はじめに

2005年、頭部に埋め込んだ電極から信号を取り出し、人が考えるだけでPCのカーソルを動かす映像を見ました。

頭部の接続部からケーブルが伸び、外部のコンピューターにつながっている。手でマウスを操作していないのに、画面上のカーソルが動く。

「人間の脳とPCは、ここまで直接やり取りできるのか」と、強い衝撃を受けたのを今でも覚えています。

私が見たのは、2005年11月5日に放送されたNHKスペシャル「立花隆最前線報告サイボーグ技術が人類を変える」です。放送当時、私は20歳でした。

※この画像は、BCIの信号経路を伝えるために作成した概念図です。実際のBrainGate装置や研究参加者を再現したものではありません。

この記事では、当時の映像で紹介された技術を2026年から振り返り、次の点を整理します。

BrainGateとBCIの仕組み
約20年が経っても一般的なPC操作になっていない理由
AIの発展がBCIをどう変えつつあるか
AI時代に、人間の脳と学習をどう捉えるか

先に結論

BrainGateは、脳の運動野から得た神経活動を解析し、カーソルや外部機器の操作に変換するBCIです。
当時の研究は思考全般を読む「読心術」ではなく、体を動かそうとしたときの神経信号を操作入力に変える技術です。
2026年現在は、カーソル操作だけでなく、話そうとした脳活動を文字や音声に変換する研究まで進んでいます。
それでも一般化していないのは、開頭手術、長期安定性、調整、携帯性、コスト、倫理、神経データの安全性など、実用化に必要な条件が多いからです。

20年前の技術が遅れたのではありません。人の脳に関わる技術だからこそ、性能だけでなく、安全に長く使えるかを慎重に積み上げているのだと考えています。

20歳の自分が衝撃を受けた映像

番組の紹介文には、「脳の中に機械を埋め込んで脳と機械を直接つなぐ」技術の研究開発が始まっているとあります。

番組内容を整理したSCI（サイ）の資料には、サイバーキネティック社のBCIを装着した四肢麻痺の男性が、脳活動だけでブラウザ上のカーソルを操作する場面が記録されています。番組の関連解説では、この参加者はマシュー・ネーゲル氏と紹介されています。

この臨床研究は、翌2006年にNatureで報告されました。一次運動野へ96本の微小電極アレイを埋め込み、手を動かそうとするときの神経活動から「ニューラルカーソル」を操作しています。模擬メールを開く、テレビを操作する、簡単なロボット機器を動かすといった結果も示されました。

私にとって重要だったのは、高性能なコンピューターを見たことではありません。 人間の脳活動そのものが、PCの入力装置になり得る と知ったことでした。

BCIは脳とPCの間に「翻訳機」を置く

BCIは Brain-Computer Interface（ブレイン・コンピューター・インターフェース） の略です。BMI（Brain-Machine Interface）と呼ばれることもあります。

脳内の電極がカーソルの方向をそのまま読み取るわけではありません。複数の神経細胞の活動パターンを計測し、デコーダーと呼ばれる変換処理で、カーソルの移動量やクリックへと変えます。

つまり、BCIは脳とPCの間に置かれる「翻訳機」のようなものです。一方向に読み取るだけでなく、画面の反応を見ながら人間側も操作を学習するため、人と機械がフィードバックの中で調整されていきます。

カーソルが動く仕組みを簡単なコードで考える

実際のBCIは、多数の電極、信号処理、機械学習、リアルタイム制御を組み合わせた医療研究用システムです。

概念だけを簡単なPythonコードにすると、次のように表せます。

bci_decoder_demo.py

import numpy as np

# 4つの電極信号を、カーソルのX・Y方向へ変換する仮の重みです。
# 実機用の医療ソフトウェアではありません。
WEIGHTS = np.array([
    [0.8, -0.3, 0.5, 0.1],   # X方向の速度に対する重み
    [-0.2, 0.7, 0.1, -0.6],  # Y方向の速度に対する重み
])

# 力を入れていないときの基準活動を差し引きます。
BASELINE = np.array([0.2, 0.2, 0.2, 0.2])


def decode_cursor(neural_activity: np.ndarray) -> np.ndarray:
    """電極信号をカーソルのX・Y方向の速度へ変換する。"""
    centered = neural_activity - BASELINE
    return WEIGHTS @ centered


# ある瞬間に4つの電極から得た仮の活動値です。
signals = np.array([0.9, 0.1, 0.7, 0.3])
velocity = decode_cursor(signals)

print(f"cursor velocity: x={velocity[0]:.2f}, y={velocity[1]:.2f}")

実際に動かす場合は、次のように実行できます。

# 行列計算に使うNumPyを入れる
python3 -m pip install numpy

# 仮の神経信号をカーソル速度へ変換する
python3 bci_decoder_demo.py

cursor velocity: x=0.85, y=-0.22

この例は、「電極ごとの信号に重みをかけ、操作量へ変換する」という入り口だけを表しています。実用システムでは、時系列データの解析、ノイズ除去、個人ごとの調整、信号変化への追従が必要です。

人間の体は「電気だけ」で動いているわけではない

この映像は、人間の体が電気信号と密接に関係していることも実感させてくれました。

ただし、「人間の体は電気だけで制御されている」と言い切ると不正確です。

神経細胞は、細胞膜の電位変化で信号を伝え、神経細胞の間では主に神経伝達物質という化学物質を使います。運動ニューロンから筋肉へ信号が届くと、筋収縮の仕組みが働きます。

したがって、人間の体は単純な電気機器ではなく、 電気的な変化と化学反応が連携する生物システム と考える方が正確です。

約20年後、BCIはどこまで進んだか

2005年の映像では、カーソルやテレビなどの機器を動かすことが大きな到達点でした。2026年のBCIでは、AIによるデコード技術が大きく進んでいます。

時期	主な例	技術的なポイント
2005年ごろ	脳内電極でカーソルやテレビを操作	運動しようとする神経活動を外部機器の命令へ変換
2025年	話そうとする脳活動をほぼ同期的に音声化	深層学習を使い、脳活動を文字や合成音声へ変換
2026年	家庭で音声BCIとカーソルBCIを長期利用	一人の臨床研究参加者が19か月以上、約3,800時間使用

2025年にNIHが紹介した研究では、麻痺で話せなくなった参加者が発話しようとしたときの脳活動を、深層学習で音声に変換しました。80ミリ秒単位で解析し、会話の遅れを小さくすることを目指したものです。

2026年のNature Medicineの報告では、ALSの参加者が家庭で19か月以上、合計約3,800時間にわたってシステムを使用しました。研究者が同席しない状況でも、音声生成やカーソル操作を日常的に利用できたことが報告されています。

20年前の「カーソルが動いた」から、「家で長く使い、声とPC操作を取り戻す」へ。一般向けの入力装置にはまだなっていませんが、医療・支援技術としては着実に前へ進んでいます。

なぜAI時代でも、脳でPCを動かすのが一般化していないのか

「約20年前にここまでできていたのなら、なぜ今もマウスやキーボードを使っているのか」と感じるかもしれません。

しかし、研究室で数分間動くことと、誰もが日常生活で何年も安全に使えることの間には、大きな距離があります。

課題	何が難しいのか
侵襲性	脳内電極は高精度ですが、手術、感染、機器の故障などのリスクを伴います
長期安定性	電極の状態や神経信号は時間とともに変化し、同じ解析モデルがそのまま使えるとは限りません
調整	神経活動は個人ごとに異なり、日々のキャリブレーションや自動追従が必要になる場合があります
携帯性	電極だけでなく、計測機器、コンピューター、ソフトウェア、保守体制まで必要です
プライバシー	神経データを誰が保存し、何に使い、どこまで本人が制御できるかを決める必要があります
優先順位	便利な汎用デバイスより、麻痺などで失われた操作や会話を取り戻す医療的価値が先に検証されています

2025年のシステマティックレビューでも、侵襲型BCIは大きく進化した一方、携帯性と長期使用が広い臨床普及を妨げる課題として整理されています。

立花隆氏が広げてくれた知的好奇心

この番組で影響を受けたのは、サイボーグ技術だけではありません。取材を重ね、難しいテーマに踏み込んでいく立花隆氏の姿勢にも強く引かれました。

その後、立花氏の本をかなり読みました。一つの分野に閉じず、脳科学、医療、コンピューター、宇宙、社会と、疑問の先へ読み進める楽しさを知りました。これは、今も続いている読書習慣に良い影響を与えてくれたと思います。

私は文系で、大学では言語を専攻していました。もともとコンピューター科学を専門的に学んでいたわけではありません。それでも、立花氏のコンピューターに関する著書を読むことで、技術を「理系の人だけのもの」ではなく、人間、思考、社会を変えるテーマとして読むようになりました。

立花氏の影響もあり、文系・理系という区分にこだわらず、興味を持った分野を学ぶようになりました。技術を理解するには数学も必要だと考え、大学初年次レベルの解析学、線形代数、統計学を学びました。経済学を学ぶ中では、偏微分や偏微分方程式にも触れ、数式を単なる記号ではなく、現象をモデル化する道具として読む感覚も身につきました。

後にAIを学ぶとき、解析学は微分と最適化、線形代数はベクトルと行列、統計学は確率モデルや評価方法を理解する助けになりました。文系から始めた学びが、分野を越えてつながっていく面白さを感じています。

言語を学んだ経験と、コンピューターの本を読んだ経験は、今の私の中で分かれていません。人間が言葉で意図を伝えることと、コンピューターが信号を命令に変えることは、どちらも「情報をどう入力し、どう解釈し、どう出力するか」という問いにつながっています。

振り返ると、言語を専攻した経験は、後に生成AIを使うときにも役立ちました。生成AIへ依頼するときは、目的、前提、制約、出力形式を言葉で整理する必要があります。回答を受け取った後も、文脈がずれていないか、曖昧な表現が事実のように書かれていないかを読み取らなければなりません。言葉の意味や構造を考える習慣は、AIへ意図を伝え、出力を検証する土台になっています。

東京大学の学園祭で立花氏の講義を聴きに行ったことや、理化学研究所のシンポジウムに参加したことも、今では懐かしい記憶です。テレビの映像一つが、本を読み、実際の講義やシンポジウムへ足を運ぶ行動につながりました。

今振り返ると、私が受けた最も大きな影響は、「最先端技術を知った」ことだけではなく、 興味を持ったことを自分で追いかける習慣を得たこと でした。

入力と出力で脳を捉えた記憶から考えたこと

当時、茂木健一郎氏の発信を含む脳科学の本や番組に触れる中で、私は脳を、感覚から入力を受け取り、言葉や行動として出力する情報処理系のように捉えるようになりました。

ここでの「入力と出力」という表現は、特定の発言を引用したものではなく、当時の学びを振り返って私自身の比喩として整理したものです。

それでも、そこから考えたことは、今も自分の中に残っています。

脳が感覚を通じて外部から入力を受け、その結果として行動や言葉を出力するなら、日々どのような情報を入れ、どのように考え、何を言葉や行動として出すかは、学習に大きく影響するのではないか。

もちろん、脳をPCの記憶装置と同じものとして扱うことはできません。人間の記憶は、単に正確なデータを保存する仕組みではありません。

それでも、次の循環は、自分の学習を整える具体的な方法になります。

信頼できる一次情報や本を読む
自分の言葉で要約する
手を動かして試す
他者やAIから反応をもらう
間違いを直し、もう一度説明する

ある意味で、読書、講義、シンポジウム、執筆は、それぞれ入力と出力の間にフィードバックを作る行為だったのだと思います。

AI時代だからこそ、自分の頭を鍛える

コンピューターそのものは計算機として発展しており、人間の脳を再現することだけを目的に始まったわけではありません。一方、AIの源流の一つに、人間の脳が情報を処理する仕組みを数学的なモデルで表そうとする研究があります。

1943年、マカロックとピッツは、神経細胞の活動を論理と数学で表す単純化されたモデルを発表しました。1958年には、フランク・ローゼンブラットが、脳の情報保存と組織化に着想を得たパーセプトロンを発表しています。現在のニューラルネットワークも、この「ニューロンの情報伝達を抽象化する」考え方の延長線上にあります。

ただし、AIの人工ニューロンは、生物の神経細胞をそのまま再現したものではありません。脳の仕組みから着想を得た、数学的な計算モデルです。脳の信号でPCを動かすBCIと、脳に着想を得て学習するAI。向きは異なりますが、どちらも人間の脳とコンピューターの関係を探る技術だと感じます。

AIを使えば、要約、検索、コード作成、文章作成の多くを速くできます。しかし、AIが出した結果を評価するのは人間です。

何を知りたいのかを決める
バイアスのある入力になっていないか疑う
一次情報までさかのぼる
出力を自分で説明できるか確かめる
間違いがあれば、考え方ごと更新する

「自分の頭をAIとして鍛える」というのは、もちろん比喩です。人間の脳と機械学習モデルは同じものではありません。

ただ、どのような入力を選び、何を出力し、どの反応から学ぶかを意識することは、AIが身近になった時代だからこそ重要です。

今見てもすごい理由

2005年の映像は、約20年後の今見てもすごいと感じます。

それは、技術が未完成だったにもかかわらず、「人間の意図を直接コンピューターへ渡す」という未来を、実際に動く形で見せていたからです。

そして、その映像は私に技術の可能性だけでなく、疑問を持ったら本を読み、現地へ足を運び、自分で考え続けることの面白さも教えてくれました。

AIが驚くべき速度で進歩する今、あの頃の衝撃を思い出します。新しい技術に驚くだけで終わらず、自分の学び方まで変えていく。その姿勢は、20年経っても古くなっていません。

AI時代のエンジニア生存戦略使い倒す人と淘汰される人
経営者兼エンジニアにおすすめの技術映画・ドラマ11選組織・契約・セキュリティ・AIを学ぶ（今後公開予定）

参考・確認先

仕様・情報確認日: 2026年8月16日

まとめ

2005年のBrainGate研究は、脳内電極で計測した神経活動をPCカーソルなどの操作に変換しました。
現在はAIを使った音声デコードや長期の家庭使用まで進んでいますが、広い普及には安全性と運用面の課題が残っています。
立花隆氏と番組から受けた影響は、技術への興味にとどまらず、文理を分けずに読書、数学、経済学へ学びを広げる習慣につながりました。
AI時代には、AIを使う力と同時に、自分の入力、思考、出力、検証の循環を鍛えることが大切です。

おわりに

昔見た映像を今の技術と照らし合わせると、進歩の大きさと、実用化に必要な地道さの両方が見えてきます。そして、一本の番組が読書や学びの習慣まで変えることもあります。

Wealthy Designでは、AIやクラウドを使うだけでなく、技術の背景まで考え、学びを仕事につなげるエンジニアを応援しています。