超越言语与文字：人工智能能否让人类高速交流思想？

关于人工智能、脑机接口以及人与人之间直接思想交流的一项科学研究

科学综述文章及拟议研究框架 | 2026年11月

摘要

当今的现代计算机正以难以想象的速度交换信息。

一条普通的 Gigabit Ethernet 连接每秒可以传输十亿比特（1,000,000,000 比特）的数据。先进的计算和数据中心技术的运行速度还要快上许多倍。

但人类的情况则完全不同。

即使在今天，人们仍主要使用言语、文字、手势和身体动作来向他人传达自己的想法、观念、意见和感受。

尽管人脑中进行着海量的神经信息处理，但我们以有意义的方式将这些信息传递给他人的能力却相对非常有限。

这种情况提出了一个重要的科学问题。

借助人工智能和神经技术，人们能否在不借助言语或文字的情况下，直接、准确、高速地交流彼此的思想和观念？

本文考察了人类信息传输的速度、解读大脑神经信号的技术、脑机接口、脑对脑通信，以及截至2026年11月所取得的科学进展。

本文还提出了一个新的研究框架，借助人工智能实现人类思想和意图的高速交流。

这项研究的根本目的不仅仅是传输更多的数字数据。

其核心目的是探索一种新的通信方法的科学可行性，这种方法能把他者想要表达的内容的真实含义，以更短的时间、更高的准确性传递给他人。

1. 引言：人类交流中的速度障碍

考虑两台连接到现代计算机网络的计算机。

它们可以把非常大量的信息转换成电信号，并在几毫秒内完成交换。

现在考虑两个人在交流一个复杂的想法。

第一个人必须在头脑中形成一个想法。

然后他必须把这个想法转换成语言。

他必须选择合适的词语。

他必须把这些词语组织成一个正确的句子。

只有在这之后，他才能说出来或写下来。

同样，第二个人必须听到或读到这些词语。然后他必须理解其含义，并弄清楚第一个人真正想说什么。

这个过程的每个阶段都需要时间。

在某些情况下，可能会产生误解。于是这个想法必须再解释一遍。

这里的重要问题并不是人脑运转缓慢。

而是人脑中进行的神经信息处理与这些信息能够传递给他人的速度之间，存在着巨大的差距。

Coupé 及其同事2019年发表在 Science Advances 期刊上的一项研究调查了17种语言，估计人类口语的信息传输速率平均约为每秒39比特 [1]。

在另一项重要研究中，Zheng 和 Meister 估计人类行为信息处理的速率约为每秒10比特。该研究于2024年在线发表，并于2025年刊登在 Neuron 期刊上 [2]。

这两项研究测量的是不同类型的信息处理。因此这两个数字不能互换使用。

它们也不是人脑整体神经处理能力的最终测量值。

尽管如此，它们表明人类有意识行为和交流的信息速率远低于许多电子系统的数据传输速率。

这一差异构成了我们这项新研究的基础。

2. 计算机的数据传输速度与人类的交流速度

计算机把信息转换成数字形式，并按照既定的通信协议进行交换。

例如：

• 每秒1吉比特（1 Gbps）= 每秒1,000,000,000比特。

• 10 Gbps = 每秒100亿比特。

• 100 Gbps = 每秒1000亿比特。

• 800 Gbps = 每秒8000亿比特。

这些数字描述的是计算机网络的信息传输能力。

但它们并没有说明计算机理解所发送信息的真实含义有多快。

人类的交流则完全不同。

在人与人之间的交流中，最重要的不仅是信息量，还有信息的意义。

例如，一个人可以用几个词清楚地表达一个非常复杂的决定。

另一个人可能需要好几个段落才能解释同一个想法。

因此，在比较计算机的数据传输速度与人类的交流速度时，需要非常谨慎的科学态度。

计算机每秒可以传输十亿比特。

但这并不意味着它理解了这些信息的含义。

与此同时，一个人可以只用几个词就把一个深刻的想法传达给别人。

因此，我们研究的目标并不是把人脑变成一个吉比特级的计算机网络。

相反，我们的目标是提高有意义的思想和观念以被正确理解的方式在人们之间交流的速度。

这是本研究最重要的科学基础。

3. 科学迄今取得的进展

3.1 脑机接口

脑机接口，简称 BCI，是一种在人脑神经活动与外部计算机系统之间建立连接的技术。

利用这项技术，从大脑获得的信号可以由计算机进行分析。

记录大脑活动有两种主要途径。

第一，如 EEG 这样无需手术即可记录大脑电活动的方法。

第二，使用通过手术植入大脑的电极的方法。

人工智能模型分析这些神经信号，试图识别一个人打算执行的动作、想要表达的词语或通信指令。

Willett 及其同事2023年8月发表在 Nature 期刊上的研究是该领域的一项重要进展。

该研究创造了一种技术，可以把人试图说话时产生的神经活动转换成文字。

受试者能够以每分钟约62个词的速度进行交流。

在50个词的受限词汇量下，词错误率为9.1%；在125,000个词的大词汇量下，词错误率为23.8% [3]。

这项研究证明，人试图说话时产生的大脑信号可以用于相对快速的交流。

但该系统并不是一种能够自由读取人脑中浮现的每一个想法的技术。

它识别的是与说话尝试相关的神经活动。

3.2 直接从大脑信号生成语音

2025年，这一领域取得了更多显著的进展。

Littlejohn 及其同事创造了一种技术，以80毫秒为间隔处理人脑信号，并借助人工智能将其转换成语音 [4]。

在另一项研究中，Wairagkar 及其同事描述了一种利用大脑神经信号实时生成富有表现力的合成语音的方法。

该研究的受试者还能在一定程度上控制语音语调等表达性元素 [5]。

这是一个非常重要的进展。

人类的交流不仅仅是词语的交换。

我们说话的速度、声音的语调、情感的表达以及强调词语的方式，都揭示了一个想法的真实含义。

这些研究证明了从神经信号重建自然人类语音的可行性。

尽管如此，它们仍然是特定研究环境中使用的实验性技术。

3.3 长期实际应用：2026年的一项里程碑研究

2026年6月发表在 Nature Medicine 期刊上的一项研究展示了脑机接口技术实际应用的重要进展。

在 Card 及其同事的这项研究中，一位重度运动瘫痪患者借助植入式接口，在很长一段时间内独立地进行了交流。

在近两年的时间内，他在家中使用这项技术超过3,800小时。

通过它，他传达了约196万个单词和183,060个句子。

平均交流速度约为每分钟56个词。

在受控语音测试中，单词准确率超过99%。但在日常自然对话中，这一准确率并非始终如一 [6]。

这一差异非常重要。

一项技术在实验室中表现良好是一种成就。

同一项技术在人们的日常生活中长期可靠地运行则是另一种成就。

在我们的人类思想高速交流研究中，这两个方面也必须分别得到证明。

3.4 信息能否在人类大脑之间直接交换？

关于脑对脑通信，科学界也取得了一些早期的成功。

一项名为 BrainNet 的研究于2019年发表。

在这项研究中，三个人利用大脑信号合作完成一个简单的游戏。

前两名参与者的决定通过 EEG 技术记录下来。

这些信息通过一种称为 Transcranial Magnetic Stimulation（TMS）的大脑刺激方法，作为特定信号发送给第三名参与者。

五个小组参加了这项实验。

他们的平均表现准确率记录为81.25% [7]。

这项研究证明了通过神经接口在人类大脑之间传输某些信息的可行性。

但被传输的只是非常简单的决定。

复杂的思想、记忆或完整的想法并没有被直接传输。

因此，传输一个简单的二进制信息与把一个人的完整想法传给他人之间，存在着非常大的科学差异。

3.5 检测脑海中想象的语音

Kunz 及其同事2025年8月发表在 Cell 期刊上的一项研究表明，当一个人在脑海中想象说话时产生的神经活动可以被部分识别。

这项研究的另一个重要方面是精神隐私。

研究还考察了一个人的私密内心言语——他不愿与他人分享的部分——通过技术被意外泄露的风险。

此外，还测试了区分有意为交流而产生的想法与私密精神活动的安全方法 [8]。

2026年9月发表在 Nature Neuroscience 期刊上的另一项研究，考察了想象语音与出声语音的神经活动中的一些共同结构 [9]。

这些发现可能在未来为人们甚至无需尝试说话就能传达某些信息创造机会。

但没有科学证据表明，当前的技术能够在没有事先训练或配合的情况下，准确理解任何人脑中浮现的每一个想法。

4. 拟议的新研究概念

借助人工智能实现人类思想的高速交流

Artificial Intelligence-Assisted High-Speed Thought Communication

本研究的核心目标：

探索一种技术的可行性：从大脑的神经信号中识别人们自愿想要交流的思想和观念，将其转换成高效的数字形式，传输给另一个人，并使那个人能够准确理解该想法的真实含义。

本研究汇集了多个科学领域。

脑机接口： 用于记录和分析从人脑获得的信号。

人工智能： 用于神经信号的模式识别、语言生成、理解观念和纠正错误等任务。

信息论： 帮助从数学上评估信息传输的效率和准确性。

安全的数字网络： 帮助把生成的信息安全地发送到另一个计算机系统。

大脑刺激和神经技术： 可能有助于探索未来把特定信息直接传递给接收者神经系统的可能性。为此，广泛的医学和科学测试必不可少。

本研究的重要机会可能在于创造一种方法，传达一个人想要表达的内容的含义，而无需生成和传输他想说出的每一个词。

例如，假设一个人在想：

"我同意这个计划。但我想把它的实施推迟到下周。"

未来的技术可以尝试识别这个想法中的三个重要元素。

第一，对计划的同意。

第二，不愿立即实施。

第三，请求推迟到下周。

人工智能可以识别这些基本含义，并构造出另一个人能够理解的句子。

但这里有一个重要的挑战。

仅仅让人工智能生成的句子在语言上优美是不够的。

它必须原封不动地表达出第一个人真正想传达的想法。

这就是所谓 Semantic Communication 这一概念的重要性。

5. 拟议的技术框架

实施本研究的初始结构可以分为六个主要阶段。

阶段1：记录大脑信号

一个人在完全同意的情况下，决定向他人传达信息。

在那一刻，与其有意尝试表达的词语、指令或想法相关的大脑活动，借助合适的神经接口被记录下来。

在早期研究中，可以使用 EEG 等非手术方法和已发表的研究数据。

阶段2：用人工智能识别思想

记录的大脑信号由机器学习模型进行分析。

目标是识别这个人有意尝试传达的信息。

研究应从识别少量词语、指令或想法开始。

只有在确认了这项基础技术的准确性之后，工作才能转向理解复杂的思想。

阶段3：把思想转换成基于意义的数据

识别出的信息借助人工智能被转换成结构化的数字形式。

其中可以包括想法的主要观念、它们之间的关系、条件以及估计的不确定性。

这使得在生成完整句子之前，就能在计算机系统中表示信息的基本含义。

阶段4：安全的高速信息传输

生成的数据通过安全、加密的数字通信信道发送到另一个系统。

在这一阶段，计算机网络的速度不必是主要障碍。

当今的计算机网络已经能够以极高的速度传输信息。

相反，准确理解大脑信号、生成正确的想法以及减少整个过程所需的时间，可能是更困难的问题。

阶段5：为接收者重建信息

人工智能把接收到的信息转换成另一个人能够理解的形式。

它可以是文字、语音或其他合适的通信形式。

必须使接收者能够理解信息的含义，在有疑问时要求澄清，并了解人工智能估计中的不确定性。

阶段6：确认信息已被理解

必须确认接收者已经正确理解了这个想法。

必要时，还必须提供请求澄清或更正的途径。

如果未来要创建直接的脑对脑通信，还必须开发一种能够向接收者的神经系统传递信息的单独技术。

这里需要注意一个重要的区别。

把一个人的大脑信号通过计算机转换成文字，再让另一个人在屏幕上阅读，这是脑-计算机-人的通信。

它不能被称为完全的直接脑对脑通信。

这一区别必须在研究的每个阶段都保持清晰。

6. 本研究的核心科学假说

本研究的核心假说提出如下。

通过借助人工智能识别人们有意想要交流的神经信息，并把其含义转换成高效的数字形式，可以在保持可接受的准确性的同时，以比言语或文字更短的时间把某些想法传达给他人。

这一假说可以接受科学检验。

为此，可以通过普通言语、文字以及连接到人工智能的神经接口来交换同类的信息。

在可能的情况下，应使用相同的参与者和相同的信息来比较结果。

在本研究中，以下测量指标很重要。

1. 端到端延迟（End-to-End Latency）

从一个人开始传达信息到另一个人正确接收信息之间的时间。

2. 有效信息传输速率（Effective Information-Transfer Rate）

在考虑错误和更正之后，每秒正确传输了多少信息的度量。

3. 语义保真度（Semantic Fidelity）

第一个人想要传达的想法与第二个人所理解的想法之间的意义相似度。

4. 错误率（Error Rate）

被错误识别的词语、观念、关系和结论的数量。

5. 接收者理解度（Receiver Comprehension）

衡量接收信息的人是否正确理解了其真实含义的指标。

6. 用户负担（User Effort）

使用该技术所需的注意力、精神负担或疲劳、训练以及易用性。

7. 隐私保护（Privacy Protection）

监测用户未授权的思想或信息是否被意外泄露。

仅仅因为一项技术的网络连接速度快，就说它加快了人与人之间的交流，这是不成立的。

同样，人工智能生成句子很快这一事实也不是充分的证据。

必须测量完整的人对人交流过程。

7. 拟议的实验研究计划

本研究可以分三个主要阶段进行。

第一阶段：识别人类意图

首先，必须研究人们有意想要传达的几个特定想法能否从大脑信号中识别出来。

可以使用已发表的 EEG 数据集，或经适当同意和许可开展的新研究。

例如，参与者可以尝试传达以下想法之一。

• 我同意。

• 我不同意。

• 我需要帮助。

• 我需要进一步解释。

可以使用机器学习模型来检验与这些想法相关的大脑信号是否出现差异。

然后，必须使用未用于训练的数据、不同的测试场次和独立的参与者来评估模型的性能。

这一阶段的重要问题：

能否从大脑信号中可靠地识别出一个人想要传达的想法？

第二阶段：借助人工智能进行意义传输

然后可以尝试借助人工智能，把第一阶段识别出的信息转换成完整的想法。

这里必须比较三个方面。

第一，发送者真正想要传达的想法。

第二，人工智能重建的想法。

第三，接收到该信息的人所理解的含义。

这三者之间的吻合程度必须通过数学和统计方法进行研究。

最重要的是，当一个想法对人工智能来说不明确时，它必须表达自己的不确定性，而不是生成错误的信息。

该方法的性能必须与普通打字、语音和其他通信方式进行比较。

第三阶段：人与人之间的交流

在第三阶段，可以在完全同意参与的两名人员之间进行信息传输实验。

第一个人有意尝试通过大脑信号传达信息。

人工智能分析该信号，识别相关信息，并将其安全地发送。

第二个人接收并理解这些信息。

然后测量完整交流过程的速度、准确性和可靠性。

直接向接收者的大脑传递信息将是一个更高级、独立的研究阶段。

此类尝试需要神经专业知识、监管批准、医学安全和严格的伦理控制。

因此，在早期研究中，应优先证明人工智能能否改善人与人之间的交流性能。

8. 科学挑战与当前局限

本研究存在几个重要挑战。

第一，并非所有人的大脑都以相同的神经模式来表示词语和观念。

因此，每个人可能都需要个性化的训练或模型调整。

第二，通过 EEG 等非手术方法记录的信号可能含有较高水平的噪声和干扰。

与植入大脑的电极相比，精细检测某些类型神经活动的能力也可能较低。

第三，尝试说话、在脑海中想象语音、打算表达一个想法以及个人独自思考，并不是同一类型的神经活动。

这些必须分别研究。

第四，大型语言模型有时会基于所获得的信息，生成不真实但看似可信的句子。

在人类思想交流技术中，此类错误可能成为非常严重的问题。

把一个人没有想过的想法说成是他想过的，可能造成严重的误解。

第五，科学研究的结果能够被其他研究者重现非常重要。

2026年发表在 Journal of Neural Engineering 上的一项研究表明，在重现想象语音识别研究的结果方面存在许多问题。

在该研究考察的语音想象数据集中，只有36%的参与者达到了超过适当统计显著性阈值的分类准确率 [10]。

这说明在这一领域，独立验证、透明的研究方法和可靠的测试有多么重要。

最后，信息传输速度并不是唯一的挑战。

人类的注意力、记忆力、理解力和思维过程也发挥着重要作用。

仅仅消除说话的必要性，并不会让形成或理解一个复杂想法所需的时间完全消失。

基于当前的科学证据，不能说所有类型的人类思想都能以吉比特的速度直接传输。

把数字数据传输速度与有意义的人类思想传输速度视为同一回事，是一种科学上错误的做法。

9. 隐私、信息安全与人权

解读人脑神经信号的技术也带来了非常重要的伦理责任。

在普通计算机系统中，被处理的是人们自己输入的信息。

但神经接口也可能记录与一个人不愿与他人分享的私密精神活动相关的信号。

因此，我们研究最重要的基本原则必须是：

只有一个人在完全同意的情况下有意想要分享的信息，才应被识别并发送给他人。

为落实这一原则，需要多种安全措施。

用户必须拥有发起交流的明确控制权。

在可能的情况下，神经数据应在用户自己的设备上处理。

信息必须以加密形式传输。

必须建立强大的安全系统，防止未经授权的人访问大脑信号。

应避免长期存储不必要的神经数据。

用户必须能够随时立即停止信息传输。

此外，必须明确说明，人工智能生成的想法并不是一个人头脑中思想的百分之百确定的记录。

它们是基于神经信号生成的估计。

2025年11月，UNESCO 通过了一项关于神经技术伦理使用的国际建议书 [11]。

该建议书重视精神隐私、人类尊严以及神经技术的负责任使用。

在我们的研究中，隐私和伦理保障也必须与技术发展同步推进。

10. 该技术的未来应用

如果本研究取得成功，其早期收益可能会惠及那些在言语和身体活动方面面临严重困难的人。

特别是，脑机接口可能为因运动瘫痪和某些神经系统疾病而无法交流的人创造新的机会。

此类技术还可用于某些通过言语或身体动作难以交流的特殊场景。

它们还可以改善残障人士的计算机可访问性。

从长远来看，本研究还可能有助于使人类与人工智能系统之间的交流更加高效。

但每一种此类应用的真实收益都必须逐一得到科学证明。

不能事先假定直接神经通信在所有场景下都会优于普通的人类对话。

人类语言不仅仅是传输信息的缓慢工具。

它还承担着许多重要功能：思考、推理、情感表达、澄清想法以及建立人际关系。

因此，新技术应该增强人们的交流能力，而不是让人们失去人类语言的这些重要特质。

11. 本研究的科学贡献与未来路径

本研究并非基于"直接传输所有人类思想的技术已经被创造出来"这一假设而提出的。

相反，它是作为一个科学研究框架提出的，把大脑信号的识别、借助人工智能理解想法的含义、信息传输性能的测量以及人们真实理解程度的评估整合在一起。

其重要的问题：

不是能否在人脑内部创造出电子网络的全部数据传输能力。

重要的问题是，能否缩短从一个人在头脑中形成想法到另一个人正确理解这个想法之间的时间。

为此，必须研究借助人工智能创建的基于意义的信息表示，与识别普通语音的神经技术相比，是否能提供额外的性能。

要说一项技术是成功，仅仅让人工智能生成漂亮的句子是不够的。

它必须减少信息传输所需的时间。

它必须保护所发送想法的真实含义。

它必须把错误控制在可接受的水平。

它必须能在不同的人和实际环境中可靠地工作。

这些条件必须通过科学实验来证明。

研究还必须接受某些方法可能并不比普通交流表现更好的可能性。

科学研究的真正价值不仅在于证明预期的结果。

而在于根据可靠的证据，发现这个假说是对还是错。

12. 结论

在过去几十年里，计算机的数据传输技术取得了巨大的进步。

今天，位于世界不同地区的计算机正以高速交换着海量的信息。

但人与人之间的交流仍在很大程度上依赖于言语、文字和其他身体表达形式。

最近的神经研究在从大脑信号重建语音、识别脑海中想象的语音以及在大脑之间传输特定信息等领域取得了显著进展。

然而，能够直接、准确、高速地传输所有类型人类思想的技术尚未被创造出来。

它仍然是一个有待解决的重大科学挑战。

未来，人工智能和神经技术的融合可能创造出新的方法，缩短人们表达思想所需的时间。

这方面的实践研究必须从人们有意尝试传达的神经信号开始。

然后必须建立能够准确识别这些信号的模型。

接着，必须评估信息的真实含义被保护的准确程度。

最后，必须科学地证明这项技术是否真正改善了人与人之间交流的速度和性能。

只有在那之后，工作才能朝着完全直接的脑对脑通信等更先进的技术迈进。

我研究的最终目标

我研究的最终目标，是尽可能地缩小一个人在头脑中形成思想的速度与另一个人准确理解该思想真实含义的速度之间的差距。

为此，我提出的方法是把人工智能、脑机接口、神经科学、信息论和安全的高速通信技术结合起来进行研究。

我们的目标不仅仅是高速发送更多的数据。

我们的目标是为一种新的通信方法奠定科学基础，这种通信方法能够在不改变人们思想和观念真实含义的前提下，安全、准确、以最短的时间把它们传递出去。

参考文献

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