Gắn chip vào não xưa rồi — giờ họ nuôi neuron

Science Corp chuẩn bị cấy sensor não người, nhưng cách họ làm thì khác xa Neuralink. Và phần mềm mới là nơi thiếu người nhất.

1.5 tỷ đô cho một cái sensor — có gì đáng xem?

Một startup định giá 1.5 tỷ đô, vừa gọi xong 230 triệu USD Series C, và thứ họ sắp làm là... đặt một sensor vào não người. Nghe quen? Neuralink đã làm rồi mà.

Nhưng khoan. Science Corporation — do chính cựu đồng sáng lập kiêm chủ tịch Neuralink, Max Hodak, thành lập năm 2021 — không đi theo con đường cũ. Họ đang xây thứ gọi là biohybrid brain-computer interface: kết hợp neuron nuôi cấy trong phòng thí nghiệm với linh kiện điện tử.

Nói thẳng ra thì: thay vì nhét kim loại vào não rồi hy vọng não không "đá" ra, Science Corp muốn tạo một lớp đệm sinh học — dùng neuron thật để giao tiếp với não, còn chip chỉ việc nghe lại. Người dẫn dắt thử nghiệm lâm sàng đầu tiên tại Mỹ là Dr. Murat Günel, trưởng khoa Phẫu thuật Thần kinh của Yale Medical School — không phải dạng vừa.

Không phải cắm rồi chạy — đây mới là boss fight thật

BCI (brain-computer interface) đã chứng minh được khả năng: bệnh nhân ALS hay chấn thương cột sống có thể điều khiển máy tính bằng suy nghĩ. Nhưng mọi thiết bị hiện tại đều dùng điện cực kim loại, và não người đối xử với kim loại như hệ miễn dịch đối xử với virus — bao vây, cô lập, làm suy giảm tín hiệu theo thời gian.

Đây là boss fight mà cả ngành chưa ai clear được: longevity (độ bền dài hạn). Bạn cắm chip xong, vài tháng sau tín hiệu yếu dần, lâu hơn nữa thì gần như mù. Science Corp đặt cược rằng biohybrid — neuron sống làm cầu nối — sẽ được não "chấp nhận" lâu dài hơn, vì về bản chất nó gần với mô sinh học hơn là một miếng kim loại.

Sản phẩm đi trước của họ là PRIMA, thiết bị khôi phục thị lực cho người bị thoái hóa điểm vàng. Họ mua lại công nghệ này năm 2024, đang thử nghiệm lâm sàng, và có thể ra mắt ở châu Âu trong năm nay. PRIMA là checkpoint — vừa chứng minh công nghệ hoạt động, vừa tạo doanh thu nuôi giấc mơ lớn hơn: kết nối não–máy tính hai chiều, thậm chí thêm "giác quan mới" cho con người.

Dev Việt nên để mắt vì đâu?

"Ơ nhưng mình đâu có làm phẫu thuật não, liên quan gì?"

Liên quan ở chỗ: mỗi BCI tạo ra một lượng dữ liệu neural khổng lồ cần ML model để giải mã. Và phần mềm — không phải phần cứng — mới là nơi thiếu người nhất.

Ví dụ cụ thể #1: Giả sử team bạn 4-5 người, đang build sản phẩm AI. Bạn có thể không bao giờ chạm vào BCI thật, nhưng kỹ năng xử lý time-series signal (tín hiệu theo thời gian) đang cực kỳ có nhu cầu — từ wearable health devices đến smart factory sensors. Neural signal processing chỉ là một ứng dụng của cùng bộ skill đó. Biết filter noise, extract features từ tín hiệu thời gian thực? Bạn dùng được ở cả chục domain khác nhau.

Ví dụ cụ thể #2: Giả sử một nhóm bạn ở Việt Nam mua OpenBCI headset (EEG mã nguồn mở, khoảng 250 USD) rồi build prototype phát hiện mức độ tập trung của lập trình viên trong giờ làm. Không cần phẫu thuật — chỉ đội headset lên đầu, thu tín hiệu EEG, rồi train classifier phân loại "đang focus" vs "đang lướt mạng trong đầu". Kỹ thuật nền? Signal processing + ML classification — những thứ hoàn toàn nằm trong tầm tay.

Thử ngay trong một buổi chiều

Bạn không cần headset EEG để bắt đầu. Thư viện Brainflow (open-source, hỗ trợ Python/C++/Java) có chế độ giả lập:

Bước 1 — Cài Brainflow:

pip install brainflow

Bước 2 — Tạo dữ liệu EEG mẫu bằng synthetic board (không cần phần cứng):

from brainflow.board_shim import BoardShim, BrainFlowInputParams, BoardIds
import time

params = BrainFlowInputParams()
board = BoardShim(BoardIds.SYNTHETIC_BOARD, params)
board.prepare_session()
board.start_stream()
time.sleep(5)
data = board.get_board_data()
board.stop_stream()
board.release_session()
print(data.shape)  # channels x samples

Bước 3 — Lọc noise, extract band powers (alpha, beta, theta — các dải tần não):

from brainflow.data_filter import DataFilter, FilterTypes

eeg_channels = BoardShim.get_eeg_channels(BoardIds.SYNTHETIC_BOARD)
for ch in eeg_channels:
    DataFilter.perform_bandpass(
        data[ch],
        BoardShim.get_sampling_rate(BoardIds.SYNTHETIC_BOARD),
        4.0, 45.0, 4,
        FilterTypes.BUTTERWORTH, 0
    )

Bước 4 — Train classifier: Dùng features đã extract, ném vào scikit-learn (Random Forest, SVM). Brainflow docs có tutorial từng bước cho phần này.

Xong — bạn vừa chạm vào thế giới neural signal processing mà không cần mở hộp sọ ai.

Bẫy phổ biến: nhầm đồ chơi với đồ thật

Một sai lầm mình thấy nhiều: mua headset EEG consumer (Muse, NeuroSky) rồi kỳ vọng độ chính xác cấp y tế. Consumer EEG thường chỉ có 4-8 kênh, tín hiệu nhiễu kinh khủng khiếp. Dùng để demo hoặc prototype thì ổn, nhưng đừng mang kết quả đó đi pitch khách hàng hay báo cáo khoa học.

Cũng đừng nhầm lẫn giữa đọc tín hiệu não (điều BCI hiện tại làm được) với đọc suy nghĩ (điều chưa ai làm được). BCI giỏi nhất hiện tại decode ý định vận động — kiểu "bạn đang nghĩ về việc giơ tay phải" — chứ không phải "bạn đang nghĩ về con mèo". Ai bảo bạn khác, chạy ngay đi.

Khi não có API, ai viết app?

Science Corp đang chơi trò dài. PRIMA khôi phục thị lực là bước đầu. Sensor não là bước hai. Mục tiêu cuối cùng của Hodak: giao tiếp hai chiều giữa não và máy tính, thậm chí bổ sung giác quan hoàn toàn mới cho cơ thể người.

Với AI practitioner, điều đáng suy nghĩ không phải "bao giờ mình được cắm chip" mà là: khi interface giữa người và máy thay đổi, cách chúng ta thiết kế sản phẩm AI cũng phải thay đổi theo. Từ gõ prompt bằng bàn phím → ra lệnh bằng giọng nói → điều khiển bằng suy nghĩ. Mỗi bước nhảy interface đều tạo ra một thế hệ ứng dụng mới — và thế hệ dev nào sẵn sàng trước, thế hệ đó ăn trước.

Plot twist: rào cản lớn nhất của BCI lúc này không phải phẫu thuật, không phải đạo đức — mà là thiếu dev viết phần mềm cho nó. Biết đâu đó lại là cơ hội của bạn.

---

Bụi Wire — nghiện đọc release notes lúc 2 giờ sáng

Nguồn tham khảo