Megatrend · Brain-Computer Interface
สมองส่งเสียงพึมพำเป็นล้านช่อง — ใครคือคนแปลให้เป็นความหมาย
เวลาเราพูดถึง “ชิปฝังสมอง” ของ Neuralink หรือ Synchron เรามักนึกถึงตัวฮาร์ดแวร์ที่ฝังเข้าไป แต่ของจริงที่ยากที่สุด — และเป็นกำแพงป้องกันคู่แข่งตัวจริง — คือ ซอฟต์แวร์ที่แปลคลื่นไฟฟ้าอันยุ่งเหยิงจากเซลล์ประสาทนับพันให้กลายเป็นเจตนา ทั้งคำพูด การขยับเคอร์เซอร์ การควบคุมแขนกล node นี้คือชั้น “สมองของ BCI” — ทั้งตัวถอดรหัส (decoder) ที่ใช้ AI และเครื่องมือทำแผนที่สมองที่กำลังสร้างแผนที่ว่าวงจรไหนทำหน้าที่อะไร นี่คือจุดที่ AI มาบรรจบกับประสาทวิทยา
01มันคืออะไร
ลองนึกภาพคุณยืนอยู่กลางสนามฟุตบอลที่มีคนสามหมื่นคนตะโกนพร้อมกัน แล้วมีคนบอกให้คุณ “ฟังว่าคุณป้าแถวที่ 12 ที่นั่ง 7 กำลังพูดอะไร” — นั่นแหละคือปัญหาที่ระบบ BCI ต้องแก้ทุกมิลลิวินาที สมองคนเรามีเซลล์ประสาทราว 8.6 หมื่นล้านเซลล์ ส่งคลื่นไฟฟ้ากันตลอดเวลา เมื่อเราฝังขั้วไฟฟ้าเข้าไป มันไม่ได้รับ “คำสั่ง” มาเป็นตัวหนังสือ แต่ได้ คลื่นไฟฟ้าที่ปนเปกันมั่วซั่วจากหลายพันช่องสัญญาณ
node นี้ — Neural Signal Processing & Brain-Mapping Tools — คือชั้นซอฟต์แวร์และเครื่องมือที่เปลี่ยนคลื่นดิบนั้นให้มีความหมาย มันเป็นสาขาย่อยภายใต้เมกะเทรนด์ Brain-Computer Interface และอยู่ในชั้น “infrastructure” — คือโครงสร้างพื้นฐานที่ทุกระบบ BCI ต้องพึ่ง ไม่ว่าจะเป็นแบบฝังในสมอง (invasive) หรือแบบติดนอกกะโหลก (non-invasive) มันแยกเป็นสองส่วนใหญ่ที่เกี่ยวพันกัน:
- การประมวลผลสัญญาณ + ตัวถอดรหัส (decoder): ซอฟต์แวร์ที่ทำความสะอาดสัญญาณ แยกว่าเซลล์ไหนยิงเมื่อไหร่ (spike-sorting) แล้วใช้ Machine Learning เรียนรู้ว่ารูปแบบคลื่นแบบไหน = เจตนาอะไร นี่คือ “ตัวแปล”
- เครื่องมือทำแผนที่สมอง (brain-mapping): หัววัดความหนาแน่นสูง (เช่น Neuropixels) กล้องจุลทรรศน์สองโฟตอน และ MRI/connectomics ที่สร้าง “แผนที่” ว่าวงจรไหนทำหน้าที่อะไร — เป็นการทำแผนที่ดินแดนก่อนที่ใครจะไปสร้างถนนได้
โมเดลคณิตศาสตร์/AI ที่เรียนรู้การจับคู่ระหว่าง “รูปแบบการยิงของเซลล์ประสาท” กับ “สิ่งที่ผู้ใช้ตั้งใจจะทำ” เช่น อยากขยับเคอร์เซอร์ไปทางขวา หรืออยากพูดคำว่า “น้ำ” มันคือหัวใจของ BCI ทุกตัว — และเป็นส่วนที่ลอกเลียนยากที่สุด เพราะต้องฝึกกับข้อมูลสมองจริงเป็นจำนวนมหาศาล
ประเด็นสำคัญที่คนมักเข้าใจผิด: นิยามของ node นี้ระบุชัดว่า BCI เป็นแค่ส่วนเล็กๆ ของตลาดนี้ ตลาดส่วนใหญ่คือ เครื่องมือวิจัยประสาทวิทยา ที่ขายให้มหาวิทยาลัยและบริษัทยา — ตลาดนั้นทำเงินอยู่แล้ววันนี้ ในขณะที่ฝั่ง BCI ยังเพิ่งเริ่มต้น
02ทำไมถึงสำคัญ — นี่คือ “สมอง” ของ BCI
มีประโยคหนึ่งที่อธิบายเรื่องนี้ได้ดีที่สุด: ฮาร์ดแวร์คือสิ่งที่คุณเห็น แต่อัลกอริทึมคือสิ่งที่คุณซื้อ
เวลา Neuralink เปิดตัวชิปที่มีขั้วไฟฟ้านับพัน คนตื่นเต้นกับตัวชิป แต่ความจริงคือ ขั้วไฟฟ้าที่ฝังไปได้ข้อมูลมาก็จริง — ทว่าถ้าถอดรหัสด้วยวิธีดิบๆ อัตราความผิดพลาดสูงถึงราว 40% ในงานสื่อสาร ซึ่งใช้งานจริงไม่ได้เลย สิ่งที่ทำให้มันใช้ได้คือ “ตัวแปล” ที่ฉลาดพอ ในเดือนพฤษภาคม 2025 Neuralink ถึงขั้นเอาโมเดลภาษาขนาดใหญ่ (Grok ของ xAI) มาช่วยเดาคำ ทำให้อัตราผิดพลาดในคำศัพท์จำกัดลดลงเหลือ ต่ำกว่า 10% — พูดง่ายๆ คือ generative AI เข้ามาทำงานจริงในสายการถอดรหัสสมองแล้ว
ส่วนเรื่องขนาดตลาด ต้องแยกให้ชัด ตลาด เครื่องมือวิจัยประสาทวิทยา ทั้งหมด (รวมเครื่องมือ ภาพถ่ายสมอง สารเคมี) ใหญ่ราว $41,000 ล้านในปี 2026 และคาดโตเป็น ~$55,000 ล้านในปี 2031 (CAGR ~6%) ส่วนที่โตร้อนแรงคือเครื่องมือทำแผนที่สมองและกล้องจุลทรรศน์เฉพาะทาง ที่โตระดับ 10–13% ต่อปี — นี่คือส่วนที่ “เก็บเงินได้วันนี้” ขณะที่ฝั่ง decoder ของ BCI ยังเป็นการลงทุนเพื่ออนาคต
03มันทำงานยังไง — จากเสียงรบกวนสู่เจตนา
เรามาไล่ตามเส้นทางของสัญญาณกัน ตั้งแต่ตอนที่มันยังเป็นแค่คลื่นไฟฟ้ามั่วๆ จนกลายเป็นคำว่า “สวัสดี” บนหน้าจอ มันมี 4 ด่านหลัก:
ด่านที่หนึ่งคือสัญญาณดิบ — เหมือนภาพถ่ายเบลอๆ ที่มีนอยส์เต็มไปหมด ด่านที่สองคือ spike-sorting: คอมพิวเตอร์ต้องดูคลื่นแล้วตัดสินว่า “สไปก์ลูกนี้มาจากเซลล์ A หรือ B” ในปัจจุบันมีซอฟต์แวร์มาตรฐานเช่น Kilosort4 (กลายเป็นค่าเริ่มต้นตั้งแต่ปลายปี 2024) ทำงานนี้แบบอัตโนมัติ ด่านที่สามคือ decoder — โมเดล ML ที่เรียนรู้ว่ารูปแบบการยิงแบบไหนแปลว่าอะไร และด่านที่สี่คือผลลัพธ์: คำพูด เคอร์เซอร์ หรือคำสั่งแขนกล
เซลล์ประสาทสื่อสารด้วย “สไปก์” — พัลส์ไฟฟ้าสั้นๆ เมื่อขั้วเดียววัดได้พร้อมกันหลายเซลล์ที่อยู่ใกล้กัน สัญญาณจะปนกัน spike-sorting คือการแยกว่าแต่ละพัลส์มาจากเซลล์ตัวไหน เปรียบเหมือนถอดเทปประชุมที่มีคนพูดทับกัน แล้วระบุให้ได้ว่าใครพูดประโยคไหน
ตัวเลขที่ทำให้เห็นภาพ: งานวิจัยปี 2025 ถอดรหัส “คำพูดที่พยายามจะพูด” ได้ 62 คำต่อนาที — เร็วกว่าสถิติเดิมถึง 3.4 เท่า และเริ่มเข้าใกล้ความเร็วการสนทนาธรรมชาติที่ราว 160 คำต่อนาที โดยมีอัตราผิดพลาด 9.1% บนคำศัพท์ 50 คำ แต่พุ่งเป็น 23.8% เมื่อเปิดคลังคำศัพท์เต็ม 125,000 คำ — ตัวเลขคู่นี้บอกความจริงสำคัญ: ในโจทย์แคบมันเก่งแล้ว แต่ในโจทย์เปิดกว้างยังมีงานอีกเยอะ
04อีกครึ่งหนึ่ง: เครื่องมือทำแผนที่สมอง
decoder จะเก่งได้ก็ต่อเมื่อเรารู้ว่า “วงจรไหนทำหน้าที่อะไร” ก่อน — และนั่นคืองานของเครื่องมือทำแผนที่สมอง คิดง่ายๆ ว่ามันคือ Google Maps ของสมอง: ก่อนจะนำทางได้ ต้องมีคนไปสำรวจและวาดแผนที่ก่อน
เครื่องมือหลักมีสามตระกูล:
- หัววัดความหนาแน่นสูง (high-density probes): ดาวเด่นคือ Neuropixels ที่พัฒนาโดยศูนย์วิจัย IMEC รุ่น 2.0 มีขั้วบันทึกถึง 5,120 จุดต่อหัววัด (4 ก้าน) อ่านพร้อมกันได้ 384 ช่อง บันทึกเซลล์ประสาทได้พร้อมกันหลายร้อยเซลล์อย่างเสถียรเป็นเวลานาน — นี่คือเครื่องมือที่เปลี่ยนวิธีทำวิจัยสมองไปเลย
- กล้องจุลทรรศน์สองโฟตอน (two-photon microscopy): ส่องดูเซลล์ประสาททำงานจริงๆ ขณะมีชีวิต ในเดือนเมษายน 2025 Bruker เพิ่งเปิดตัวกล้อง nVista 2P รุ่นจิ๋วในไลน์ Inscopix
- MRI และ connectomics: สร้างแผนที่การเชื่อมต่อทั้งสมอง โครงการ BRAIN Initiative ของสหรัฐฯ เพิ่งเผยแผนที่เนื้อสมองความละเอียดสูงสุดเท่าที่เคยมี บันทึกการเชื่อมต่อระดับเซลล์ราว 150 ล้านจุดเชื่อม
การทำแผนที่ว่าเซลล์ประสาทแต่ละตัวเชื่อมต่อกับตัวไหนบ้าง — เหมือนทำแผนผังสายไฟทั้งเมืองในระดับสายไฟแต่ละเส้น เป้าหมายสูงสุดคือ “connectome” หรือแผนที่การเชื่อมต่อทั้งสมอง ซึ่งสำหรับสมองคนที่มีราว 2 แสนล้านเซลล์ ยังเป็นเป้าหมายที่ห่างไกลมาก
ตรงนี้มีจุดที่ต้องระวัง: เงินทุนรัฐที่หล่อเลี้ยงงานวิจัยพื้นฐานเหล่านี้ถูกตัดงบ — BRAIN Initiative ปีงบ 2025 เหลือ $321 ล้าน ลดจาก $402 ล้านในปีก่อน หรือราว 20% เป็นเครื่องเตือนว่าฝั่งเครื่องมือวิจัยพึ่งพางบรัฐมาก และไม่ได้โตเป็นเส้นตรงเสมอ
05มันอยู่ตรงไหนในระบบนิเวศ BCI
node นี้เป็น “ชั้นกลาง” ที่ทุกอย่างต้องวิ่งผ่าน ลองดูว่ามันเชื่อมกับเพื่อนบ้านยังไง:
- รับสัญญาณจาก Invasive BCI Systems: ชิปฝังสมองเก็บคลื่นไฟฟ้าดิบมา แล้วส่งให้ชั้นนี้แปล — ฮาร์ดแวร์กับซอฟต์แวร์เป็นคู่หูที่ขาดกันไม่ได้
- และจาก Non-invasive BCI: แบบติดนอกกะโหลก (EEG) ได้สัญญาณที่เบลอกว่าและมีนอยส์มากกว่า ยิ่งต้องพึ่งการประมวลผลสัญญาณที่เก่ง
- พึ่ง Artificial Intelligence อย่างลึก: decoder สมัยใหม่คือโมเดล ML และล่าสุดเริ่มยืม Foundation Models มาช่วยเดาเจตนา — Synchron กับ Neuralink ต่างเดินเส้นทางนี้
- เสริมกับ Biotech & Genomic Medicine: ความเข้าใจวงจรสมองช่วยทั้งการรักษาโรคทางระบบประสาทและการพัฒนายา
จุดที่น่าสนใจที่สุดคือความสัมพันธ์กับ AI — มันเป็นถนนสองทาง ด้านหนึ่ง AI ทำให้ decoder เก่งขึ้น อีกด้าน ข้อมูลสมองกำลังกลายเป็นเชื้อเพลิงสำหรับฝึก AI รุ่นใหม่ ในเดือน 2025 มีงานวิจัยถึงขั้นเสนอให้ฝึก foundation model โดยตรงจากข้อมูลสมองคน นี่คือจุดที่ประสาทวิทยาและ AI หลอมรวมกันจริงๆ
06ตอนนี้ไปถึงไหนแล้ว
ภาพรวมปี 2026 มีสองโลกที่ต่างกันมาก โลกแรกคือ เครื่องมือวิจัยที่ทำเงินจริงวันนี้ — บริษัทเครื่องมือวิทยาศาสตร์ขนาดยักษ์ที่ขายกล้องจุลทรรศน์และระบบบันทึกให้แล็บทั่วโลก โลกที่สองคือ ตัวถอดรหัส BCI ที่ก้าวหน้าเร็วแต่ส่วนใหญ่ยังเป็นบริษัทเอกชนหรืออยู่ในแล็บมหาวิทยาลัย
หมุดหมายที่สำคัญที่สุดของปีนี้คือ Synchron เปิดตัว Chiral ที่เรียกว่าเป็น “brain foundation model” ตัวแรก — ฝึกจากข้อมูลสมองโดยตรง ทำงานบนเทคโนโลยีของ NVIDIA (Holoscan) เพื่อถอดรหัสแบบเรียลไทม์ นี่ตอกย้ำว่า “decoder คือสินค้า” อย่างชัดเจน
07อนาคตข้างหน้า
ทิศทางแรกคือ brain foundation models — แทนที่จะฝึก decoder ใหม่ทุกครั้งสำหรับผู้ป่วยแต่ละคน เป้าหมายคือสร้างโมเดลขนาดใหญ่ที่ “เข้าใจสมองทั่วไป” มาก่อน แล้วปรับจูนเฉพาะคนได้เร็ว — เหมือนที่ ChatGPT ฝึกครั้งเดียวแล้วใช้ได้กับทุกคน Chiral ของ Synchron คือก้าวแรกของแนวคิดนี้ ถ้าทำสำเร็จจะลดเวลาตั้งค่าและเพิ่มความเสถียรอย่างมาก
ทิศทางที่สองคือ การถอดรหัสที่เสถียรขึ้น หนึ่งในความก้าวหน้าที่ถูกมองว่าสำคัญที่สุดของวงการในปี 2026 คือเทคนิคปรับเทียบ decoder ใหม่อย่างรวดเร็วด้วยข้อมูลปรับเทียบเพียงเล็กน้อยในแต่ละวัน แทนการต้องฝึกใหม่ทั้งหมด — แก้ปัญหาที่ฉุดวงการนี้มานาน
ทิศทางที่สามคือ เครื่องมือวิจัยที่ละเอียดและถูกลง หัววัดอย่าง Neuropixels และกล้องสองโฟตอนรุ่นจิ๋วทำให้แล็บเล็กๆ เข้าถึงเทคโนโลยีระดับสูงได้ ยิ่งมีข้อมูลสมองคุณภาพดีมากเท่าไหร่ decoder ก็ยิ่งเก่งขึ้น — เป็นวงจรเสริมแรงระหว่างเครื่องมือทำแผนที่กับตัวถอดรหัส
08ความท้าทายและความเสี่ยง
ต้องพูดตรงๆ ว่า node นี้เต็มไปด้วยความท้าทายที่ยังไม่ถูกแก้
ความเสี่ยงข้อแรกและใหญ่ที่สุดคือ “decoder เพี้ยน” (neural drift) สมองไม่ใช่เครื่องจักรที่นิ่ง สัญญาณเปลี่ยนไปทุกวัน ทั้งจากขั้วไฟฟ้าขยับ เซลล์เปลี่ยนพฤติกรรม หรือสภาพการบันทึกเปลี่ยน ผลคือ decoder ที่เคยแม่นเมื่อวานอาจเพี้ยนวันนี้ งานวิจัยเรียกการต้องฝึก decoder ใหม่ทุกวันว่าเป็น “ปัจจัยหลักที่จำกัดการใช้งานจริงทางคลินิก” — ฟังดูเป็นเรื่องเทคนิคเล็กๆ แต่จริงๆ คือกำแพงใหญ่ที่สุด
ความเสี่ยงข้อสองคือ การ generalize อย่างที่เห็นจากตัวเลข decoder เก่งมากในโจทย์แคบ (คำศัพท์ 50 คำ ผิด 9.1%) แต่พอเปิดคำศัพท์เต็มอัตราผิดพลาดพุ่งเป็น 23.8% การทำให้มันใช้ได้ในสถานการณ์เปิดกว้างจริงยังเป็นโจทย์หิน
ความเสี่ยงข้อสามคือ มันยังเป็นวิชาการและเอกชนเป็นส่วนใหญ่ ตัวถอดรหัสที่ดีที่สุดอยู่ในแล็บมหาวิทยาลัยหรือบริษัทเอกชนที่ยังไม่เข้าตลาด ส่วนผู้เล่นในตลาดหุ้นส่วนใหญ่เป็นฝั่งเครื่องมือ ซึ่งโตช้ากว่าและพึ่งงบวิจัยรัฐ — ที่เพิ่งถูกตัดราว 20% ในปี 2025
สรุปสั้นๆ: เวลาเราเห็นข่าว “คนพิการขยับเคอร์เซอร์ด้วยความคิด” พระเอกที่มองไม่เห็นคือชั้นซอฟต์แวร์นี้ — ตัวที่แปลความวุ่นวายทางไฟฟ้านับพันช่องให้กลายเป็นเจตนา และตัวที่กำลังสร้างแผนที่ว่าสมองทำงานยังไง มันคือจุดที่ AI พบกับประสาทวิทยา และเป็นที่ที่การแข่งขันตัวจริงของ BCI จะตัดสินกัน — ไม่ใช่ที่ตัวชิป แต่ที่ตัวแปล