מסגרת חישובית לחיזוי ולעיצוב אינטראקציות אדם–מכונה בממשקי עצב סגורים והתאמה משותפת

להדריך מכונות ללמוד ביחד איתנו

כשהממשקי מוח–מחשב וגפיים פרוסטטיות מתקדמות עוזבים את המעבדה ונכנסות לחיי היומיום, עולה שאלה מרכזית: איך מעצבים מכשירים שלומדים מאיתנו במקביל לכך שאנו לומדים להשתמש בהם? המחקר הזה מתמודד עם האתגר על ידי בניית מסגרת מתמטית וניסויית עבור ממשקים עצביים "בהתאמה משותפת" — מערכות שבהן גם המשתמש האנושי וגם האלגוריתם המפענח מתאימים זה לזה באופן רציף, כך שהשליטה מרגישה יותר חלקה, טבעית ומהימנה לאורך זמן.

סוג חדש של שותפות אדם–מכונה

רבים מהממשקים העצביים פועלים על ידי המרה של אותות ביולוגיים רב־ממדיים, כגון פעילות שרירית או מוחית, לפקודות פשוטות שיכולות להזיז סמן או גפה רובוטית. בדרך־כלל, המעצבים ניסו לאופטימל eithereither את צד האדם (להכשיר את המשתמש להסתגל למפענח קבוע) או את צד המכונה (לאפשר למפענח להתעדכן מתוך הנחה שהמשתמש יחסית קבוע). במציאות, שני הצדדים לומדים כל הזמן. סידור של שני הלומדים האלה יכול לשחרר ביצועים והתאמה אישית טובים יותר, אך גם מקשה על העיצוב: אם האלגוריתם מתאים מהר מדי או בצורה לא נכונה, הוא עלול לבלבל את המשתמש במקום לסייע. המחברים משלבים כלי תיאוריית בקרה ותורת המשחקים כדי לתאר, לחזות ובסופו של דבר לעצב את תהליכי הלמידה ההדדיים הללו.

בניית סביבה בטוחה לבדיקת ממשקים בהתאמה משותפת

כדי לחקור דינמיקות אלה באופן מבוקר, החוקרים יצרו ממשק מיו־חשמלי לא חודרני. ארבעה־עשר מתנדבים חבשום רשת של 64 אלקטרודות על שורש כף היד הדומיננטי. פעילות השרירים שלהם הניעה סמן במחשב שצריך לעקוב אחרי יעד נודד על המסך. מתחת לפני השטח, מפענח המיר את אותות השריר למהירות הסמן והתעדכן כל 20 שניות על בסיס הביצועים האחרונים. לאורך 16 ניסויים של חמש דקות לכל משתתף, הקבוצה שינתה באופן שיטתי את קצב הלמידה של המפענח, עד כמה הוענק לו עונש על שימוש בתגי־אות גדולים ("המאמץ" שלו), ואת תנאי ההתחלה. באמצעות בחינת ההתנהגות ודפוסי השריר, הם אימתו שהמשתמשים לא חיכו רק לשיפור האלגוריתם; הם שינו באופן פעיל את האופן שבו השתמשו בשריריהם בתוך ובין ניסויים, ויצרו לולאה אמיתית של התאמה משותפת בין אדם למכונה.

שימוש בתורת הבקרה כדי לבחון את הלולאה מבפנים

השלב הבא היה להפוך את האינטראקציה המסורבלת הזו למודל שניתן למדידה ובדיקה. באמצעות רעיונות מתורת הבקרה, המחברים העריכו תיאור מתמטי קומפקטי של האסטרטגיה של כל משתמש — "מקודד" שממפה מידע על היעד והסמן לדפוסי פעילות שרירית. מקודד זה ניתן היה להפריד לחלק חזוי, פורוורד־פיד, ולחלק מתקני, פידבק. בשילוב המקודד המוערך עם המפענח הידוע, הקבוצה יכלה להעריך האם המערכת כולה נעה לעבר שליטה מדויקת ויציבה. הם מצאו שעם הזמן, זוג המשתמש–מפענח המשותף נטה להתקרב לערכים שניבאו שישיגו מעקב טוב ויציבות, למרות שלאגם המשתמש ולא המפענח הפסיקו להשתנות לחלוטין. בנוסף, המשתמשים הראו סימנים של למידה ארוכת־טווח: מפות השרירים שלהם השתנו פחות מניסוי לניסוי ככל שהתמקצעו.

תורת המשחקים חושפת איך כללי למידה מעצבים התנהגות

כדי לעלות מעבר לתיאור ולחזות בפועל כיצד החלטות עיצוב ישפיעו על ההתאמה המשותפת, המחברים פנו לתורת המשחקים, שהיא חקר האינטראקציה בין מקבלי החלטות מרובים כאשר כל אחד מנסה למזער את העלות שלו. הם סימלו את המשתמש והמפענח כשני "שחקנים" ששניהם דואגים להקטין את טעות המעקב אך גם משלמים מחיר על מאמץ — הפעלת שריר עבור המשתמש ותיגמולים גבוהים עבור המפענח. במסגרת זו, המערכת המשותפת יכולה להתייצב באחד ממספר מצבים יציבים, או נקודות סטציונריות, בהתאם לקצבי הלמידה, עונשי המאמץ ותנאיי ההתחלה. המודל נתן תחזיות מוחשיות: קצב הלמידה של המפענח ישפיע בעוצמה על כמה מהר וכמה טוב המערכת תתכנס; שינוי בעונש המאמץ של המפענח יזיז את כמות המאמץ שהמשתמש יידרש להשקיע מבלי בהכרח לשנות את הדיוק; והגדרות המפענח ההתחלתיות יכולות להטות בעדינות את האסטרטגיה הסופית של המשתמש.

בדיקת האופן שבו אלגוריתמים מנווטים את למידת האדם

הניסויים אישרו במידה רבה את התחזיות הללו. כאשר המפענח למד לאט, המשתמשים השתפרו יותר בתוך הניסוי, וזוג המקודד–מפענח המשולב התקרב יותר למשטר התיאורטי האידיאלי לשליטה מדויקת ויציבה בסמן. כאשר המפענח הסתגל מהר מדי, הביצועים ירדו והמשתמשים שינו פחות את אסטרטגיות השריר שלהם, מה שמרמז שהמכונה נעה מהר יותר ממה שאנשים יכולים להתאים אליה. שינוי העונש על מאמץ המפענח סיפק מוטיב נוסף לשליטה: עונשים גבוהים דחקו את המפענח לעבוד פחות, מה שהביא רבים מהמשתמשים להגביר את מאמץ השרירים שלהם כדי לשמור על הדיוק. מעניין כי המשתתפים נבדלו בדרך שבה הם איזנו בין מאמץ ומהירות הסמן — חלקם בחרו לעבוד קשה יותר כדי לשמור על מהירות, בעוד אחרים קיבלו תנועה איטית יותר כדי לחסוך במאמץ — דבר שמרמז על העדפות אישיות שממשקים עתידיים יוכלו להתאים אליהן.

מה משמעות הדבר לממשקי עצב עתידיים

באופן פשוט, עבודה זו מראה שחוקי האימון המובנים באלגוריתמים של ממשקי עצב עושים יותר מאשר רק לנקות אותות רועשים; הם מעצבים באופן אקטיבי את הדרך שבה אנשים לומדים להשתמש במכשיר. על‑ידי שילוב מודלים קפדניים עם ניסויים אנושיים, המחברים מספקים תיבת כלים לבחירת קצבי למידה של מפענחים, עונשי מאמץ ותנאי התחלה בצורה עקרונית, במקום בניסיון וטעייה. המסגרת שלהם עשויה להנחות את העיצוב של פרוסטזות דור הבא, כלי שיקום וממשקי מוח–מחשב שלא רק מדויקים, אלא גם יציבים, נוחים ומותאמים לסגנון הלמידה של כל משתמש.

ציטוט: Madduri, M.M., Yamagami, M., Li, S.J. et al. Computational framework to predict and shape human–machine interactions in closed-loop, co-adaptive neural interfaces. Nat Mach Intell 8, 372–387 (2026). https://doi.org/10.1038/s42256-026-01194-z

מילות מפתח: ממשקי עצב, אינטראקציה אדם–מכונה, בקרה עם התאמה משותפת, שליטה בסמן באמצעות אותות מיו-חשמליים, עיצוב ממשקי מוח–מחשב