📄 معروضة نسخة «بسيط» — «متقدم» غير جاهزة بعد. أضفه إلى المفضّلة للمساعدة في تسريعها. اطلب التحليل الكامل

ترسم اليد في الهواء كلمة «ماما» — أقواس وخطوط مألوفة. والدماغ في هذه الأثناء لا يستعرض صورة كل حرف، بل يشغّل سلسلة من الحركات البسيطة. اختبر مهندسو الأعصاب هذه الفكرة: الكتابة الذهنية ليست معرضًا للصور الجاهزة، بل مجموعة تركيب من «لبنات» حركية متكررة.

في التجربة، زُرعت في أدمغة المتطوعين غرسات داخل القشرة الدماغية — أجهزة استشعار دقيقة داخل الدماغ مباشرة. كانوا يكتبون حروفًا لاتينية ذهنيًا. لم يحفظ الحاسوب الحروف نفسها، بل أنماط النشاط الكهربائي المرتبطة بضربات منفردة: حلقة، خط مستقيم، خطاف. ثم عُرضت على المشاركين رموز غير مألوفة، وحاولت الخوارزمية تخمين ما «يكتبونه». النتيجة: في ثلاث محاولات من أصل خمس، وجدت الآلة الرمز الصحيح بين آلاف الرموز، دون أن تراه من قبل.

هذا يشبه عمل مترجم لا يحفظ كل كلمات اللغة الأجنبية عن ظهر قلب، بل يتذكر الجذور والبادئات. فعندما يصادف كلمة غير مألوفة، يجمع معناها من الأجزاء المألوفة. وكذلك الواجهة العصبية: بدلًا من آلاف صور الحروف، تخزّن عشرات «المقاطع» الحركية وتدمجها أثناء العمل. بالنسبة لشخص مصاب بالشلل، هذا يعني أنه لن يضطر إلى قضاء ساعات في معايرة النظام لكل رمز جديد — يكفي أن «يشرح» له الحركات الأساسية مرة واحدة.

هذا الاكتشاف يغيّر نظرتنا إلى القشرة الحركية — منطقة الدماغ التي تتحكم في الحركات. فهي لا تفكر في أوضاع جاهزة، بل في لبناتها. عندما نشخبط على هامش دفتر الملاحظات، يحدث داخل الجمجمة تجميع من قطع عالمية — تلك التي ساعدت أسلافنا ذات يوم على نحت أول رسم على الحجر.

الملخص الأصلي

كما كتبه المؤلفون، بالإنجليزية arXiv:2605.19048

While intracortical Brain-Computer Interfaces (iBCIs) that decode imagined handwriting have achieved high communication rates for Latin scripts, they rely on observing every character in the alphabet during training. This poses a challenge in scaling to logographic languages (e.g., Chinese, Japanese), where the character set exceeds thousands of classes. The limitation highlights a fundamental question in motor neuroscience: does the motor cortex represent handwriting through the composition of shared kinematic primitives, that can be exploited by decoders? We introduce a computational framework for aligning neural activity to imagined kinematics in large datasets, enabling the training of a zero-shot capable machine learning algorithm for decoding unseen characters. Our model achieves 64% hits@3 retrieval on unseen letters, suggesting that neural representations of kinematic strokes are robustly conserved across different character contexts. This study provides a framework for dissecting conserved neural dynamics in large-scale intracortical datasets and offers strong evidence for a compositional basis of complex motor control. It also establishes a new paradigm for open-vocabulary iBCI communication with minimal recalibration burden on the user, crucial to increasing adoption of neuroprosthetics in logographic languages.