人类-AI 协作：利用大型语言模型提升脑机接口与脑部研究
人机交互
2025-01-06 v1 人工智能
摘要
近年来，越来越多地将人工智能 (AI) 用于自动化研究过程，甚至自主完成从想法生成、数据分析到撰写和评估科学论文的整个研究周期。计算机科学任务和分子生物学实验室的工作 AI 系统实例已得到验证。虽然一些方法致力于实现科学 AI 的完全自主性，但另一些方法则更倾向于利用人类-AI 协作。本文聚焦于如何将此类方法应用于提升脑机接口 (BCI) 开发及广泛的脑部研究（神经科学）的进展。我们认为，当前以强烈重视人类-AI 协作为主要发展方向，将比完全自主的 AI BCI 研究员更具前景。我们提出了基于一组 Janusian 设计原则（同时面向人类和 AI 两侧）的协作工作区概念。基于这些原则，我们介绍了 ChatBCI——一个基于大型语言模型 (LLM) 的 Python 工具包，旨在为 BCI 研究与开发项目提供人机协作支持。我们展示了 ChatBCI 在实际 BCI 项目中成功应用于从 EEG 信号中提高运动想象解码精度。该方法可直接扩展至广泛的神经技术和神经科学领域，设计上有助于促进人类专家知识向科学 AI 系统的传递。
引用
@article{arxiv.2501.01451,
title = {Human-AI Teaming Using Large Language Models: Boosting Brain-Computer Interfacing (BCI) and Brain Research},
author = {Maryna Kapitonova and Tonio Ball},
journal= {arXiv preprint arXiv:2501.01451},
year = {2025}
}
备注
13 pages, 5 figures