给记忆装一个"读写头"：BCI 与记忆研究的交汇|bci|fmri|电刺激|算法|脑活动

给记忆装一个“读写头”：BCI 与记忆研究的交汇

2018 年某天，费城一家医院里，一名癫痫患者躺在病床，电极贴片贴在颞叶内侧，正在做一项看起来挺无聊的任务——屏幕上闪过一串单词，他要努力记住。屏幕背后，一套闭环系统在做另一件事：实时读他的脑活动，判断“他现在有没有把词编进去”，一旦判定“没编好”，立刻给一下电刺激。结果是，他在该刺激时段记住的词比没刺激的明显更多。没有任何主观提示、没有任何“加油”指令，电极后端的算法悄悄把一段“失败中的记忆”给扶了起来。

这件事最让人着迷的不是“电刺激让人记性变好”，而是参与各方角色的微妙反转：算法在读，受试者在写，科学家在中间搭桥——一边观察记忆怎么形成，一边现场干预它怎么形成。这是脑机接口（BCI）第一次让记忆研究从“只能看见”变成“可以读写”。如果你做的是学习与记忆，这可能比任何一篇新 Nature 子刊都更值得你花十分钟。

一、记忆研究的天花板：相关到因果

过去几十年神经科学家把记忆的“硬件地图”画得越来越细：海马体把短期事件压缩进长期存储，内嗅皮层像一把梳子把时间序列梳理清楚，前额叶负责挑选什么值得记住，睡眠期间 sharp-wave ripples 反复重放白天事件……这些图谱让我们能说出“编码发生时脑看起来什么样”。

但“看起来什么样”和“让它真的发生”之间隔着一道墙。

经典手段 fMRI、EEG、单/多单位记录都是观测工具：你看到海马某个集群在编码期放电更猛，于是推断这群细胞参与了记忆。但你怎么证明“少了这群细胞记忆就崩”？光遗传在小鼠身上把这个问题推得很远——Tonegawa 实验室用 channelrhodopsin 在情景恐惧条件化之后重新激活“恐惧 engram 细胞”，动物会 freeze；抑制它们，记忆就像没存在过。但人是人，你没办法把病毒打到一个人类海马体里、精准把某一群 engram 细胞点亮。

在人身上做“因果测试”，传统武器少得可怜：

TMS
：空间精度毫米级，但穿透深度浅，只能打到皮层；
tDCS
：更弱，更弥散；
深部电刺激（DBS）
：在帕金森、强迫症里很成熟，但放在记忆上过去几乎没人敢长期做；
切除/损伤
：只能看被破坏之后剩什么，没法实时写。

BCI 提供的恰恰是这两件事的合并：既读又写。读，是从神经活动里实时解码“现在记忆处于什么状态”；写，是把电流送回特定脑区、在特定时间窗内“推它一把”。两者还能闭环——根据读到的状态决定写什么、写多少。这就把“因果”从相关性里拽了出来。

（注）
— 癫痫病人因诊断需要长期颅内电极植入，本来就在等发作；这群人成为首批“被读+被写”的人类受试者

二、“读”记忆：解码编码与提取状态

要写，先得读得好。BCI 给记忆研究的第一个礼物，是一个越来越稳定的“记忆状态机”。

我们都知道一个老经验：给被试看一张图，如果 3 秒后 ta 记得，那一帧图像在视觉皮层、海马、内嗅皮层引起的活动模式更“稳”、更“分化”——这是所谓的 neural differentiation 假说。但把这件事做成实时的、可用来触发刺激的解码器，是近十年才成熟的活儿。

Kahana 团队（Penn）多年来用颅内 EEG（iEEG）记录颞叶内侧和额叶，从单词列表任务里训练出相当不错的解码器：仅从刺激呈现后几百毫秒到一两秒内的高频活动（70–200 Hz 那段 power），就能预测“这个词会不会被记住”，准确率明显高于 chance。Ezzyat 等人 2018 年发表在 Nature Communications 的工作把这个解码器装进了闭环：每呈现一个词，算法实时看脑活动，若判定“编码不良”，立刻按该患者预先校准出的最优参数（频率在 10–200 Hz 间因人而异）给颞叶外侧短串刺激；结果显示闭环刺激时段回忆率显著上升。

ℹ️ 什么是“闭环刺激” 刺激不是按固定节奏给，而是由实时解码结果触发：只在系统判断“这个人现在没把信息编进去”的瞬间介入。刺激像外科手术一样精准。

读记忆不止读“编没编进去”。前沿团队已经在尝试解码更精细的状态：

提取时的内容
——给定一张图，让被试从脑活动里重建 ta 看到的视觉刺激（已有研究尝试从颅内电生理信号做粗粒度的视觉内容重建，但仍处于早期、样本量很小的阶段（具体作者与年份存在争议，建议自行核实））；
意图提取 vs. 不提取
——同一个 cue 出现时，“我在努力想”和“我没在回忆”对应不同的前额叶–海马耦合模式；
遗忘 vs. 干扰 vs. 消退
——同样是没记住，背后可能是不同神经机制，解码器若能区分，就能触发不同的写入策略。

这一层的真正价值是：记忆研究者手里第一次有了一个“心理状态读取器”，可以在毫秒尺度上知道大脑现在在做什么——这个时间分辨率，是 fMRI 给不了的。

三、“写”记忆：海马假体与闭环刺激

读得好是为了写得更准。BCI 在记忆写入上的故事，有两条主线。

海马记忆假体：MIMO 模型驱动 CA1/SUB 刺激

这条线最古老，也最接近科幻。Theodore Berger 在 USC 做了几十年的事，就是把海马体 CA3→CA1 这段环路看成一个输入-输出变换器——给定一段输入 spike 模式，经过 CA1 内部的突触权重，产出一段输出 spike 模式。如果你能测出这段变换的函数（“现在它是怎么变换的”），你就有了“它原本应该怎么变换”的参考。

他与合作者（包括 Robert Hampson、Sam Deadwyler 等）用了多年时间，在大鼠和猴上用电生理数据训练出一个多输入多输出（MIMO）非线性动力学模型，拟合 CA3→CA1 之间的突触变换。在动物模型上阻断这段环路原本会导致记忆缺失，但把模型实时跑起来、把模型预测的 CA1 输出以电刺激形式“代偿”回去，记忆表现能恢复到接近正常水平。

海马假体的核心逻辑

读 CA3、算 CA1、写 CA1
核心：用一个数学模型替代被损伤的突触变换，绕过病灶把“应该有的输出”补回去。

读：从 CA3（或 SUB）的实时 spike 模式读出输入
算：MIMO 模型给出 CA1 应当产出的模式
写：电刺激把“应当的模式”写进 CA1

2018 年前后，这套思路被推到了人身上——在癫痫病人长期植入电极的窗口里，研究者尝试用 MIMO 模型驱动的电刺激去增强编码或提取。早期结果里能看到情景记忆任务的改善，但样本量很小、效应量在不同被试之间差异显著。这不是“装个芯片就能让你变学神”的故事，而是一个可行性证明：在人脑上用模型替代一段内源性变换，是可以跑通的。

后续真正引人注目的是特异性问题——刺激到底影响了什么？是提高了编码效率？还是降低了提取阈值？还是改变了海马–皮层耦合？这些不是 BCI 单方面能回答的，必须和 fMRI、单单位记录、行为建模一起做。

Ezzyat-Kahana 的闭环颞叶刺激：另一种“写”

如果说 Berger 的路子是“在环路里插一段人造函数”，Ezzyat 和 Kahana 2018 年的工作走的是另一条：在外侧颞叶皮层上做解码驱动的刺激。

这套系统不依赖于你手里有一个 CA3→CA1 模型，而是依赖一个更朴素的事实：高频 gamma 活动的强度可以反映“编码是否成功”。他们把这条信号用作触发器：判断失败就给刺激。结果显示，被试在刺激 on 的 block 里能多记住不少单词。

≈15%
— 闭环刺激（颞叶外侧）相对未刺激条件的回忆概率相对提升（Ezzyat 2018, Nat Commun；odds ratio≈1.18）

这条线的优雅之处在于它的侵入性相对小、机制更可解释——外侧颞叶是皮层，不是海马深层结构，刺激影响的是皮层-海马回路的协调，而不只是海马内部。它的局限是：增强的幅度没那么戏剧化，且跨被试的解码器需要重新校准。

Suthana 的内嗅皮层刺激

另一支值得一提的工作来自 Suthana（UCLA）：他们把电极放到内嗅皮层（EC）——这条环路在空间记忆里特别关键，因为 grid cell、entorhinal-hippocampal 通讯都汇聚于此。在空间导航任务中，EC 刺激能改善后续的空间记忆表现。这条线和 Berger 的工作互为补充：一个写海马内部、一个写海马的输入端。

四、睡眠、可塑性与神经反馈

读写的边界并不止于清醒任务。睡眠是记忆巩固的主战场，BCI 在这里正在长出两条新枝。

闭环 TMR：定向记忆再激活

Targeted Memory Reactivation（TMR）的老套路是：学习时给被试闻一种气味或听一种声音，睡眠时再放同样的刺激，记忆会被优先巩固。问题在于：睡眠中什么时候放？随便放可能反而干扰。

闭环 TMR 把这件事精细化了——用 EEG 解码睡眠阶段（特别是 slow oscillation up-state、spindle 密度高时），只在“系统准备好接受重放”的瞬间给 cue。早期人类研究显示这样做对程序性记忆、单词列表都有正向作用。

ℹ️ 闭环 TMR 的关键刺激时机不是预设的，而是由实时脑状态决定的——只在脑“愿意听”的时候敲门。

神经反馈：让被试自己学会调自己的记忆状态

另一条更“软”的路：不给刺激，让被试看着自己海马或前额叶活动的实时可视化，去主动调节自己的脑状态。研究显示，多轮训练后被试能学会在编码期维持更有利于记忆的活动模式，行为上对应着回忆率提升。

这件事对记忆研究者意义特殊——它把“可塑性”作为一个工具反向输回给实验：被试在做 BCI 校准的同时，也在做一种元认知/注意力的训练，而这种训练会改变他们后续记忆任务的脑活动基线。换句话说，BCI 的训练本身会污染（或丰富）你的数据，这是一个必须显式处理的混淆变量，也是一个机会。

可塑性驱动的解码器漂移

值得一提的是一个让 BCI 工程师头疼、但让记忆研究者兴奋的现象：解码器会漂移。同一个被试，今天的解码器明天可能就不准了——因为突触可塑性每天都在改变神经群体的响应特性。工程师通常把这件事当作噪声要去除。

但你换个角度看：解码器漂移本身就是一种学习/记忆的指纹。如果你的解码器是基于某一群细胞的活动，那它的漂移速率反映了这群细胞在多大程度上被重塑、被新经验纳入。这给了记忆研究一种间接但可量化的窗口，去观察“一个内部表征在被使用之后变成什么”。

五、记忆增强的伦理与边界

读到这你应该已经感觉到一件事：BCI 不只是一种工具，它正在重新定义“记忆增强”这件事的可行性曲线。

几个绕不开的问题：

公平性
。能装颅内电极的人极其少，主要是癫痫和少数帕金森患者。任何基于这群人的解码模型，外推到健康人能不能用、效果如何，目前证据非常稀薄。
身份问题
。如果 BCI 能增强“我”对某个事件的记忆，那它增强的是事实还是植入？如果未来的记忆假体能修补遗忘，那修补掉的是不是创伤本身？
知情同意
。闭环刺激通常很难向被试解释清楚——被试本人可能根本感知不到刺激，这意味着他们对“自己记起来的”无法形成完整的认知控制。
数据隐私
。能解码记忆状态，离能解码记忆内容还差多远？今天答案是“差很多”；但 5 年前也没人能想到 LLM 能从一段文字重建 prompt。把脑数据视为最高级别的隐私，已经不是科幻而是工程需求。

这些问题不是 BCI 圈独有的焦虑，但记忆 BCI 让它们变得特别尖锐——因为记忆和“自我”的绑定最深。

六、给记忆研究者的真问题

如果你做学习与记忆，下面这几个问题可能比“BCI 准不准”更值得花时间。

三个还没答案的真问题

Engram 的可写性
核心：engram 的可写性、特异性、跨被试通用性，是 BCI 给记忆研究带来的全新实验维度。

一段 engram 是只能增强强度，还是能改变内容？
能否只增强“我想增强的那一段”，而不污染相邻记忆？
一个被试训练出的解码器，能否在另一个被试上用？

1. Engram 的可写性到底有多细？

目前绝大多数闭环刺激证据都集中在“提升回忆率”这种粗粒度行为指标。但一个 engram 内部是有结构的——它有时间成分、空间成分、情绪成分、语义成分。BCI 让我们有机会问：写一段记忆，能不能选择性地增强某一个成分、压制另一个？这是任何非侵入手段都回答不了的问题。

2. 增强的特异性

小鼠光遗传工作已经显示，激活错误的 engram 细胞会让动物做出错误记忆甚至虚假记忆。人类 BCI 是否会引入类似的人工偏差？比如我刺激一个被试想增强“昨天吃了什么”，结果他开始把昨天的早饭和上周的早饭混起来——这种记忆融合目前几乎没有被系统研究过。

3. 跨被试通用解码器

运动 BCI 已经在做这件事：用一个大型数据集训练通用模型，再用少量被试数据微调。记忆 BCI 还远远做不到——因为每个人的海马表征是高度个人化的，engram 的位置、频率特征、时序关系都不一样。要不要做、能不能做、值不值得做，是开放问题。

结语

BCI 给记忆研究带来的，与其说是“黑科技加持”，不如说是一次实验范式的位移——从“看着脑问它为什么记”，变成“边看边推边问”。在这种范式下，记忆研究者不再是 fMRI 时间分辨率的囚徒，也不再被相关性研究的天花板压着；你可以让大脑进入一个本来进不去的状态，然后观察它怎么回来。

这套能力一旦铺开，最先被改写的可能不是“治疗失忆”，而是我们对“记忆是什么”的基本看法——它到底是静态痕迹，还是可重写、可增强、可擦除的过程？BCI 给了我们一个非常具体的工具去回答这个问题。

如果你正好做学习与记忆、engram、巩固、睡眠，或者在做人类颅内电生理——这一波技术浪潮值得你认真看一眼。我们后续会持续跟进 BCI 与认知神经科学的交叉进展，包括解码器架构、闭环范式、以及伦理框架的演化。欢迎关注本号，别错过下一期。

资料来源：

Ezzyat Y, et al. Nature Communications, 2018. 闭环颞叶刺激增强人类情景记忆编码。
Suthana N, et al. New England Journal of Medicine, 2012。内嗅皮层深部脑刺激改善人类空间记忆（相关后续工作见 Neuron 等）。
Berger T, Hampson R, et al. Journal of Neural Engineering / Neural Computation 系列。MIMO 模型驱动海马假体在人/动物上的工作。
Kahana M 团队关于 iEEG 记忆解码的系列研究（建议核对具体年份与期刊）。
Tonegawa 实验室 engram 操控工作（Nature/Science 2010s）。
关于 TMR 与闭环睡眠刺激的近期文献（建议核对）。
部分跨被试通用 BCI 解码器的工作（如 Willett 等，关于运动 BCI；记忆领域目前仍以单被试为主）。