊。

佢嘅重要問題：

唔係可唔可以喺人腦入面創造一個電子網絡嘅全部數據傳輸能力。

重要嘅問題係，一個人喺腦海形成一個概念嘅一刻，同另一個人正確理解嗰個概念嘅一刻之間嘅時間，可唔可以縮短。

為此，必須研究借助 artificial intelligence 創造嘅以意思為本嘅資訊表示，同識別普通言語嘅神經技術相比，係咪提供額外嘅表現。

要話一項技術成功，淨係 artificial intelligence 生成優美嘅句子係唔夠嘅。

佢必須減少資訊傳輸所需嘅時間。

佢必須保護緊傳送緊嘅概念嘅真正意思。

佢必須將錯誤控制喺可接受嘅水平。

佢必須喺唔同嘅人同實際環境入面可靠運作。

呢啲條件必須通過科學實驗證明。

研究亦必須接受，某啲方法可能唔會比普通溝通表現得更好。

科學研究嘅真正價值唔單止在於證明一個預期嘅結果。

佢在於基於可靠嘅證據，發現個假設係啱定係錯。

12. 結論

喺過去幾十年，電腦數據傳輸技術進步咗好多。

今日，位於世界唔同地方嘅電腦以高速交換非常大量嘅資訊。

但係人與人之間嘅溝通仍然好大程度上依賴說話、書寫同其他身體表達形式。

近期嘅神經研究喺從大腦訊號重建語音、識別腦海中想像嘅說話，同喺大腦之間傳遞既定資訊方面，取得咗顯著嘅進展。

不過，一種能夠直接、準確噉以高速傳輸每一種人類思想嘅技術仲未出現。

佢仍然係一個有待解決嘅重大科學挑戰。

喺未來，artificial intelligence 同神經技術嘅結合可能創造新方法，縮短人哋表達思想所需嘅時間。

為此嘅實踐研究必須從人哋刻意嘗試傳達嘅神經訊號開始。

然後必須建立準確識別佢哋嘅模型。

跟住，必須評估資訊嘅真正意思有幾準確噉得到保護。

最後，必須科學噉證明呢項技術係咪真係改善人與人之間溝通嘅速度同表現。

只有咁樣，工作先可以向前邁進，走向例如完整直接 brain-to-brain communication 等更先進嘅技術。

我研究嘅最終目標

我研究嘅最終目標，係盡可能縮細一個人喺腦海形成一個諗法嘅速度，同另一個人準確理解嗰個諗法嘅真正意思嘅速度之間嘅差距。

為此，我提出嘅方法係將 artificial intelligence、brain-computer interfaces、neuroscience、information theory 同安全高速溝通技術結合埋一齊研究。

我哋嘅目標唔單止係以高速傳送更多數據。

我哋嘅目標係為一種新嘅溝通方式建立科學基礎：能夠喺唔改變人哋思想同概念嘅真正意思嘅情況下，安全、準確噉用最短嘅時間傳遞佢哋。

參考文獻

1. Coupé, C., Oh, Y. M., Dediu, D., & Pellegrino, F. (2019). Different languages, similar encoding efficiency: Comparable information rates across the human communicative niche. Science Advances, 5(9). https://doi.org/10.1126/sciadv.aaw2594
2. Zheng, J., & Meister, M. (2025). The unbearable slowness of being: Why do we live at 10 bits/s? Neuron, 113(2), 192–204. Published online: December 2024. https://doi.org/10.1016/j.neuron.2024.11.008
3. Willett, F. R., et al. (2023). A high-performance speech neuroprosthesis. Nature, 620, 1031–1036. https://doi.org/10.1038/s41586-023-06377-x
4. Littlejohn, K. T., et al. (2025). A streaming brain-to-voice neuroprosthesis to restore naturalistic communication. Nature Neuroscience, 28, 902–912. https://doi.org/10.1038/s41593-025-01905-6
5. Wairagkar, M., et al. (2025). An instantaneous voice-synthesis neuroprosthesis. Nature, 644, 145–152. https://doi.org/10.1038/s41586-025-09127-3
6. Card, N. S., et al. (2026). Long-term independent use of an intracortical brain–computer interface for speech and cursor control. Nature Medicine, 32, 2504–2510. https://doi.org/10.1038/s41591-026-04414-6
7. Jiang, L., et al. (2019). BrainNet: A Multi-Person Brain-to-Brain Interface for Direct Collaboration Between Brains. Scientific Reports, 9, Article 6115. https://doi.org/10.1038/s41598-019-41895-7
8. Kunz, E. M., et al. (2025). Inner speech in motor cortex and implications for speech neuroprostheses. Cell, 188(17), 4658–4673.e17. https://doi.org/10.1016/j.cell.2025.06.015
9. Zhao, Z., et al. (2026). A neural architecture for imagined and overt speech motor dynamics. Nature Neuroscience. https://doi.org/10.1038/s41593-026-02456-0
10. Tates, A., Matran-Fernandez, A., Halder, S., & Daly, I. (2026). Decoding speech imagery or just noise?: A symptom of the replicability crisis. Journal of Neural Engineering, 23(5). https://doi.org/10.1088/1741-2552/aea294
11. UNESCO. (2025). Recommendation on the Ethics of Neurotechnology. https://www.unesco.org/en/node/86248

By Keshavan Thiagaraja

Powered By K7