在大量脑机接口实验中，一个反复出现却始终难以解释的现象是：不同个体之间的学习能力差异巨大。有些受试者能够在很短时间内掌握控制方法，而另一些人即使经历数周甚至数月训练，效果依然有限。尤其是在基于实时神经反馈的非侵入式脑机接口系统中，研究人员经常需要为每位用户安排多次长时间训练，而最终仍然有相当比例的人无法形成稳定有效的控制能力。
长期以来，人们通常把这种现象归因于三个原因：用户训练不够、脑信号质量不佳，或者解码算法能力不足。
因此，过去二十年，脑机接口的发展逻辑其实相当一致。无论是侵入式脑机接口，还是基于脑电、功能磁共振成像（fMRI）等技术的非侵入式脑机接口，研究者们几乎都在围绕一个核心目标展开工作：提高信号读取和解码能力。更高密度的电极、更高带宽的数据采集、更复杂的机器学习模型、更强大的人工智能算法，构成了这一领域持续进步的主线。整个行业默认的前提是，只要能够获得足够丰富的大脑数据，再利用越来越强的算法进行解析，人类最终就能够实现与机器之间高效的信息交互。
但耶鲁大学团队提出了一个完全不同的解释。
具体来说，耶鲁大学的研究人员开展一项新研究。他们邀请健康的年轻人完成了四次功能性磁共振成像（fMRI）扫描实验。
在第一次实验中，参与者玩了一款电子游戏——他们利用操纵杆控制虚拟化身在虚拟场景中移动——与此同时，研究人员记录了他们的脑部活动。研究人员重点关注了一组已知与人类空间导航能力相关的大脑区域网络。
随后，他们运用了一种在早期研究中开发的名为"T-PHATE"的算法；这是一种数学方法，能够学习每个人脑部活动的自然几何结构，即其独特的“神经流形”（neural manifold）。
基于这一流形结构，研究人员设计了三种不同的映射方式，将人的脑部活动与游戏中化身的移动联系起来：
第一种利用大脑最自然、最常见的的活动模式（即最常被激活的神经路径，或称直觉映射）；第二种利用非主导但仍属自然的模式（即另一条常用的神经路径，或称“流形内扰动”）这种映射虽然不是最主要的路径，但仍然位于神经流形内部；第三种则要求大脑产生非自然的活动模式（这就像开辟一条全新的道路，或称“流形外扰动”）。
随后，研究人员构建了一个闭环系统，该系统每两秒读取一次新的脑部扫描数据，并即时将其转化为化身的移动方向。在最后三次实验中，参与者尝试仅凭意念控制化身，每种映射方式对应一次实验，研究人员则评估了他们的学习速度与准确度。
重要发现
研究人员发现，当脑机接口的映射方式顺应大脑的自然“流形”（manifold）结构时，参与者只需不到一小时的训练——有时甚至更快——就能成功学会控制虚拟化身；而当映射方式偏离这一流形结构时，参与者在同样的时间内根本无法学会。
然而，BCI 学习带来的改变不仅仅体现在行为上：大脑内部也在进行重组，调整其活动模式以更好地适应 BCI 的要求。在某些情况下，这种重组情况能预测个人的表现优劣，且影响会扩散到目标区域之外，这表明 BCI 学习产生的效应会波及大脑的不同部位。
“流形既是一种制约，也是一种机遇：它决定了人们能学什么以及学习的速度，”该研究的通讯作者、耶鲁大学文理学院（FAS）心理学教授（Susan Nolen-Hoeksema 教席）兼吴蔡研究所（Wu Tsai Institute）所长尼克·特克-布朗（Nick Turk-Browne）说道。
实际上，这不仅仅意味着学习速度变快了。
更重要的是，它表明脑机接口的可学习性可能存在某种“结构性边界”。过去行业普遍认为，只要给予足够训练，任何控制方式理论上都可以被学习。但这项研究提示我们，大脑并不是无限可塑的。神经流形既是一种约束，也是一种能力边界。当控制要求超出这一边界时，学习难度可能会呈现非线性增长，甚至直接失效。
从这个角度看，未来脑机接口设计中最重要的问题或许不再是“能否解码某种神经信号”，而是“这种控制方式是否符合大脑原本的组织结构”。
这一发现对于脑机接口产业的意义，可能比技术实验本身更加深远。
过去十年，脑机接口行业的竞争主要集中在硬件和算法层面。谁拥有更多电极、谁能够记录更多神经元、谁拥有更高的数据带宽、谁能够训练出更强大的解码模型，谁就被认为更接近未来的人机融合形态。
因此无论是侵入式脑机接口企业，还是非侵入式脑机接口企业，几乎都在沿着同一条技术路线前进：不断提升信息读取能力。
但耶鲁团队的研究提醒人们，也许还有另一条同样重要、甚至更加根本的路线存在。
未来脑机接口系统不仅需要理解神经信号代表什么，更需要理解这些信号来自哪里、为什么会出现，以及哪些信号模式本身符合大脑的自然组织原则。换句话说，行业竞争的重点可能逐渐从“神经解码能力”转向“神经适配能力”。
谁能找到最符合神经流形的控制空间，谁就可能拥有更快的训练速度、更高的成功率以及更好的长期使用体验。
这意味着未来脑机接口竞争的核心资源，除了芯片、电极和人工智能之外，还将包括认知科学、学习科学、神经动力学以及计算神经几何学。决定产品上限的，未必只是硬件性能，更可能是对大脑运行规律的理解深度。
更值得关注的是，这项研究实际上揭示了脑机接口未来发展的一个更大趋势：脑机接口正在从工程问题逐渐变成生物学问题。
Photo by Allie Barton
过去二十年，脑机接口领域最大的突破大多来自工程创新。更先进的芯片、更微型化的电极、更稳定的无线传输、更高效的人工智能算法，推动了整个产业不断向前发展。但随着硬件能力不断接近生理极限，仅靠工程技术的持续堆叠，未必能够解决所有问题。
人们真正需要理解的，也许不是如何从大脑中提取更多数据，而是大脑为什么会以这样的方式组织这些数据。
这也是研究中最有趣的发现之一。当参与者逐渐掌握脑机接口控制能力时，发生变化的不仅是行为表现，大脑本身也在同步重组。神经活动模式开始重新排列，并形成更加适合当前任务的组织结构。这意味着脑机接口并非只是一个读取大脑的设备，它同时也在塑造大脑。
从更长远的视角看，未来脑机接口的发展路径可能会逐渐演变为一个新的闭环：首先理解个体神经流形结构，然后设计与之匹配的信息映射方式，再通过持续反馈促进神经重组，最终形成新的能力模式。
这与传统脑机接口“读取—解码—输出”的单向思路相比，是一种本质上的变化。
从某种意义上说，耶鲁团队真正回答的并不是如何制造一个更好的脑机接口，而是在回答一个更深层的问题：当人类试图与机器融合时，究竟应该让大脑去适应机器，还是让机器去适应大脑？
过去几十年，整个行业更多选择了前者。而这项研究给出的答案则是后者。
如果这一方向最终得到进一步验证，那么未来脑机接口最重要的指标或许不再是能够同时记录多少神经元、每秒传输多少数据，甚至也不是解码精度达到多少个百分点。真正决定下一代脑机接口竞争力的，可能是另一个全新的能力——它究竟有多理解大脑。
而这或许才是脑机接口产业迈向成熟阶段的真正标志。
脑机接口社区是国内首家脑机接口(BCI)产业服务平台、国内脑机接口新媒体开创者与引领者。主要为企业、科研团队、投资机构和从业者提供以下服务：
宣传报道：图文、短视频、直播形式报道企业动态、技术解读、产品介绍等内容，提升曝光和行业影响力。
资源对接：根据需求匹配资本、供应链、临床机构、渠道方等资源，完成真实对接，促进合作。
成果转化：协助技术团队寻找产业方、投资人及落地场景，推动技术到产品的转化。
活动策划执行：承接线上线下路演、沙龙、论坛等活动的策划与执行。
其他定制需求：包括报告定制、市场调研、人才招聘支持等个性化服务。
合作洽谈，请联系微信：ZuoLeiLeiya
（备注：姓名-单位-合作）
投稿丨成为创作者，请联系微信：RoseBCI
🌟星标置顶🌟
不错过每一条脑机前沿进展
一键三连「分享」、「点赞」和「在看」
欢迎在评论区聊聊
