脑机接口过去十年的主要进展，集中在运动和语言功能恢复。研究人员从运动皮层读取神经活动，将患者的运动意图转换为光标移动、机械臂控制或肢体动作；语言脑机接口则尝试从与发音相关的皮层活动中重建文字和语音。这条技术路线已经形成相对清楚的框架：找到与目标功能关系密切的脑区，采集高质量神经信号，再用算法把这些信号转换成外部设备能够执行的指令。但当脑机接口开始处理注意、记忆、情绪和决策，原来的框架就不完全适用了。当地时间7月20日，美国西奈山医疗系统发布消息称，西奈山伊坎医学院神经科学、神经外科和神经内科副教授 Ignacio Saez 在《Trends in Cognitive Sciences》发表综述文章《The emerging field of cognitive brain-computer interfaces》。文章提出了“认知脑机接口”的发展路线，希望将脑机接口的应用范围从运动和语言恢复，进一步扩展到认知功能障碍。这里所说的“认知脑机接口”，并不是通常意义上的读心术。它更接近一种能够持续识别大脑状态，并在必要时进行干预的闭环医疗系统。潜在应用包括抑郁症、焦虑症、创伤后应激障碍和强迫症等疾病。这篇文章没有公布一种已经完成研发的新设备，也没有报告新的临床试验结果。它的价值在于，作者试图回答一个更基础的问题：如果脑机接口的目标从恢复动作变成调节认知，整个系统应该怎样重新设计？ 图1 现有运动与语言脑机接口通常从相对明确的皮层区域采集神经信号，经解码后控制光标、机械臂、文字或合成语音。 从运动意图到内部状态运动脑机接口之所以能够较快取得进展，与运动功能的神经组织方式有关。手臂向哪个方向移动、运动速度有多快、准备执行什么动作，可以在运动皮层的神经活动中找到相对稳定的表征。语言功能虽然比简单运动复杂，但发音动作、口腔运动和部分语言输出同样存在较为明确的皮层基础。研究人员因此可以在有限区域布置高密度电极，通过神经放电或高频活动训练解码器。注意、记忆和情绪的情况不同。以决策为例，它可能同时涉及腹内侧前额叶、眶额皮层、前扣带皮层、基底节和中脑多巴胺系统。工作记忆通常需要额叶和顶叶网络共同参与，情绪调节还会涉及杏仁核、海马、岛叶以及多个前额叶区域。这意味着，认知功能很难对应到一个边界清晰的“认知脑区”。同一个脑区也可能在不同任务中承担不同作用。前额叶的一组神经元可以在一种情境中编码注意，在另一种情境中参与工作记忆或价值判断。认知状态还具有明显的时间变化。一个人的注意力可能在几秒内发生转移，情绪和动机则可能在数小时或数天内波动。睡眠、压力、药物、激素和昼夜节律都会改变大脑的工作状态。对于抑郁症等精神疾病，异常可能并不表现为某个脑区始终处于固定状态，而是脑网络进入、维持和退出某种状态的方式发生了问题。因此，认知脑机接口不能简单照搬“特定脑区信号对应特定指令”的静态解码方式。它需要先判断患者目前处于什么状态，再分析这个状态与当前环境、行为目标和疾病症状之间的关系。 图2 认知过程依赖分布式脑网络，网络会随目标快速重组，不同功能之间存在重叠，并受到脑振荡和神经调质系统影响。 单纯增加电极数量并不能解决问题按照 Saez 的设想，认知脑机接口可能需要同时采集多个脑区的神经活动。系统需要处理的不只是单神经元放电和高频活动，还包括不同频段的神经振荡、脑区之间的相位关系、跨频耦合和功能连接。这些信号能够反映多个脑区如何临时组成一个功能网络，也有机会比单个神经元的活动保持更好的长期稳定性。例如，theta节律与记忆、空间导航和认知控制有关；alpha节律经常参与对无关感觉输入的抑制；beta和gamma活动则可能反映工作记忆维持、注意分配以及脑区之间的信息传递。问题在于，同一种节律并不只属于一种认知功能。额叶theta活动可能出现在冲突监测、持续注意、情绪调节和工作记忆任务中。解码器如果脱离具体情境，仅凭某一频段功率升高就判断患者处于特定状态，结果很容易失去解释力。这也是为什么文章把音频、视频、心率、皮肤电、运动数据、睡眠节律等外周信息纳入认知脑机接口。它们不能替代神经信号，却能为神经活动提供上下文，帮助系统区分一些表面相似、实际含义不同的大脑状态。从工程角度看，认知脑机接口的难点并不只是把通道数做得更高。真正困难的是建立信号、情境和认知状态之间可信且能够长期更新的关系。谁来告诉算法“患者现在是什么状态”运动脑机接口拥有相对明确的训练标签。患者有没有移动手臂、光标是否到达目标、说出了哪个词，都可以直接观察和验证。内部认知状态缺少这样的标准答案。反应时间、任务错误率、临床量表、自我报告和生态瞬时评估，都只能反映认知状态的一个侧面。患者报告自己“情绪低落”，并不能精确说明这种状态从何时开始，也不能直接对应到某个神经回路。实验室任务能够提供更严格的控制，却未必能代表患者在真实生活中的状态。文章因此提出了一种分层标注策略。在少量、严格控制的实验中，可以利用标准化认知任务建立强标签；在临床随访中，通过量表、自我报告和手机端即时评估提供阶段性参照；在日常环境中，则通过可穿戴设备、语音、视频、睡眠和生理数据形成连续但相对较弱的标签。这些数据需要共同使用。实验室任务负责建立可解释的认知变量，长期自然场景数据则检验这些变量能否延伸到患者的真实生活。 图3 认知状态的标签强度与数据规模往往相反。受控任务提供较强标签，连续多模态数据提供更大规模和更好的生态有效性。作者还提出，可以借鉴人工智能基础模型的思路，利用来自不同患者、医院、任务和记录方式的大规模数据进行预训练，再针对具体疾病和个体进行适配。不过，颅内神经数据与互联网文本、图像数据存在明显差异。它的采集成本高，患者数量有限，不同医院的电极位置、设备和实验任务也不统一。文章估计，真正支持基础模型训练的数据，可能需要覆盖数百名患者以及数万至数十万小时的记录。这已经超出单一实验室能够完成的范围。它要求医院之间建立统一的数据标准，也要求研究团队在设计临床任务时，提前考虑跨中心共享和后续模型训练。 图4 颅内基础模型需要把神经活动、解剖影像、临床信息和行为标签对齐，通过预训练形成可跨患者、跨任务迁移的表征。 认知脑机接口需要把“读”和“写”合到一起传统脑机接口主要解决从大脑到设备的信息输出，可以理解为“读取”大脑。临床神经调控则通过深部脑刺激、经颅磁刺激或其他方式改变神经活动，更接近向大脑“写入”干预。认知脑机接口希望将两者放入同一个闭环。系统持续监测神经活动，识别异常状态出现的时间和程度，再根据患者当时的脑网络状态调整刺激位置、强度、频率和时机。刺激之后，系统继续观察神经和行为变化，并据此更新下一次干预。这种闭环设计并非完全从零开始。反应性神经刺激已经用于部分难治性癫痫患者，设备可以检测异常放电并自动进行刺激。深部脑刺激也已广泛用于帕金森病等运动障碍，并在强迫症、难治性抑郁症等精神疾病中持续探索。 图5 现有神经调控覆盖侵入式DBS、RNS和sEEG刺激，也包括非侵入式TMS与低强度聚焦超声。现有研究还发现，同样的刺激参数在不同脑状态下可能产生不同效果。刺激是否与特定神经振荡相位同步，可能影响其对记忆、认知控制和脑网络连接的作用。因此，未来系统需要解决的不只是“刺激哪里”，还包括“在什么状态下刺激”和“何时刺激”。这会带来一个庞大的参数空间。电极位置、刺激波形、频率、幅度、脉宽和时机相互影响，依靠临床医生逐项试错，很难完成快速优化。文章提出，可以引入控制理论、贝叶斯优化和神经动力学模型，在安全边界内寻找更合适的刺激策略。认知脑机接口由此不再是一个单纯的解码设备。它更像一套围绕患者状态运行的神经调控系统，其中包括多模态感知、状态估计、治疗决策和刺激反馈。 图6 运动脑机接口主要从脑到设备输出信息，开放环神经调控主要从设备向脑输入刺激；认知脑机接口将两者合并为闭环。 图7 认知脑机接口的总体构想：多脑区电生理、神经化学及外周多模态信息共同进入动态模型，解码器据此引导闭环神经调控。 产业化不会从“通用认知增强”开始从应用顺序看，这条路线更可能首先进入严重、难治且已经具备神经外科干预基础的疾病。原因很现实。侵入式认知脑机接口需要承担手术风险和长期植入风险。如果患者可以通过药物、心理治疗或非侵入式刺激获得稳定改善，植入设备很难证明其风险收益比。只有当现有治疗效果有限，疾病负担足够高，并且能够找到相对明确的临床终点时，植入式闭环系统才可能进入临床评价。因此，短期内更值得关注的不是“提升普通人的注意力”或“增强记忆”，而是难治性抑郁症、强迫症和部分严重神经精神疾病。相关患者已经在接受深部脑刺激或颅内电生理研究，这些临床基础可以为认知脑机接口提供设备、手术和监管经验。即便如此，疾病选择仍然只是第一步。系统还需要证明检测到的神经状态与症状变化存在稳定关系，刺激能够带来临床可感知的改善，并且疗效可以在实验室之外维持。这类产品的评价终点也不会只有解码准确率。监管机构和临床医生更关心患者的症状、功能、生活质量以及长期安全性。一个模型即使能够较准确地预测情绪评分，如果不能进一步指导有效治疗，其临床价值依然有限。 真正的瓶颈可能不是硬件这篇综述的重要性，不在于提出了一个全新的器件方案，而在于重新划定了脑机接口的技术边界。过去行业常以通道数、带宽和解码速度衡量系统能力。这些指标在运动和语言脑机接口中非常重要。进入认知领域后，评价体系需要发生变化。认知脑机接口首先要证明自己识别的究竟是什么，以及这个状态是否值得、也是否能够被干预。从产业角度看，未来几年认知脑机接口最关键的资产，可能不是某一块高通道采集芯片，而是长期、连续并带有临床结果的数据。谁能把颅内电生理、刺激参数、症状变化和真实生活数据稳定对应起来，谁才有机会建立可复用的疾病模型。这类数据无法依靠普通互联网方式快速积累。它依赖医院资源、长期随访、设备稳定性和严谨的临床研究设计。认知脑机接口因而会比运动脑机接口更依赖神经内科、精神科、神经外科和工程团队之间的长期合作。基础模型可以改善跨患者泛化，却很难消除个体化。精神疾病的病理机制、脑区覆盖和治疗反应差异较大，未来更现实的形态，可能是一个接受多中心数据预训练的通用模型，再通过患者自己的长期数据完成校准。通用能力降低训练成本，个体模型负责治疗精度。我们还需要对“调节认知”保持足够谨慎。认知状态没有简单的正常与异常之分，同一种情绪或注意模式在不同环境下可能具有不同意义。当设备开始根据模型判断调整患者的情绪、动机和决策，治疗目标如何确定、患者是否拥有充分控制权、数据如何使用，都会成为产品设计和监管的一部分。认知脑机接口目前仍处在路线定义阶段，距离大规模临床应用还有很长一段路。但这条路线已经把行业从“能不能读出信号”带到了一个更难的问题：读出信号之后，我们是否真正理解了患者所处的状态，又能否以可验证、可逆和安全的方式改变它。这可能是脑机接口进入精神疾病治疗前，必须回答的问题。 文献来源：1. Ignacio Saez. The emerging field of cognitive brain-computer interfaces. Trends in Cognitive Sciences, 2026. DOI: 10.1016/j.tics.2026.06.012.2. Mount Sinai Health System. Mount Sinai scientist outlines roadmap for next generation of brain-computer interfaces designed to treat cognitive disorders. 2026年7月20日。
