第I部

信号

脳は読み取れるのか？

01BCIとは何か

「脳とは、いくつもの未踏の大陸と、果てしなく広がる未知の領域からなる世界である」 ――サンティアゴ・ラモン・イ・カハール（Santiago Ramón y Cajal）

ほとんどの人にとって、ChatGPTは驚きだった。その登場の3年前、AGI（汎用人工知能）¹はタブー視された話題で、SFを読みすぎた人が持ち出すものにすぎなかった。サンフランシスコとロンドンのごく狭いコミュニティを除けば、数年のうちに機械がほとんどのタスクで人間を上回るなど、馬鹿げた考えだとみなされていた。知的な機械と会話できるようになるまで、世界は数十年、あるいは数世紀かかると見込んでいた。

世界は間違っていた。

これほど大規模に皆が見誤った以上、せめて知的な謙虚さを持つべきだろう。ただし、なぜほぼ全員がLLMの到来を予見できなかったのかを問うだけでは足りない。自らに問うべきなのは、今日、私たちは何を同じくらい見誤っているのか？ということだ。明確な指数関数的軌道に乗っていながら、大半の人からSFだと片づけられている変革的な技術とは何か。

脳コンピュータインターフェースは、間違いなくその最有力候補だ。一般の人には難解すぎ、作るのは不可能に思え、意味のある成果が出るまで数十年かかると見られている。その一方で、データはまったく違う物語を語っている。

実際、BCIはまもなく世界を驚かせる。その影響は神経科学をはるかに超え、フロンティアAIにまで及ぶだろう。この技術がすぐそこまで来ていることに世界がそろって気づいていないぶん、衝撃はいっそう大きくなる。今後5年で、この分野は興味深い研究プロジェクトから技術フロンティアの中心へと躍り出る。

BCIの「ChatGPTの瞬間」は、もうあと数年先に迫っている。

では、BCIとは正確には何なのか。脳コンピュータインターフェース（BCI）とは、その名のとおり心がコンピュータと直接やりとりするための手段だ。手でタイプしたり声で話したりする代わりに、BCIシステムは脳が自然に発する信号を読み取り、それを直接デジタルのコマンドに変換する。思考と機械を隔てる物理的な障壁を取り払うのだ。

魔法やテレパシーのように聞こえるかもしれない（実際、多くの点でそのとおりだ）。だが驚くべきことに、これは実現できる。私たちはすでに、思考の力だけで言葉や画像、感情を機械に送ることができる。

この技術が秘めるより深い可能性は、ロボットやデジタルシステムをより速く操作できるようになること、そして思考と表現のあいだに重なる何層もの圧縮を取り除くことにある。それによって、生物であれ人工物であれ、心と心のあいだで、より豊かで忠実度の高いコミュニケーションが開かれる。

説明するのは簡単でも、BCIを作るのは実のところ途方もない難事業だ。この単純な前提の下には、膨大な複雑さが潜んでいる。人類は50年以上この問題に挑み続けてきた。そしてAIと同じく、数十年をかけて、歩みは遅くとも着実に積み重なる進歩を遂げてきた。

三つの道

人が「BCI」と言うとき、たいていは隣り合いながらもかなり異なる三つの技術のどれかを指している。その違いを説明するのに私が見つけたいちばん簡単な方法は、スタジアムのたとえだ。

サッカーの試合中、満員のスタジアムの外に立っているところを想像してほしい。観客が叫んでいる。何を言っているのかを知りたい。

スタジアムの外に立ったまま、壁にマイクを向けることはできる。何かは聞こえるだろう。だがその音はくぐもってぼやけ、最も大きく単純なパターンにかき消されている。これが非侵襲型BCIだ。脳でいえば、頭皮の上に置いたセンサーで、頭蓋骨越しに電気的、磁気的、あるいは血行動態的な活動を拾う方式にあたる。手術は不要で、消費者向け用途ならFDAの承認もいらない。理論上の利用者層は最も広いが、データのノイズも最も大きい。

あるいは、壁に穴を開け、内側の面にマイクをぴったり当てることもできる。信号は劇的にクリアになるが、それでも一人ひとりの声までは聞き分けられない。これが半侵襲型で、頭蓋骨の下に置くものの硬膜は貫かないデバイスを指す。すでに大規模に行われている外来処置（レーシック、人工内耳、ペースメーカー）に近い。この路線には規制対応と術後の回復室が必要になる。

あるいは、スタジアムの中に入り、特定の人の口元にマイクを置くこともできる。これが完全侵襲型で、電極を脳組織に直接埋め込む（Neuralinkが取り組んでいる方式だ）。得られる信号は最もクリアだが、道のりも最も長い。手術や規制が伴い、普及には世代単位の時間がかかる。

スタジアムのたとえ

ピンにカーソルを合わせる

phaselock.satpugnet.com

1非侵襲型

2半侵襲型

3完全侵襲型

1

非侵襲型

くぐもって不明瞭

2

半侵襲型

より鮮明だが、まだぼやける

3

完全侵襲型

一人ひとりの声がクリア

熱狂するスタジアムで、マイクを置ける場所は三つある。それぞれが異なるBCIの戦略を表している。

この三つの道が時間と労力に応じてどう進歩するかを追うと、どれもS字カーブを描く。進歩は初めゆっくりで、技術が成熟するにつれて急加速し、やがて物理的な天井に達して頭打ちになる。最も重要な指標は実用的な帯域幅だ。頭の中から有用な情報を実際にどれだけ引き出し、大規模に活用できるかを測る。

非侵襲型は外科医を必要としないため、今後数年でより速くスケールし、市場価値が成り立つ水準に届く可能性がある。ただし頭蓋骨が信号を遮るので、能力の天井は早めに訪れるかもしれない。完全侵襲型には理論上はるかに高い天井Physical Principles for Scalable Neural RecordingMarblestone, Zamft, Maguire, Shapiro, Cybulski, Glaser, Amodei, Stranges, Kalhor, Dalrymple, Seo, Alon, Maharbiz, Carmena, Rabaey, Boyden, Church, Kording · Frontiers in Computational Neuroscience · 2013大規模な神経記録に物理的に何が必要かを第一原理から分析した論文。読み出しを制約するのはトランスデューサーの感度ではなく、単位質量・電力・体積あたりの情報スループットだと示す。BCIのハードウェアを信号の純度の問題ではなく、スケーリングの問題として扱うための基礎文献。⁠▸がある。しかし、スケールし始める以前に、臨床規制と手術件数という重い床の下をまず這い進まなければならない。

重要なのは、どのカーブについても、天井がどこにあるのか現時点では実のところ誰にもわからないという点だ。可能性の上限にぶつかるほど高くは、まだ登っていない。そこに達するまでは、モダリティの違いは同じ問いの立て方の違いにすぎない。その問いとは、大規模に心を解読する最速の方法は何か、である。

もう一つ、区別しておくべき点がある。読み取りか、書き込みか。脳を読み取る（構造化された情報を引き出す）のは、脳に書き込む（意図や経験を入れ込む）よりも根本的にやさしい問題だ。頭蓋骨越しに、脳活動が落とす磁気・電気・血流動態の影をとらえるのは難しいが、手に負える。一方、頭の外から特定のニューロンや神経集団を刺激し、思考を乱すのではなく引き起こすほどの精度を出すのは、はるかに難しい。非侵襲で高い忠実度を実現するのは、端的に不可能なのかもしれない。

とはいえ、哲学がハードウェアを作ってくれるわけではない。重要なのはデータだ。では、非侵襲型BCIが今日実際に何をできるのかを見て、何が可能なのかを物理的な基準線から確かめよう。

02いま何が可能か

「高名だが年老いた科学者が何かを可能だと言うとき、その言葉はほぼ確実に正しい。何かを不可能だと言うとき、その言葉はおそらく間違っている」――アーサー・C・クラーク（Arthur C. Clarke）、第一法則、1962年

BCIの能力は、すでに大半の人の予想を超えている。ここ3年で起きた出来事を四つ紹介しよう。おそらくあなたは耳にしていないはずだ。

テキサス大学オースティン校のチームSemantic reconstruction of continuous language from non-invasive brain recordingsTang, LeBel, Jain, Huth · Nature Neuroscience · 2023GPTベースのデコーダを用い、非侵襲で計測した脳活動から、知覚した発話や想像した発話、さらには無音の映像の要旨まで再構成するfMRI言語デコーダ。手術なしでこの忠実度の連続した言語デコーディングを実現した初の例。⁠▸は、被験者をfMRIスキャナーに入れてポッドキャストを聞かせ、脳活動から文を再構成した。一文ずつ、音声ではなく意味そのものを取り出したのだ。声に出さない頭の中の語りでも同じことができる。文を思い浮かべるだけで、モデルがその言い換えを書き出す。²

タン：聞いた文と解読した文

左：被験者が聞いた内容。右：モデルがfMRIの活動から一語ずつ解読した内容。完全一致／要旨一致／誤りで色分け。出典：Tang et al., Nature Neuroscience 2023Semantic reconstruction of continuous language from non-invasive brain recordingsTang, LeBel, Jain, Huth · Nature Neuroscience · 2023ポッドキャストを聞く被験者のfMRI記録で学習したモデルが、声に出さない内言も含め、新しい文の意味を脳活動だけから再構成する。非侵襲の意味デコーディングを文レベルで説得力をもって示した初の例。⁠▸。

スタンフォード大学のチームHigh-performance brain-to-text communication via handwritingWillett, Avansino, Hochberg, Henderson, Shenoy · Nature · 2021運動野の活動から、想像上の手書きを毎分90文字でテキストに解読した皮質内BCI。スマホでの入力にほぼ匹敵する速度で、当時のコミュニケーション用BCIの記録となった。⁠▸は、麻痺のある人の微小電極アレイを運動野に埋め込み、手で文字を書くところを想像してもらって、毎分90文字でテキストを解読した。大半の人がスマホで打つよりも速い。（その2年ほど後にはカリフォルニア大学サンフランシスコ校（UCSF）のチームA high-performance neuroprosthesis for speech decodingMetzger, Littlejohn, Silva, Moses, Anumanchipalli, Chang · Nature · 2023麻痺のある参加者が話そうとしたときの皮質活動を、テキスト、合成音声、話すアバターへと解読した発話用の神経補綴。会話に近い速度に迫った。⁠▸も同等の速度に達し、意図した発話を皮質から直接解読している。）

プリンストン大学のチームMindEye: fMRI-to-Image with Contrastive Learning and Diffusion PriorsScotti, Banerjee, Goode, Shabalin, et al. · NeurIPS · 2023脳活動をCLIP空間に写像し、拡散モデルで描画することで、被験者が見た画像をfMRIから再構成する。非侵襲の信号から、写真に近い精度の再構成を実現した。⁠▸は、写真を見ている人のfMRI活動を記録し、神経活動と画像のペアで学習させた拡散モデルを使って、脳信号だけからその写真を再構成した。

MindEye：見た画像と再構成画像

クリックで拡大タップで拡大

見た画像再構成

見た画像再構成

見た画像再構成

見た画像再構成

見た画像再構成

クマ

見た画像

再構成

↔

← 前へ 1 / 15 次へ →

線をドラッグするか、矢印キーで操作。Escキーで閉じる。

各ペアの左は被験者が見た写真、右は写真の助けを一切借りず、脳活動だけから再構成した画像。出典：Scotti et al., MindEyeMindEye: fMRI-to-image with contrastive learningScotti, Banerjee, Goode, Shabalin, et al. · NeurIPS · 2023対照学習と拡散モデルを用いて、被験者が見た写真をその人のfMRI活動だけから再構成する。言語を扱ったTangらの研究の、視覚版にあたる。 2023⁠▸。

同済大学のチームNeuroClips: Towards High-fidelity and Smooth fMRI-to-Video ReconstructionGong, Bao, Zhang, Wan, Miao, et al. · NeurIPS · 2024被験者が自然な動画クリップを見ている間に記録したfMRIから、連続した動画を再構成する。キーフレームを担う意味の再構成器と、滑らかさを担う知覚の再構成器を組み合わせ、その出力を学習済みのテキスト動画生成拡散モデルに入力する。⁠▸は、同じ発想を静止画から動画へ広げた。被験者に短い動画を見せ、その動画を頭の中から解読したのだ。この流れを10年先まで延ばせば、いま思い浮かべた光景をスマートフォンがその場で映し出す未来も想像できる。

NeuroClips：見た動画と再構成動画

クリックで比較タップで比較

見た動画

再構成

飛行機

見た動画

再構成

街路

見た動画

再構成

被験者が見た映像と、モデルがその人の脳活動（fMRI）だけから再構成した映像。出典：Gong et al., NeurIPS 2024NeuroClips: Towards High-fidelity and Smooth fMRI-to-Video ReconstructionGong, Bao, Zhang, Wan, Miao, et al. · NeurIPS · 2024被験者が自然な動画クリップを見ている間に記録したfMRIから、連続した動画を再構成する。キーフレームを担う意味の再構成器と、滑らかさを担う知覚の再構成器を組み合わせ、その出力を学習済みのテキスト動画生成拡散モデルに入力する。⁠▸。

わずか数十時間分のスキャンデータから、人の頭の中にある映像を取り出せたのだ。いったいどうしてそんなことが可能なのか？衝撃的に聞こえるかもしれないが、これがこの分野の現状である。

もちろん、どの実証も単独では、この技術のスケールが容易だと証明するものではない（fMRIは家庭のリビングには持ち込めないし、侵襲型の微小電極アレイは健康な一般消費者には広がらない）。それでも、これらの実証はもっと根本的なことを示している。信号はそこにあり、データが十分にきれいなら、現代のモデルはそれを読み取れるということだ。しかも、これはもはや希望的観測ではない。査読を経て発表された実証である。どの実証も、同じ構造的な真実を指し示している。思考が信号に痕跡を残すなら、十分に大きなモデルはそれを見つけ出せる。

残る問いは、その信号のどれだけを、非侵襲で、大規模に、実生活の中で取り出せるかだ。

これらの例からわかるように、BCIの最前線の研究は、ごく小さなデータセットを使い、限られた領域で目覚ましい成果を上げている。本マニフェストの中心的な主張の一つは、BCIの分野が、AIが2017年に経験したのとまったく同じ相転移を迎えようとしているというものだ。人間の巧みな設計から、力任せのスケーリングへの移行である。LLMを生んだのと同じ構造的な転換が、BCIでも起きようとしている。

ただ、BCIをスケールさせる最も有望な道を検討する前に、人間と機械のコミュニケーションという文脈で論じておくべき、人体の重要な仕組みが一つある。BCIが役に立つために超えなければならない下限を定め、同時にAIと意思疎通する能力の自然な上限も定めているもの。末梢神経系のことだ。

03末梢神経系という基準

「手は精神の最先端である」 ――ジェイコブ・ブロノフスキー（Jacob Bronowski）『人間の進歩』（1973年）

末梢神経系は、機械とつながるうえでBCIが果たす役割とその限界を理解する鍵になる。

「末梢神経系」という大げさな言葉は、脳を外の世界とつなぐ生物学的なハードウェア、つまり目、耳、手、声帯などを指しているにすぎない。末梢神経系（PNS）は、脳が現実とやりとりするための経路だ。あなたの心がこれまで世界に及ぼしてきた影響は、どれも必ずまずここを通ってきた。

末梢神経系は、人間と機械のあいだで奇妙な位置を占めている。AIから見れば痛いほど狭いボトルネックであり、BCIから見れば並外れて有能な既存の担い手だ。

AIにとっては遅すぎる

AIの視点から見れば、あなたの末梢神経系は遅い。遅すぎるのだ。そしてこれが帯域幅問題³の前半をなす（残る半分は思考そのものの速さだ）。

実際、人間がこれまでに作ってきたコンピュータのインターフェースはすべて、二つのクロックのあいだに位置している（情報理論でいうクロックとは、システムが情報を処理する速さを決めるものだ）。生物のクロックと機械のクロックである。そして今や、人間のクロック速度はAIより遅い。現時点で、人間のクロックは困るほど遅い。話す速さは毎分約150語、タイピングは50語、読む速さはおそらく250語ほどだ。頭の中の思考は測りにくいが、おそらく毎分1,000〜4,000語に相当し、認知の非言語的な部分まで数えればはるかに多くなる。その一方で、AIの認知はそれより桁違いに速い。

コンピューティングの歴史の大半において、二つのクロックの差はたいして問題にならなかった。機械はキーボードで十分ついていけるほど遅く、人間は余裕をもって機械を制御できた。だがAIがそれを変えた。機械の能力はこの5年で桁違いに伸びたのに、インターフェースはいまだにキーボードを経由している。モデルは今や本を数秒で読み、数分で書き上げ、しかもさらに速くなる一方だ。ループの中でいちばん遅い部品は、ますます人間になってきた。私たちの認知の速度とインターフェースの帯域幅、その両方がボトルネックになりつつある。

たとえるなら、あなたが一語話すたびに10年が過ぎていく文明を導こうとするところを想像してほしい。10語の指示を受け取るのに、その文明では1世紀かかる。これが、いま浮かび上がりつつある人間とAIのインターフェースの問題だ。機械が膨大な推論を猛スピードでこなす一方で、人間の推論ははるか後方に置き去りにされ、意図は相変わらず発話やタイピング、クリックを通じて細々と流れ込むだけだ。

そこでニューロテクノロジーの出番になる。この差を縮める助けになるからだ。AIが考えることに長け、待つことが苦手になるほど、人間がAIと一緒に考えられるようにする価値は急速に高まる。直接の神経チャネルがあれば、多次元的な思考や感情を、情報の欠け落ちる逐次的な流れ、つまりタイプした言葉や話した言葉に圧縮する必要がなくなる。意図をフィルターを通さずにAIへ伝えられるようになり、究極的には、自分の認知のハードウェアを機械に見合うところまでアップグレードできる。

視野を広げれば、このずれは二つの知能が今や共進化していることから生じている。計算資源の伸びに合わせてスケールする機械の知能と、生物の速度でしかスケールしない人間の知能だ。これほど多くの面で私たちを凌ぐ新たな知能と共存するすべを学ぶのは、前例のない難題になる。AIは毎年、私たちが新たに作るベンチマークの大半を打ち破り、新しいスキルを獲得し、加速度的に自らを改良していく。人間をループの中にとどめたままこの移行をうまく乗り切る方法を見つけることは、根本的に未解決の問題であり、しかも難しい問題でもある。

BCIは、広がり続けるAIと人間のずれに対処するうえで決定的な道具になると期待されている。それはAIの能力を封じ込めるのではなく、人間の能力を高めることに焦点を当てた、私たちにとって唯一の道具だと言ってよい。現在、アラインメント⁴のコミュニティが手を伸ばしているてこの大半（解釈可能性、評価、ガバナンス、スケーラブルな監督）は防御的なものだ。AIの能力を遅らせるか、制約するか、制御するか、あるいは事後的に解釈しようとする⁵。そして長い目で見れば、機械の側が向上し続けるなかでループの人間側に意味を持たせ続けられるのは、人間の能力を引き上げるてこだけだ。だからこそBCI、さらに広くはニューロテクノロジーが、人間がループの中にとどまるあらゆる長期的な枠組みにとって根本的な柱になる。⁶

AIとBCIの収束については、このマニフェストの後半（第III部第III部衝突なぜBCIはAIにとって重要なのか？⁠▸と第IV部第IV部余波未来に何をもたらすのか？⁠▸）であらためて取り上げる。だがその前に、BCIの探究を続けよう。

BCIにとっては速すぎる

BCIの視点から見ると、あなたの指は数百ミリ秒で正確にキーを打てるし、舌とあごは約150wpmの速さで言葉を発する。したがって、手と口がまだ使える人にとってBCIが役に立つために越えるべき基準は、きわめて高い。BCIが意図を読み取れるだけでは足りない。手と口がすでにただでやっていることを上回るほど低い推論レイテンシと高い精度で、意図を読み取らなければならない。無声発話をテキストにデコードするのに800ミリ秒かかり、速度が10wpmなら、ユーザーはさっさと親指を使うだろう。

だからこそ、BCIの妥当なタイムラインはどれも二つの節目に分かれる。一つは「そもそもデコーディングは機能するのか」で、多くのタスクについてはすでにおおむねクリアしている。もう一つは「末梢神経系に障害のない人がお金を払うほどの水準で、デコーディングは機能するのか」だ。ここでは進歩が非線形になる。閾値付近でのわずかな忠実度の向上が、不釣り合いなほど大きな有用性をもたらすのだ。いちばんわかりやすいのは音声認識だろう。精度95%の文字起こしシステムは使い物にならないが、99.9%のシステムならどこでも使える。

同じ理由から、医療用途は越えるべき基準が最も低く、真っ先に突破される。重度の神経筋疾患（ALS、閉じ込め症候群、麻痺）を抱える患者には、競う相手となる健全な末梢神経系がない。こうした患者の役に立つための基準は、消費者向けの基準をはるかに下回る。身体的リスクへの許容度は高く、切迫度は絶対的だ。これまでに実際に機能したBCIのデモは、ほぼすべてがこの領域で行われてきた。

だが医療が届くのは数千人の患者にすぎない。数億人に届く唯一の道は、少なくとも短期的には、消費者向けの非侵襲型製品だ。非侵襲こそがスケールへの最短路である。

04スケールへの最短路

ここまで私は、侵襲型や半侵襲型よりも非侵襲型BCIに重点を置いてきた。それには理由がある。非侵襲型BCIには他の方式にない利点がいくつかあり、AIのスケーリングのパラダイムを適用する候補としてはるかに適している。最もクリーンな信号は脳の内部から得られるが、BCIをスケールさせる最短路は非侵襲型になる。

20年前の通説では、意味のある脳の読み取りには頭蓋骨の内側に入る必要があった。骨越しのSN比は、ほかの手段では低すぎると思われていたのだ。だからこそ、生き残った古参のBCI企業（Neuralink、Blackrock、Synchron、Paradromics、Precision Neuroscience）はみな最初から手術を選んだ。当時としては妥当な賭けだった。脳への書き込みについては、今も妥当だ。特定の神経回路に精密な活動パターンを送り込むには、侵襲型か半侵襲型でしか得られない解像度が要る。この10年のうちはその状況が変わらない。しかし読み取りについては、大規模言語モデルがゲームのルールを書き換えた。十分な量の生物学的ノイズで学習したモデルは、肉眼では見えなかった構造を引き出せる。雑然とした非侵襲の信号から認知の信号を取り出すコストは、桁違いに下がり続けている。頭蓋骨は今も信号を減衰させるが、大規模モデルは時とともにそれを透かして読むのがうまくなっていく。

だが侵襲型の信号が明らかに最もクリーンなら、なぜわざわざ非侵襲型に取り組むのか。分野全体として侵襲型の路線に賭ければよいのではないか？

理由はいくつかある。

第一に、手術は乗り越えるのが最も難しい制約だ。そもそも健康な人の大半は、必要のない脳手術を受けようと列をなしているわけではない。脳手術にはFDAの市販前承認（1機器あたり7〜10年と数千万ドルを要する規制上の経路）が必要になる。病院の調達サイクル（打診から最初の患者の手術予定まで18〜36カ月）も伴う。リスクを避けたがる保険の引受審査も通らなければならない。手術室の処理能力の上限もある。最大限のペースで進めても、一つの脳神経外科センターが行えるインプラント手術は年に数十件から多くて数百件程度だ⁷。最良のシナリオでさえ、完璧に機能する優れた侵襲型技術が届くのは数千人の患者にとどまる。同じ期間に、成功した非侵襲型製品なら数千万人に届きうる。

2026年5月時点で、長期留置型の侵襲型BCIを埋め込まれた人は世界で100人に満たない。その大半はNeuralinkとBlackrock/BrainGateによるもので、年間の増加数はいまも数十人単位だ。対照的に、非侵襲型の消費者向けBCIのユーザーはすでに100万人を超えている。Museだけで50万人超、Emotivは7万人超、BrainCoは数万人を報告しており、Neurable、NextSense、Metaがこの分野を広げている。

完全侵襲型のシステムは進歩を続け、いずれ脳への最も広帯域なチャネルを生み出すだろう。それがBCI分野の最終到達点であることは疑いない。だがそのタイムラインを決めるのは、物理学と生物学、そして医療界だ。

第二に、非侵襲型の限界はわかっていない。長期的には侵襲型BCIが最終的に優れているとわかっていても、非侵襲型の性能の天井がどこにあるかは見当もつかない。非侵襲型BCIについて科学的に誠実な立場をとるなら、どこまで良くなりうるかはわからない、と言うしかない。誰も大規模に限界を試していないからだ。非侵襲型へのもっともな反論はどれも頭蓋骨越しの信号品質を指摘するが、どれにも同じ穴がある。本質的に経験で確かめるべき問題を、理論物理の立場から論じているのだ。消費者向けの非侵襲型BCI機器は実現できないと、データに裏づけられた形で示した議論はひとつもない。もう少し踏み込んで調べた数少ない実験は、スケーリング則がいまも成り立っていることを示している。

第三に、実用的な非侵襲型BCIはフライホイール（好循環）効果を生む。どんなフロンティア技術でも、加速させる最速の方法は消費者向け製品を大規模に出荷することだ。AIの世界では、それがChatGPTだった。画期的な技術の最初の実用製品はフライホイールに火をつける。注目が生まれ、注目が資本を呼び、資本が人材を呼び、人材が次の改良版をつくる。だがフライホイールが回り始めるには最初のひと押しが要る。いま、BCIのフライホイールはほとんど止まっている。医療のデモと研究論文がいくつかあるだけで、本物の消費者向け機器はない。そして今後5年以内にそこへたどり着く唯一のチャンスは、非侵襲型にある。

テスラを例にとろう。Roadster⁸以前、電気自動車は異端のアイデアで、注目はわずか、資本はほぼ皆無だった。そこへテスラが、欠点はあっても実際に走るスポーツカーを出荷し、世界は初めて、電気自動車が実際に所有して運転できるものだと知った。世間の注目が移り、資本がそれに続いた。Model Sを生んだ1兆ドル規模のパイプラインも、その後10年のEV企業の勃興も、最初の素朴な一台がこのカテゴリーの存在を証明して初めて可能になった。BCIにとってのテスラの最初の一台がつくられるのは、非侵襲型の領域だ。実用的な消費者向け機器が登場したときに世間の認識が変わり、その変化が分野の残りの部分に資金をもたらす。

だが、頭蓋骨がただ厚すぎるとしたら？非侵襲型ハードウェアが消費者向けの基準を越えられるとは思えず、労力の無駄だと考えるなら、最悪のシナリオを検討してみればいい。この戦略にはリスクへの備えがある。

第一に、エンジニアリングは転用できる。いま構築されているデコーダのアーキテクチャ、データの規約、マルチモーダルなセンサー構成は、大部分がハードウェアに依存しない。半侵襲型や侵襲型のシステムにもそのまま移植できる。分野に入ってきた人材と資本は、分野にとどまる。第二に、データは資産になる。消費者向けの取り組みが行き詰まったとしても、マルチモーダルな神経データの大規模なコーパスは生まれうる。それは分野の他の部分にとって、なお並外れて価値のある資源になる。最悪のシナリオでも、非侵襲型の限界を押し広げれば分野全体が加速する。

BCIのフライホイールには、そもそも非侵襲技術で実際に使えるプロダクトを短期間で作れるという前提がある。この賭けの核心は、頭蓋骨越しでも脳から十分な信号が出ていて、有用な情報を非侵襲で解読できるという点にある。問われるのは、残った信号（頭蓋骨を通り抜け、体の動きに揺さぶられ、月曜の午後のけだるさを経て、別のユーザーに替わっても残る信号）に、より良いセンサーとより大きなモデルが大規模に意味を読み取れるだけの十分な情報が含まれているかどうかだ。

雑音の中から信号を読み取る

SN比 18%

埋没 · SN比15%

境界線上 · SN比40%

解読可能 · SN比75%

SN比がある下限を下回れば、脳は読み取れない。仮説は、思考を再構成できるだけの信号が残っているというものだ。この図は、SN比が上がるにつれて信号がしだいに解読しやすくなる様子を示している。

根本的な主張は、単に信号が存在するということではない。その信号のうち十分な部分が人やセッション、状況をまたいで安定しており、事前学習によって新しい脳を一つ学習するコストを償却できるということだ。これは理論の問題というより実証の問題に近い。非侵襲での脳情報デコーディングの限界はまだわかっていない。誰も大規模に負荷をかけて試したことがないからだ。物理法則が実際にどこまで許すのかは、検証のためのインフラを作って初めてわかる。2026年の時点で、非侵襲ハードウェアの本当の天井はまったくの未踏の領域だ。

こうして、消費者向けBCIが役に立ち、スケールしていくために越えるべき能力の基準が定まる。その基準を越えるための条件が、いま初めてそろいつつある。そして条件がそろっていく様子には、見覚えがある。

05なぜ今なのか

2018年、雨続きのロンドンの冬に、私は人生を変える一冊に出会った。『Life 3.0』⁹だ。好奇心から手に取っただけだったが、最後のページを閉じるころには、AGIへの移行はすでに始まっていると確信していた。それ以来、私はその確信を軸に人生の進路を切り替えることにした。

この10年、BCIを掘り下げるうちに、あのときと同じ「見覚えがある」という感覚がよみがえってきた。証拠はまだ研究室や計測方式ごとに散らばっていて、技術も一蹴できるほど粗削りに見える。それでも私は、能力が合意よりも速く積み上がると何が起こるかを見てきた。いまのBCIは、2018年のAIと同じように見える。過小評価されていて、見た目よりもずっと近くまで来ている。

8年の時差

少しAIのタイムラインを借りて言えば、BCIはAIからおよそ8年遅れており、成熟度は2017年のAIと同じ段階にある。2017年はトランスフォーマー・アーキテクチャ¹⁰が登場した年だ。GPT-2がスケーリング則を目に見える形にする2年前であり、ChatGPTがそれをほかの誰の目にも明らかにする5年前でもある。

両者の類似はタイミングだけにとどまらない。脳とAIは、その誕生のときから深く絡み合った歴史をたどってきた。AIはもともと私たち自身をモデルにして、より正確に言えば私たちの脳をモデルにしてつくられた。ニューロン、ニューラルネットワーク、シナプスの重み、学習といった概念は、どれも生物学からの借り物だ。AIはその構造に着想を得て、自らの土台を築いた。しかし、この流れはいま逆転しようとしている。次の飛躍のために、今度はBCIがAIから学ぶ番だ。具体的には、AIのスケーリングというパラダイムをBCIの分野に持ち込む。BCIにスケーリングを適用すればどれほど大きな影響が生まれるか、ほとんどの人はまだ気づいていない。ニューロテクノロジー分野の内部でさえ、かなりの部分がそうだ。だが、スケーリングはBCIにおいても主流の物語になろうとしている。

脳とパーセプトロンの比較

生物のニューロンと人工ニューロンを並べると、その類似は一目瞭然だ。

点火の条件

この分野には「BCIは30年前から『あと5年』と言われ続けている」というお決まりのジョークがある¹¹。だが、このジョークもついにネタ切れになるかもしれない。BCIをスケールさせる条件は、ここ数年で揃いつつある。具体的には次のとおりだ。

• AIモデルが十分に優秀になった。脳のデコーダの性能は、その背後にある基盤モデルの性能で決まる。2024年ごろまで、こうしたモデルは小さすぎるか用途が狭すぎて、生物学的なノイズから構造を引き出せなかった。今日のフロンティア級のモデルは、ようやくそれができるようになった。
• センサーが安くなった。EEG、fNIRS、sEMG、初の消費者向けOPM、超音波のフロントエンドは、いずれもスマートフォンやウェアラブル機器のコスト低下の波に乗って大幅に値下がりした。
• 脳情報デコーディングは、おもちゃの技術からスケール可能な技術へと卒業した。前の世代の研究は、カーソルを左へ、右へ動かす、1文字ずつ入力するといった単純な運動コマンドが限界だった。新しい世代は、文章や画像、音声を脳活動から直接読み取る。TangSemantic reconstruction of continuous language from non-invasive brain recordingsTang, LeBel, Jain, Huth · Nature Neuroscience · 2023ポッドキャストを聞く被験者のfMRI記録で学習したモデルが、脳活動だけから新しい文の意味を再構成する。声に出さない内言も対象になる。文レベルの非侵襲型の意味デコーディングを、初めて説得力のある形で示した研究。⁠▸、WillettHigh-performance brain-to-text communication via handwritingWillett, Avansino, Hochberg, Henderson, Shenoy · Nature · 2021麻痺のある被験者が手で文字を書くところを想像している間の皮質内記録からデコードし、毎分90文字で思考をテキストに変換した。後続の世代の音声デコーディング論文が土台にした、手書きイメージによる研究。⁠▸、MetzgerA high-performance neuroprosthesis for speech decoding and avatar controlMetzger, Littlejohn, Silva, Moses, Anumanchipalli, Chang · Nature · 2023皮質の信号からリアルタイムで発話をデコードし、デジタルアバターを通じて毎分78語で合成した。単一の皮質内インプラントから、発話・表情・声をまとめて再構成した初の実証。⁠▸、ScottiMindEye: fMRI-to-image with contrastive learningScotti, Banerjee, Goode, Shabalin, et al. · NeurIPS · 2023被験者が見た写真を、そのfMRI活動だけから再構成する。対照学習と拡散モデルを用いる。言語を扱ったTangの研究に対応する、視覚側の成果。⁠▸、そしてENIGMAENIGMA: a parameter-efficient EEG-to-image decoderAllJoined (Xu et al.) · NeurIPS 2025 Workshop従来のベースラインの1%未満のパラメータ数と、新しい被験者ごとに15分のキャリブレーションで、脳波から画像への最先端のデコーディングを実現した。Alljoined-1.6M（消費者向けグレード）とTHINGS-EEG2（研究用グレード）で学習。⁠▸系の研究が、それぞれ異なる角度からこの変化を示している。
• ようやく資金が集まるようになった。ニューロテックへのベンチャー投資は、2024年に23億ドル、2025年には約48億ドルに達した。民間資金の累計は、いまや米連邦政府によるBCI専用の資金の累計を上回る。VC、フロンティアラボ、各国政府は、そろってニューロテクノロジーへの投資を拡大させている。

BCIは何十年も科学の周縁にとどまってきたが、いまようやく変曲点に近づきつつある。センサー、基盤モデル、大規模な神経データの進歩によって、かつては空想科学の領分でしかなかったことが可能になり始めた。人間の思考が機械に対する生来のインターフェースになる。そしていずれは、外部の認知レイヤー、すなわち外部皮質（エクソコーテックス）¹²によって、生物としての脳を拡張できるようになる。