过去十几年，脑机接口产业的发展几乎始终围绕着"硬件"展开。
侵入式脑机接口不断提高电极密度、优化植入材料、提升芯片集成度，希望获取更多、更稳定的神经信号；非侵入式脑机接口则持续增加 EEG 通道数量，提高采样精度和信噪比，以获得更丰富的大脑活动信息。从科研论文到产业产品，一个几乎被默认的逻辑是：更好的脑信号，来自更好的硬件。
因此，无论是 Neuralink、Synchron，还是大量 EEG 企业，竞争重点长期集中在电极、芯片、采集系统等底层硬件能力上。对于消费级脑机接口而言，同样如此。更多采集通道、更复杂的硬件设计，往往意味着更高的识别准确率，但同时也意味着更高的成本、更复杂的佩戴方式以及更差的用户体验。这也是消费级脑机接口一直难以真正走向大众市场的重要原因之一。
然而，随着人工智能进入大模型时代，脑机接口的发展逻辑开始出现新的变化。
越来越多研究表明，未来脑机接口真正的竞争焦点，正在从"获取更多脑信号"逐渐转向"理解脑信号"。如果说过去硬件决定了脑机接口的能力上限，那么今天，AI 正在重新定义这条边界。脑机接口也正在从一个以采集设备为核心的产品，逐渐演化为一个由数据、模型、算力和工程能力共同驱动的 AI Native 系统。
AI，正在成为脑机接口真正的底层技术
这种变化，首先发生在学术界。
过去十多年，脑机接口算法大多针对单一任务开发。例如运动想象、P300、SSVEP、情绪识别等，每一种任务都需要单独采集数据、重新训练模型，算法之间几乎没有迁移能力。这与早期计算机视觉的发展非常类似——每完成一个任务，就训练一个新的模型。
但近年来，大模型的发展改变了这一范式。
2024 年提出的 LaBraM（Large Brain Model） 首次尝试利用海量 EEG 数据进行跨数据集预训练，通过 Transformer 学习脑电的通用表示能力，希望构建能够迁移到不同脑机任务的脑电基础模型。随后，EEGPT、Neuro-GPT、BrainBERT 等工作相继出现，它们几乎沿用了 GPT 和视觉基础模型的发展路径：利用大量未标注脑电数据进行自监督学习，再针对具体任务进行微调，而不是每一个脑机应用都重新训练一个模型。
这种变化意味着，脑电信号开始像文本、图像一样，成为一种可以被 Foundation Model 学习的数据模态。AI 不再只是脑机接口中的一个分类器，而是开始承担通用表示学习、跨任务迁移、个体适应和持续学习等更基础的能力。
与此同时，生成式 AI 也开始进入脑机接口领域。近年来，多项研究指出，Transformer、Diffusion、GAN 等模型不仅可以完成脑信号分类，还能够用于脑电增强、缺失通道补全、跨模态重建和个性化解码。这意味着，AI 的角色已经从"识别脑信号"，逐渐扩展到"恢复脑信号"和"理解脑信号"。
脑机接口，开始拥有属于自己的 AI Native 技术体系。
当 AI 足够强，硬件可以变得更简单
这一变化，也让产业开始重新思考一个问题：
脑机接口的发展，真的只能依赖越来越复杂的硬件吗？
长期以来，行业普遍认为，提高性能最直接的方法就是增加采集通道。更多电极意味着获取更多空间信息，更高的信噪比意味着更准确的解码结果。
因此，很多 EEG 产品不断增加通道数量，从 8 通道、16 通道发展到 32 通道、64 通道，甚至更高。
但 AI 的发展提供了另一种可能。
在计算机视觉领域，AI 可以利用超分辨率技术恢复低分辨率图像；在自然语言处理中，大语言模型可以根据上下文补全缺失信息；自动驾驶能够通过多帧融合重建环境信息。这些能力本质上都是利用模型学习隐藏在数据背后的规律，而不是依赖更昂贵的硬件。
脑机接口同样如此。
近年来，越来越多研究开始利用基础模型学习脑电数据的内在结构，在更少采集通道、更低信噪比条件下，依然获得较好的解码性能。对于消费级脑机接口来说，这意味着产品能力不再完全由硬件决定，而可以更多地依赖 AI 模型进行补偿。
这种思路，在国内消费级脑机接口企业中已经开始出现。
以今年4月份完成种子轮融资的瓦博科技为例，正在走一条 AI Native 的产品路线，其技术路线可以总结为：用算法优势突破硬件成本限制。
传统消费级脑机接口产品往往希望通过增加 EEG 通道数量来提升性能，但瓦博科技选择了另一条路线——采用单电极方案，在降低成本、简化佩戴方式的同时，把过去依赖硬件完成的能力逐渐交给 AI。
单电极意味着采集到的信息远少于传统多通道 EEG，也意味着更容易受到环境噪声、个体差异等因素影响。因此，要想真正实现稳定的脑信号解码，关键并不在于硬件，而在于模型是否能够从有限的数据中提取真正有效的信息。
从这个角度来看，瓦博科技实际上是在按照 AI Native 产品的思路设计脑机接口：硬件负责提供足够的数据入口，而 AI 则负责完成特征提取、状态理解和实时解码，把复杂性从硬件迁移到算法。
这种思路与近年来国际脑电基础模型的发展方向具有较高的一致性。无论是 LaBraM 还是 EEGPT，其核心目标都是利用更强的模型能力提升脑信号的理解能力，而不是单纯依赖更多采集设备。
AI 的竞争，最终都会回到数据
但是，更强的 AI 从哪里来？答案依然没有改变：数据。
无论是 GPT、自动驾驶还是最近非常火的具身智能，大模型能力最终都建立在海量真实数据之上。脑机接口同样如此。
近年来出现的脑电基础模型，无一不是依赖大量 EEG 数据进行预训练，再迁移到具体任务。因此，对于脑机接口企业而言，模型固然重要，但真正决定模型上限的，是是否拥有持续产生数据的能力。
这也是为什么越来越多的脑机接口企业构建产品，持续采集真实用户脑电数据，覆盖不同年龄、不同场景和不同使用方式，不断积累消费级脑电数据库。以此来实现持续运转的数据闭环。
从训练到推理，形成完整的 AI 工程闭环
如果说数据决定模型能力，那么工程能力决定模型能否真正成为产品。近年来，越来越多 AI 企业开始强调"推训一体"，脑机接口也正在进入这一阶段。
在训练侧，瓦博科技建立了数据采集、清洗和治理平台，通过消费级产品持续沉淀真实脑电数据，不断优化模型训练流程。在算力底座上，公司已将原有 CUDA 训练框架迁移至华为昇腾架构，并获得华为昇腾脑机接口领域技术认证。这意味着，脑机接口模型训练开始与国产 AI 算力生态深度融合，也为后续大规模模型训练提供了基础。
而在推理侧，公司则利用高通骁龙端侧 AI 推理能力，实现脑电信号实时解码、反馈和控制，并获得 2025 骁龙人工智能创新应用大赛冠军。未来结合骁龙 AR2 等平台，脑控交互有望进一步进入轻量化 AR 眼镜等空间计算终端，实现低延迟、低功耗的实时交互。
从数据采集、模型训练，到端侧推理，再到真实用户持续反馈，整个系统形成了完整的 AI 工程闭环。这意味着模型不是一次性交付，而是在产品使用过程中持续学习、持续优化，这也是 AI Native 产品区别于传统算法产品的重要特征。
写在最后
回顾人工智能的发展历程，每一次重要的产业跃迁，都不是由某一项单独技术推动，而是数据、模型、算力和生态共同演进的结果。从互联网到移动互联网，从深度学习到大模型，技术竞争的重心始终在不断变化。
脑机接口或许也正在经历类似的阶段。
硬件依然重要，但它正在从竞争的终点，变成 AI 系统的入口。真正决定产品能力的，将越来越多来自模型对脑信号的理解能力、真实世界数据的积累速度、训练与推理的工程体系。
从这个意义上看，AI Native 并不是脑机接口增加了一层 AI，而是整个脑机接口产业开始围绕 AI 重新组织自己的技术架构和产品逻辑。 当竞争从“更多电极”逐步转向“更好的模型、更大的数据、更完整的闭环”，脑机接口的发展也将进入一个新的阶段。届时，企业比拼的不只是硬件参数，而是谁能够持续学习、持续迭代，并不断把真实世界的大脑数据转化为产品能力。这或许正是脑机接口迈向 AI Native 时代最重要的产业信号。
参考文献：
https://arxiv.org/abs/2405.18765
https://arxiv.org/abs/2410.19779
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
