贝内特现年68岁。他以前是人力资源总监。他曾经是一名马术运动员，每天慢跑。2012年，她被诊断患有肌萎缩性侧索硬化症，这是一种进行性神经退行性疾病，会攻击控制运动的神经元，导致虚弱并最终瘫痪。

& ldquo一想到ALS就会想到胳膊腿的影响，& rdquo贝内特在接受采访时通过电子邮件写道。& ldquo但是在一群ALS患者中，一切都是从言语困难开始的。我不能说话。& rdquo

通常，ALS首先出现在身体的外围& mdash& mdash胳膊和腿，手和手指。对贝内特来说，恶化不是像通常那样从她的脊髓开始，而是从她的脑干开始。她仍然可以走动，穿衣服，用手指打字，尽管越来越困难。但是她再也不能用嘴唇、舌头、喉咙和下巴的肌肉清晰地发出音素(或声音单位，如& ldquosh & rdquo)，而这些都是言语的成分。

虽然贝内特的大脑仍然可以设定产生这些音素的方向，但她的肌肉无法执行这些命令。

研究人员没有训练人工智能识别整个单词，而是创建了一个从音素解码单词的系统。这些是语音子单元，它们形成口语单词的方式与字母形成书面语单词的方式相同。比如，& ldquo你好& rdquo包含四个音素:& ldquoHH & rdquo、& ldquo啊& rdquo、& ldquoL & rdquo还有& ldquoOW & rdquo。

使用这种方法，计算机只需学习39个音素就能读出英语中的任何单词。这不仅提高了系统的精度，而且速度提高了三倍。

2022年3月29日，斯坦福大学医学院的一名神经外科医生在贝内特大脑表面的两个不同区域放置了两个微型传感器，这两个区域都与语言产生有关。这些传感器是大脑皮层内脑-机接口(iBCI)的组成部分。结合最先进的解码软件，他们的目标是将伴随语音尝试的大脑活动转化为屏幕上的文字。

手术后大约一个月，斯坦福大学的一群科学家开始了每周两次的研究课程，训练软件翻译她的讲话。四个月后，班尼特尝试的单词以每分钟62个单词的速度被转换成计算机屏幕上的单词，这是之前BCI辅助交流记录的三倍多。

贝内特写道:& ldquo这些初步结果证明了这个概念，最终技术会赶上来，让不会说话的人变得容易。& rdquo& ldquo对于那些不能说话的人来说，这意味着他们可以与更广阔的世界保持联系，或许还可以继续工作，维持朋友和家人的关系。& rdquo

接近说话的速度

外科医生杰米& middot医学博士杰米·亨德森(Jaimie Henderson)说，贝内特的速度开始接近英语使用者自然对话的每分钟160个单词左右的速度。

亨德森说:我们已经证明，你可以通过记录大脑表面一个非常小的区域的活动来解码想要的语音。& rdquo

约翰、神经外科的让·布鲁姆-罗伯特和露丝·哈尔珀林·亨德森教授是一篇描述这些结果的论文的共同资深作者，这篇论文发表在8月23日的《自然》杂志上。

他的共同资深作者，电子工程和生物工程教授Krishna Shenoy博士，在该研究发表前去世。

弗兰克& middot弗兰克·威利特博士是霍华德·休斯医学研究所的科学家，该研究所隶属于亨德森和塞诺伊在2009年创立的神经修复和转化实验室。他和研究生艾琳& middotErin Kunz和Chaofei Fan是这项研究的共同作者。

2021年，亨德森、谢诺伊和威利特是发表在《自然》杂志上的一项研究的合著者，该研究描述了他们成功地利用iBCI将瘫痪者想象的手写内容转换成屏幕上的文本，速度达到每分钟90个字符或18个单词& mdash迄今为止，iBCI相关方法的世界纪录。

本研究中描述的设备仅授权用于研究目的，不得商业化。注册的临床试验是在BrainGate的支持下进行的，BrainGate是一个多机构联盟，致力于促进脑机接口在假肢应用中的使用。该研究的合著者和神经科学家Leigh Hochberg博士领导了马萨诸塞州总医院、布朗大学和弗吉尼亚州普罗维登斯医疗保健系统的研究人员。

指南pat & middotBennett的处方比吃几片阿司匹林早上给我打电话复杂多了。但是，四个婴儿阿司匹林大小的传感器被植入她的大脑，以解决这个问题，使她和其他...Pat & middot贝内特处方比率& ldquo吃点阿司匹林，早上给我打电话。比较复杂。但是，四个婴儿阿司匹林大小的传感器被植入她的大脑，以解决困扰她和其他人的问题:失去清晰说话的能力。这些设备将贝内特大脑中几个与语言相关的区域的信号传输到最先进的软件，该软件解码她的大脑活动，并将其转换为显示在计算机屏幕上的文本。

2021年，贝内特了解了亨德森和塞诺伊的工作。她联系了亨德森，自愿参加临床试验。

它是如何工作的？

亨德森植入贝内特大脑皮层(大脑最外层)的传感器是一个方形的微小硅电极阵列。每个阵列包含64个电极，排列成8x；8格，它们之间的距离大约是信用卡厚度的一半。电极穿透大脑皮层的深度大约等于两个堆叠深度的四分之一。

植入的阵列与细细的金线相连，金线通过用螺丝固定在头骨上的底座引出，再通过电缆与电脑相连。

人工智能算法接收并解码贝内特大脑发送的电子信息，最终教会自己区分与她试图用英语口语表达的39个音素中的每一个音素相关的不同大脑活动。

它将Bennett尝试的音素序列的最佳猜测输入到所谓的语言模型中，这本质上是一个复杂的自动纠正系统，将音素流转换为它们所代表的单词序列。

& ldquo这个系统经过训练，知道哪些单词应该出现在其他单词之前，哪些音素组成了哪些单词，& rdquo威利特解释道。& ldquo如果有些音位被曲解了，还是可以猜的很准的。& rdquo

熟能生巧

为了教会算法识别哪些大脑活动模式与哪些音素相关，贝内特训练了约25次，每次持续约4小时。在此期间，她试图重复从呼叫者的对话样本组成的大型数据集中随机选择的句子。

比如:& ldquo过去五年都是这样& rdquo另一个:& ldquo我中途离开了。& rdquo

当她试图背诵每一句话时，贝内特的大脑活动会被解码器翻译成音素流，然后被自动纠错系统组装成单词，显示在原内容下方的屏幕上。然后新的句子会出现在屏幕上。

贝内特在每次训练中会重复260到480个句子。随着对贝内特试图演讲时大脑活动的熟悉，整个系统不断改进。

在培训课程中使用的不同句子上测试iCBI的预期语音翻译能力。当句子和单词组合语言模型被限制在50个单词的词汇量时(在这种情况下，使用的句子是从一个特殊的列表中提取的)，翻译系统的错误率是9.1%。

当词汇量扩大到125000个单词(大到几乎可以组成你想说的任何东西)时，错误率上升到23.8% & mdash；& mdash离完美还很远，但相比之前的技术水平已经上了一个台阶。

& ldquo这是一个概念的科学证明，而不是人们在日常生活中可以使用的实际设备。& rdquo威利特说。& ldquo但是这对于恢复不能说话的瘫痪病人的快速交流是一个很大的进步。& rdquo

贝内特写道:& ldquo想象一下，当不会说话的人可以用语言表达自己的想法时，购物、赴约、点餐、去银行、打电话、表达爱或欣赏甚至争吵等日常活动将会有多么不同。& rdquo立即。& rdquo