Approfondimenti tecnici

Interfacce cervello-computer: come funzionano gli impianti neurali e a che punto sono

Come gli impianti neurali leggono le intenzioni, perché una maggiore invasività offre una risoluzione più alta e a che punto è il settore dopo che, nel 2026, una BCI per la comunicazione vocale ha funzionato per 3.800 ore a casa di un parte

AI.info Team · 2026-08-19

Il problema fondamentale che un’interfaccia cervello-computer deve risolvere

Un’interfaccia cervello-computer (BCI) ha un compito: leggere l’attività elettrica generata dai neuroni e trasformarla in un segnale su cui una macchina possa agire, oppure inviare al cervello un segnale che i neuroni possano interpretare. Tutto il resto — l’intervento chirurgico, l’elettronica, il machine learning — è al servizio di questo unico problema di traduzione. Ed è un problema più difficile di quanto sembri, perché i neuroni non producono nulla che assomigli a dati puliti.

Un singolo neurone corticale emette un impulso che dura circa un millisecondo, ma l’informazione di cui una BCI ha bisogno è di solito codificata nel pattern statistico dell’attività simultanea di molti neuroni, non in un singolo impulso. L’attività di popolazione nella corteccia motoria — la striscia di tessuto che attraversa la parte superiore del cervello e pianifica ed esegue i movimenti — è correlata a grandezze come la direzione in cui si intende muovere il braccio, la velocità e la forza di presa.

Se quel pattern di popolazione viene decodificato con sufficiente precisione, in tempo reale, una persona paralizzata può muovere un cursore, un braccio robotico o usare una tastiera controllata tramite cursore con la sola intenzione. Questa correlazione, caratterizzata rigorosamente per la prima volta nei primati non umani negli anni 1980 e 1990, è il fondamento scientifico su cui si basa ancora quasi ogni moderna BCI motoria.

Invasive e non invasive: il compromesso sulla risoluzione spaziale

La scelta progettuale decisiva per qualsiasi BCI è quanto gli elettrodi si avvicinino ai neuroni, perché quella distanza pone un limite invalicabile alla qualità del segnale.

Gli elettrodi EEG non invasivi si appoggiano sul cuoio capelluto e rilevano fluttuazioni di tensione che hanno già attraversato il cranio, il liquido cerebrospinale e strati di tessuto che attenuano e sfumano il segnale — un fenomeno talvolta chiamato conduzione di volume. Ne risultano segnali nell’intervallo di circa 2–100 microvolt, una bassa risoluzione spaziale (un elettrodo registra la media dell’attività di milioni di neuroni contemporaneamente) e una forte contaminazione da artefatti dovuti ai muscoli e ai movimenti oculari.

Le BCI basate sull’EEG sono davvero utili — per esempio per rilevare potenziali evocati visivi di stato stazionario con cui controllare un’interfaccia per una sedia a rotelle, o per i sistemi di scrittura basati sul P300 — ma non possono distinguere i singoli neuroni né offrire il controllo ad alta larghezza di banda necessario per digitare fluentemente alla velocità della scrittura a mano o per controllare con destrezza un braccio robotico.

Gli impianti intracorticali collocano microelettrodi direttamente nel tessuto cerebrale, abbastanza vicino ai neuroni da isolare gli impulsi emessi da singoli neuroni o da piccoli gruppi. È grazie a questa vicinanza che le BCI dalle prestazioni più elevate finora — quelle che permettono a una persona paralizzata di digitare decine di parole al minuto o di muovere un braccio robotico con diversi gradi di libertà — sono invasive. Il prezzo è una craniotomia o un intervento cerebrale comparabile, rischi cronici (infezioni, emorragie, cicatrizzazione del tessuto intorno agli elettrodi che degrada il segnale nell’arco di mesi o anni) e un percorso normativo e produttivo molto più lento e costoso.

Fra questi due estremi si collocano gli approcci minimamente invasivi: elettrodi introdotti attraverso i vasi sanguigni o posizionati sulla superficie del cervello (anziché penetrarvi), che rinunciano a una parte della fedeltà del segnale in cambio di una procedura meno traumatica. Diverse delle aziende citate più avanti operano proprio in questa fascia intermedia.

La pipeline di decodifica: dagli impulsi all’intenzione

Una volta che gli elettrodi hanno acquisito le tracce grezze di tensione, una BCI deve convertirle in qualcosa di utilizzabile. È qui che l’elaborazione dei segnali e il machine learning svolgono il lavoro più impegnativo.

La pipeline comprende in genere: rilevamento e classificazione degli impulsi (individuare quando un neurone ha emesso un impulso e quale elettrodo lo ha rilevato e — nei sistemi a maggiore fedeltà — quale neurone lo ha emesso), estrazione delle caratteristiche (spesso raggruppando i conteggi degli impulsi o estraendo la potenza in specifiche bande di frequenza su brevi intervalli temporali, per esempio 20–50 ms) e infine un decodificatore che associa queste caratteristiche alla variabile d’interesse — la velocità del cursore, l’identità di un fonema, la parola che si intende pronunciare.

Per decenni il decodificatore più usato è stato il filtro di Kalman, uno stimatore ricorsivo lineare che modella la relazione tra i tassi di attività neuronale e la cinematica del movimento e aggiorna la propria stima della posizione o della velocità del cursore a ogni nuovo campione. Varianti perfezionate (come il filtro di Kalman «ReFIT», che viene riaddestrato con dati di addestramento corretti in base all’intenzione) hanno migliorato sensibilmente la versione più semplice e sono state usate nelle dimostrazioni del consorzio BrainGate per il controllo del cursore con puntamento e clic e per il movimento di un braccio robotico verso un bersaglio.

Più di recente, alcuni gruppi hanno mostrato che i decodificatori non lineari — in particolare le reti neurali ricorrenti come le LSTM, addestrate su registrazioni multielettrodo raccolte nell’arco di più giorni — superano i filtri di Kalman nei benchmark standard per le BCI, come i bit al secondo nei compiti di controllo del cursore. I compiti che richiedono il maggiore salto di prestazioni — decodificare i tentativi di parlare, che comportano un’intenzione articolatoria ad alta dimensionalità e in rapido cambiamento anziché un’unica traiettoria regolare — si sono affidati ancora di più al deep learning: in genere a una RNN o a un modello sequenziale di tipo transformer, addestrato ad associare direttamente l’attività neurale a fonemi o testo e spesso abbinato a un modello linguistico per distinguere le parole più probabili.

Non è fantascienza: è apprendimento supervisionato applicato a un difficile problema di serie temporali rumorose, reso affrontabile da array multielettrodo ad alta densità e da una quantità sufficiente di dati di addestramento etichettati, raccolti mentre un partecipante tenta di parlare o di muoversi.

Decodifica del parlato: dalle dimostrazioni in laboratorio a due anni di utilizzo a casa

Due studi pubblicati su Nature nel 2023, entrambi sottoposti a revisione paritaria e condotti da laboratori distinti con hardware diverso, hanno definito i termini di riferimento per tutto ciò che è seguito nel campo delle interfacce cervello-computer (BCI) per il parlato.

Willett, Kunz, Fan et al. (Stanford, pubblicato su Nature, agosto 2023) hanno presentato una BCI per il parlato basata su array di microelettrodi intracorticali impiantati in un partecipante con paralisi dovuta alla SLA. Il sistema decodificava direttamente in testo il parlato che il partecipante tentava di produrre, a una velocità che gli autori descrivono come un progresso sostanziale rispetto ai precedenti decodificatori intracorticali del parlato. Combinava un decodificatore basato su una rete neurale ricorrente con un modello linguistico ed era la prima dimostrazione dell’uso di registrazioni intracorticali basate sui potenziali d’azione, anziché su segnali di superficie, per decodificare il parlato in testo a quel livello di prestazioni. Frank Willett ha guidato il lavoro a Stanford, all’interno di un gruppo di cui fanno parte da tempo Krishna Shenoy e Jaimie Henderson.

Metzger et al. (UC San Francisco, pubblicato su Nature, 2023) hanno adottato un approccio hardware diverso: array per elettrocorticografia ad alta densità (ECoG) appoggiati sulla superficie della corteccia del linguaggio, senza penetrarla. Il partecipante aveva una grave paralisi degli arti e della voce causata da un ictus del tronco encefalico. Il sistema decodificava simultaneamente tre output paralleli: testo (a una velocità mediana di 78 parole al minuto, con un tasso mediano di errore per parola intorno al 25%), audio sintetizzato con una voce ricreata per somigliare a quella del partecipante prima della lesione e l’animazione di un avatar facciale per gesti comunicativi non verbali, come le espressioni. Era il primo sistema capace di animare un avatar digitale parlante ed espressivo direttamente a partire dall’attività neurale.

Entrambi i risultati sono stati autentiche pietre miliari, ed entrambi provenivano da dimostrazioni di ricerca svolte sotto supervisione. Il tasso mediano di errore per parola riportato da Metzger, pari a circa una parola su quattro, era il dato citato da chi sosteneva che le BCI per il parlato non fossero ancora ausili per la comunicazione su cui poter contare senza la presenza di un ricercatore. La deriva del decodificatore era il motivo per dubitare che lo sarebbero diventate presto: i segnali neurali cambiano quando gli elettrodi si spostano e le caratteristiche di risposta variano, perciò un decodificatore addestrato sulle registrazioni di un giorno perde efficacia nei giorni successivi e deve essere ricalibrato.

A questa obiezione è stata ora data una risposta, almeno per un sistema. Nicholas Card, David Brandman, Sergey Stavisky e colleghi della UC Davis, nell’ambito della sperimentazione BrainGate2, hanno riferito su Nature Medicine nel 2026 dell’uso di una BCI intracorticale per il parlato da parte di un uomo di 45 anni con paralisi dovuta alla SLA e grave disartria: più di 3.800 ore a casa, senza l’assistenza di ricercatori dopo il 281º giorno dall’impianto.

In quel periodo ha prodotto 183.060 frasi — 1.960.163 parole — a una velocità media di 56 parole al minuto, attingendo a un vocabolario di 125.000 parole. In prove controllate di copiatura, il sistema ha raggiunto una precisione del 99,2% sulle parole. Durante l’uso autonomo, il 92% delle frasi è stato decodificato almeno in gran parte correttamente: una misura a livello di frase basata sulle valutazioni del partecipante stesso.

Le ore contano più della precisione. La stabilità dei decodificatori non è un problema risolto in generale: ogni array impiantato continua a presentare una deriva e la letteratura sulla decodifica «plug-and-play» senza ricalibrazione descrive ancora una questione aperta. Ma un sistema è ora rimasto utile per circa due anni di vita quotidiana a casa di un partecipante, un risultato che il settore non aveva mai mostrato prima.

A che punto sono davvero le aziende

Neuralink ha ottenuto dalla FDA, nel maggio 2023, l’esenzione per dispositivi sperimentali per lo studio PRIME, che valuta l’impianto N1 — 1.024 elettrodi distribuiti su 64 fili flessibili di polimero, inseriti dal robot chirurgico R1 dell’azienda — in adulti con tetraplegia dovuta a lesione del midollo spinale o a SLA. Il primo partecipante, Noland Arbaugh, ha ricevuto l’impianto il 28 gennaio 2024.

Nelle prime fasi della sperimentazione, circa l’85% dei fili impiantati si sarebbe ritratto dalla posizione prevista, riducendo i canali di segnale. Neuralink afferma di aver affrontato il deterioramento modificando il software di elaborazione del segnale, anziché ricorrere a un nuovo intervento. Arbaugh ha continuato a usare il dispositivo — secondo quanto riportato, ampiamente, per attività tra cui giocare, controllare il computer e, in dimostrazioni successive, interagire con un braccio robotico — senza ricevere un secondo impianto.

Il 28 gennaio 2026, esattamente due anni dopo l’intervento di Arbaugh, Neuralink ha dichiarato di avere 21 partecipanti arruolati in sperimentazioni nel mondo. Nel giugno 2025 i centri coinvolti erano distribuiti in tre paesi e due continenti (Barrow Neurological Institute, il Miami Project to Cure Paralysis, University Health Network a Toronto e Cleveland Clinic Abu Dhabi); dall’ottobre 2025 si è aggiunto University College London Hospitals. L’azienda non segnala eventi avversi gravi legati al dispositivo nell’intero gruppo e afferma di aver osservato una qualità del segnale superiore in 18 dei 20 impianti successivi al primo. Ha inoltre avviato una sperimentazione distinta, VOICE, volta a ripristinare la capacità di parlare in tempo reale per persone con gravi disturbi del linguaggio dovuti a condizioni come la SLA o l’ictus, con l’obiettivo dichiarato di raggiungere una velocità di conversazione di 140 parole al minuto.

Synchron segue la via minimamente invasiva: il suo Stentrode viene introdotto attraverso la vena giugulare ed espanso all’interno di un vaso sanguigno sovrastante la corteccia motoria, evitando del tutto la chirurgia a cervello aperto. Lo studio COMMAND — la prima sperimentazione IDE approvata dalla FDA per un’interfaccia cervello-computer impiantabile in modo permanente — ha riportato che tutti e sei i pazienti arruolati hanno raggiunto l’endpoint primario di sicurezza (nessun evento avverso grave legato al dispositivo o alla procedura che abbia causato la morte o un aumento della disabilità) nel corso di 12 mesi di valutazione. Il posizionamento nel vaso sanguigno e la copertura della regione della corteccia motoria sono riusciti nel 100% dei casi.

Synchron ha anche mostrato utenti di Stentrode utilizzare software di uso comune, tra cui un caso reso pubblico in cui un partecipante controllava un dispositivo Amazon Alexa tramite l’interfaccia cervello-computer. L’approccio di Synchron sacrifica parte della risoluzione del segnale (rileva l’attività di popolazioni neuronali attraverso la parete di un vaso sanguigno, anziché penetrare nella corteccia) in cambio di un rischio chirurgico sensibilmente inferiore. Un finanziamento Series D da 200 milioni di dollari annunciato il 6 novembre 2025 finanzia una sperimentazione registrativa nel 2026 — lo studio che Synchron deve completare con esito positivo prima di presentare la prima domanda di autorizzazione pre-commercializzazione per un’interfaccia cervello-computer impiantabile.

Precision Neuroscience ha ottenuto l’autorizzazione FDA 510(k) il 30 marzo 2025 per il suo Layer 7 Cortical Interface, una pellicola più sottile di un capello umano che contiene 1.024 microelettrodi e si appoggia sulla superficie del cervello senza penetrarvi, inserita attraverso un’incisione inferiore a un millimetro. L’autorizzazione riguarda l’uso temporaneo (fino a 30 giorni), principalmente per applicazioni come la mappatura cerebrale durante gli interventi per tumore. L’azienda riferisce di aver testato il dispositivo su decine di pazienti sottoposti a chirurgia cerebrale per altri motivi: un impiego distinto da quello di un’interfaccia cervello-computer permanente da usare a casa. Precision Neuroscience presenta esplicitamente il proprio dispositivo come un’alternativa meno invasiva e più facile da rimuovere rispetto alle matrici di elettrodi penetranti.

Blackrock Neurotech produce Utah Array (detta anche NeuroPort array), la griglia di microelettrodi penetranti da 96–100 canali che costituisce il principale strumento di ricerca sulle interfacce cervello-computer intracorticali da quando è stata impiantata per la prima volta in un essere umano, Matt Nagle, nel 2004, nell’ambito della sperimentazione originale BrainGate condotta dalla Brown University.

Resta l’unica piattaforma di microelettrodi ad alto numero di canali autorizzata dalla FDA in grado di registrare l’attività di singoli neuroni, ed è alla base della maggior parte della letteratura accademica sulle interfacce cervello-computer sottoposta a revisione paritaria, comprese le sperimentazioni multicentriche in corso del consorzio BrainGate e il lavoro di Stanford sulla decodifica del linguaggio parlato. Il sistema MoveAgain di Blackrock ha ricevuto nel 2021 la designazione FDA di dispositivo innovativo per tradurre l’attività corticale in comandi per dispositivi esterni destinati a persone con paralisi.

Che cosa significa davvero «stato dell’arte» oggi

Al di là del marketing, lo stato del settore è questo: le interfacce cervello-computer (BCI) intracorticali possono consentire a una persona con paralisi di controllare in modo continuo e in tempo reale il cursore e l’inserimento di testo, a velocità competitive con quelle del normale uso del computer, o vicine a esse, durante brevi sessioni supervisionate. Possono decodificare i tentativi di parlare trasformandoli in testo, audio sintetizzato e animazione di un avatar, con una precisione buona ma chiaramente imperfetta. E, nelle sperimentazioni citate sopra, hanno finora evitato gravi danni legati al dispositivo nei piccoli gruppi di partecipanti studiati.

Gli approcci minimamente invasivi e quelli superficiali (Synchron, Precision Neuroscience) rinunciano a parte di quel potenziale prestazionale in cambio di un rischio chirurgico sensibilmente inferiore e, nel caso di Precision, della reversibilità.

Ciò che resta da risolvere sono la durata nel tempo e la scalabilità, non la prova di fattibilità; alla questione della durata, però, oggi si può rispondere meglio di prima. Il risultato della UC Davis mostra che un sistema intracorticale per la decodifica del linguaggio parlato ha mantenuto le proprie prestazioni per migliaia di ore di utilizzo domestico senza supervisione. Si tratta di un solo partecipante e di un solo dispositivo: è questo il peso corretto da attribuire al risultato. Le schiere di elettrodi continuano a degradarsi — per la formazione di tessuto cicatriziale, la migrazione dei filamenti o la deriva del segnale — nell’arco di mesi o di pochi anni. Per questo la ricalibrazione del decodificatore e la longevità dell’hardware restano problemi ingegneristici aperti.

Nessuna delle sperimentazioni sull’uomo descritte qui ha ancora raggiunto il numero di pazienti, la durata del follow-up o la fase del percorso regolatorio — un’autorizzazione completa della FDA prima dell’immissione sul mercato per un impianto permanente, anziché un’esenzione per uso sperimentale o una procedura 510(k) per uso temporaneo — necessari per arrivare a un prodotto medico approvato e disponibile in commercio per l’uso domestico. La sintesi più onesta è che le BCI hanno superato in modo convincente la soglia tra «teoricamente possibile» e «funziona in sperimentazioni cliniche attentamente monitorate»: un traguardo importante, raggiunto con fatica. Restano però ancora lontane dall’essere una tecnologia medica matura e utilizzabile su larga scala.

I vincoli ingegneristici ancora da superare

Tre vincoli condizionano quasi ogni scelta progettuale nel settore. Il primo è il rapporto tra larghezza di banda e sicurezza: un maggior numero di elettrodi e un campionamento più fitto migliorano in genere la precisione della decodifica, ma le schiere più dense e invasive aumentano anche il rischio chirurgico e quello di reazioni croniche dei tessuti. È proprio per questo che oggi il settore comprende approcci che vanno dall’EEG alle schiere Utah, anziché convergere su un’unica soluzione.

Il secondo riguarda l’alimentazione e la trasmissione dei dati senza fili: per essere utilizzabile in ambito clinico, un impianto deve trasmettere attraverso il cranio grandi quantità di dati neurali — o una loro versione compressa e decodificata — senza un cavo che attraversi la pelle. Questo pone un limite alla larghezza di banda oppure alla durata della batteria. Il terzo è la generalizzazione del decodificatore: un decodificatore addestrato sulle registrazioni di un giorno perde efficacia nei giorni successivi, perché la posizione degli elettrodi cambia e le proprietà di risposta dei neuroni variano. Per questo la stabilità «plug-and-play» — un decodificatore che continui a funzionare senza essere riaddestrato ogni giorno — è stata trattata nella letteratura scientifica come un problema di ricerca a sé, non come un dettaglio secondario. Il risultato del 2026 sull’uso domestico è la prova più solida finora che il problema sia affrontabile con una specifica schiera di elettrodi e per uno specifico compito: non equivale ad averlo risolto per hardware, utenti e applicazioni diversi.

I progressi su uno qualsiasi di questi fronti tendono a comportare compromessi sugli altri. È in larga parte per questo che il settore comprende diverse aziende che puntano su soluzioni differenti — elettrodi penetranti, superficiali o endovascolari; trasmissione dei dati via cavo o senza fili; decodificatori lineari o basati sul deep learning — anziché su un unico progetto dominante.