腦機前瞻 | 決定腦機產品上限的，也許不是腦電數據、解碼能力而是神經適配能力

在大量腦機接口實驗中，一個反復出現卻始終難以解釋的現象是：不同個體之間的學習能力差異巨大。有些受試者能夠在很短時間內掌握控制方法，而另一些人即使經歷數周甚至數月訓練，效果依然有限。尤其是在基于實時神經反饋的非侵入式腦機接口系統中，研究人員經常需要為每位用戶安排多次長時間訓練，而最終仍然有相當比例的人無法形成穩定有效的控制能力。

長期以來，人們通常把這種現象歸因于三個原因：用戶訓練不夠、腦信號質量不佳，或者解碼算法能力不足。

因此，過去二十年，腦機接口的發展邏輯其實相當一致。無論是侵入式腦機接口，還是基于腦電、功能磁共振成像（fMRI）等技術的非侵入式腦機接口，研究者們幾乎都在圍繞一個核心目標展開工作：提高信號讀取和解碼能力。更高密度的電極、更高帶寬的數據采集、更復雜的機器學習模型、更強大的人工智能算法，構成了這一領域持續進步的主線。整個行業默認的前提是，只要能夠獲得足夠豐富的大腦數據，再利用越來越強的算法進行解析，人類最終就能夠實現與機器之間高效的信息交互。

但耶魯大學團隊提出了一個完全不同的解釋。

具體來說，耶魯大學的研究人員開展一項新研究。他們邀請健康的年輕人完成了四次功能性磁共振成像（fMRI）掃描實驗。

在第一次實驗中，參與者玩了一款電子游戲——他們利用操縱桿控制虛擬化身在虛擬場景中移動——與此同時，研究人員記錄了他們的腦部活動。研究人員重點關注了一組已知與人類空間導航能力相關的大腦區域網絡。

隨后，他們運用了一種在早期研究中開發的名為"T-PHATE"的算法；這是一種數學方法，能夠學習每個人腦部活動的自然幾何結構，即其獨特的“神經流形”（neural manifold）。

基于這一流形結構，研究人員設計了三種不同的映射方式，將人的腦部活動與游戲中化身的移動聯系起來：

第一種利用大腦最自然、最常見的的活動模式（即最常被激活的神經路徑，或稱直覺映射）；第二種利用非主導但仍屬自然的模式（即另一條常用的神經路徑，或稱“流形內擾動”）這種映射雖然不是最主要的路徑，但仍然位于神經流形內部；第三種則要求大腦產生非自然的活動模式（這就像開辟一條全新的道路，或稱“流形外擾動”）。

隨后，研究人員構建了一個閉環系統，該系統每兩秒讀取一次新的腦部掃描數據，并即時將其轉化為化身的移動方向。在最后三次實驗中，參與者嘗試僅憑意念控制化身，每種映射方式對應一次實驗，研究人員則評估了他們的學習速度與準確度。

重要發現

研究人員發現，當腦機接口的映射方式順應大腦的自然“流形”（manifold）結構時，參與者只需不到一小時的訓練——有時甚至更快——就能成功學會控制虛擬化身；而當映射方式偏離這一流形結構時，參與者在同樣的時間內根本無法學會。

然而，BCI 學習帶來的改變不僅僅體現在行為上：大腦內部也在進行重組，調整其活動模式以更好地適應 BCI 的要求。在某些情況下，這種重組情況能預測個人的表現優劣，且影響會擴散到目標區域之外，這表明 BCI 學習產生的效應會波及大腦的不同部位。

“流形既是一種制約，也是一種機遇：它決定了人們能學什么以及學習的速度，”該研究的通訊作者、耶魯大學文理學院（FAS）心理學教授（Susan Nolen-Hoeksema 教席）兼吳蔡研究所（Wu Tsai Institute）所長尼克·特克-布朗（Nick Turk-Browne）說道。

實際上，這不僅僅意味著學習速度變快了。

更重要的是，它表明腦機接口的可學習性可能存在某種“結構性邊界”。過去行業普遍認為，只要給予足夠訓練，任何控制方式理論上都可以被學習。但這項研究提示我們，大腦并不是無限可塑的。神經流形既是一種約束，也是一種能力邊界。當控制要求超出這一邊界時，學習難度可能會呈現非線性增長，甚至直接失效。

從這個角度看，未來腦機接口設計中最重要的問題或許不再是“能否解碼某種神經信號”，而是“這種控制方式是否符合大腦原本的組織結構”。

這一發現對于腦機接口產業的意義，可能比技術實驗本身更加深遠。

過去十年，腦機接口行業的競爭主要集中在硬件和算法層面。誰擁有更多電極、誰能夠記錄更多神經元、誰擁有更高的數據帶寬、誰能夠訓練出更強大的解碼模型，誰就被認為更接近未來的人機融合形態。

因此無論是侵入式腦機接口企業，還是非侵入式腦機接口企業，幾乎都在沿著同一條技術路線前進：不斷提升信息讀取能力。

但耶魯團隊的研究提醒人們，也許還有另一條同樣重要、甚至更加根本的路線存在。

未來腦機接口系統不僅需要理解神經信號代表什么，更需要理解這些信號來自哪里、為什么會出現，以及哪些信號模式本身符合大腦的自然組織原則。換句話說，行業競爭的重點可能逐漸從“神經解碼能力”轉向“神經適配能力”。

誰能找到最符合神經流形的控制空間，誰就可能擁有更快的訓練速度、更高的成功率以及更好的長期使用體驗。

這意味著未來腦機接口競爭的核心資源，除了芯片、電極和人工智能之外，還將包括認知科學、學習科學、神經動力學以及計算神經幾何學。決定產品上限的，未必只是硬件性能，更可能是對大腦運行規律的理解深度。

更值得關注的是，這項研究實際上揭示了腦機接口未來發展的一個更大趨勢：腦機接口正在從工程問題逐漸變成生物學問題。

Photo by Allie Barton

過去二十年，腦機接口領域最大的突破大多來自工程創新。更先進的芯片、更微型化的電極、更穩定的無線傳輸、更高效的人工智能算法，推動了整個產業不斷向前發展。但隨著硬件能力不斷接近生理極限，僅靠工程技術的持續堆疊，未必能夠解決所有問題。

人們真正需要理解的，也許不是如何從大腦中提取更多數據，而是大腦為什么會以這樣的方式組織這些數據。

這也是研究中最有趣的發現之一。當參與者逐漸掌握腦機接口控制能力時，發生變化的不僅是行為表現，大腦本身也在同步重組。神經活動模式開始重新排列，并形成更加適合當前任務的組織結構。這意味著腦機接口并非只是一個讀取大腦的設備，它同時也在塑造大腦。

從更長遠的視角看，未來腦機接口的發展路徑可能會逐漸演變為一個新的閉環：首先理解個體神經流形結構，然后設計與之匹配的信息映射方式，再通過持續反饋促進神經重組，最終形成新的能力模式。

這與傳統腦機接口“讀取—解碼—輸出”的單向思路相比，是一種本質上的變化。

從某種意義上說，耶魯團隊真正回答的并不是如何制造一個更好的腦機接口，而是在回答一個更深層的問題：當人類試圖與機器融合時，究竟應該讓大腦去適應機器，還是讓機器去適應大腦？

過去幾十年，整個行業更多選擇了前者。而這項研究給出的答案則是后者。

如果這一方向最終得到進一步驗證，那么未來腦機接口最重要的指標或許不再是能夠同時記錄多少神經元、每秒傳輸多少數據，甚至也不是解碼精度達到多少個百分點。真正決定下一代腦機接口競爭力的，可能是另一個全新的能力——它究竟有多理解大腦。

而這或許才是腦機接口產業邁向成熟階段的真正標志。

腦機接口社區是國內首家腦機接口(BCI)產業服務平臺、國內腦機接口新媒體開創者與引領者。主要為企業、科研團隊、投資機構和從業者提供以下服務：

宣傳報道：圖文、短視頻、直播形式報道企業動態、技術解讀、產品介紹等內容，提升曝光和行業影響力。

資源對接：根據需求匹配資本、供應鏈、臨床機構、渠道方等資源，完成真實對接，促進合作。

成果轉化：協助技術團隊尋找產業方、投資人及落地場景，推動技術到產品的轉化。

活動策劃執行：承接線上線下路演、沙龍、論壇等活動的策劃與執行。

其他定制需求：包括報告定制、市場調研、人才招聘支持等個性化服務。

合作洽談，請聯系微信：ZuoLeiLeiya

（備注：姓名-單位-合作）

投稿丨成為創作者，請聯系微信：RoseBCI

不錯過每一條腦機前沿進展

一鍵三連「分享」、「點贊」和「在看」

歡迎在評論區聊聊