来源：伏云发，姚浩宇，李天文，赵磊，杨雪，罗荣章，徐家萍．脑机接口（BCI） 固有局限对其能力边界的约束与应对策略分析[J/OL]．生物医学工程学杂志. https://link.cnki.net/urlid/51.1258.R.20260819.1322.016

脑机接口（BCI）近年来发展迅速，但对其固有局限与能力边界的系统认识仍相对不足。本文从神经信息生成、表达、获取与利用全过程出发，分析BCI固有局限对能力边界形成的约束机制及其应对策略。分析表明，BCI固有局限主要源于神经编码动态性、个体差异、低信噪比、部分可观测性及范式依赖性等约束，并作为能力边界形成的内在基础，共同约束神经信息层、人因层和系统层能力边界，表现为准确率、信息传输率、复杂意图解码、用户体验以及稳定性、可靠性和安全性等方面的性能上限。针对不同层级约束，本文总结了信息增强、自适应解码、人机协同和系统优化等策略。分析认为，BCI性能提升本质上是在既有约束条件下提高信息利用效率，提升可实现性能并拓展能力边界，而非突破其根本限制。本文可为BCI研究、技术创新、应用及科学传播提供参考。

   引言

脑机接口（brain-computer interface，BCI）是一种以脑信号为核心、将用户及其大脑共同纳入闭环的通信与控制系统，其不依赖外周神经或肌肉活动，而是在特定范式下通过神经编码表征用户意图并采集相应脑信号，经实时解码后将其转换为通信信息或外部设备控制指令，并结合感觉反馈或神经反馈形成闭环交互系统。BCI不仅有望改善患者及残障人群的生活质量，也可能进一步拓展至健康人群，在提升生活质量和工作效率等方面展现应用潜力。近年来，随着神经科学、计算机技术、人工智能及传感技术等发展，BCI在神经康复、辅助交流、智能控制等领域取得了显著进展，并受到学术界、产业界和公众的广泛关注。

然而，随着BCI产业化进程不断加快，学界、产业界乃至公众对其能力和发展前景的认知逐渐出现一定偏差。一方面，部分研究倾向于将实验室严格控制条件下获得的高准确率（accuracy，ACC）、高信息传输率（information transfer rate，ITR）等结果外推为通用且稳定的系统能力，例如，部分稳态视觉诱发电位（steady-state visual evoked potential，SSVEP）系统在实验室条件下可获得较高信息传输率，但相关结果通常建立于固定刺激、健康受试者及短时实验条件下，难以直接代表真实应用性能；另一方面，在商业化叙事和产业转化过程中，随着BCI产业快速发展，公众对“读脑/读心”和“思维解码”等能力的期待不断提升，部分宣传容易弱化脑信号获取、解码稳定性及长期可靠性等客观约束，对BCI近期技术成熟度和应用前景形成过高预期，甚至引发一定程度的产业泡沫风险。

当前关于BCI的讨论中，既存在对其能力和应用前景的过度乐观预期，也存在对其发展潜力的低估。已有研究多聚焦于信号处理、特征提取和解码算法等方面的性能提升，而对BCI固有局限（inherent limitations）与能力边界（capability boundary）之间的关联机制关注相对不足，尚缺乏从固有局限、能力边界到工程应对策略的系统性分析。基于此，本文围绕BCI固有局限与能力边界展开分析，探讨其形成原因、主要表现及相应对策。本文分析框架如图1所示。

本文并非否定BCI的发展潜力，而是希望通过厘清其固有局限与能力边界，避免因实验室结果的简单外推或商业化宣传造成非理性预期，并为明确研究方向、推动技术创新和实现理性应用提供重要依据。

图 1BCI固有局限、能力边界、技术创新与工程优化的分析逻辑框架

   1 BCI固有局限

1.1 BCI固有局限的定义及形成机制

BCI所面临的各种限制并非都具有相同性质，其中既包括能够随着工程技术创新发展不断改善的工程技术局限，也包括由神经信息处理基本规律决定的底层约束。本文将后者定义为BCI固有局限。本文认为，BCI固有局限是指，由中枢神经系统神经信息的产生、编码、传播、获取与利用等基本规律所决定，而非由现阶段工程技术水平所导致的内在约束。在现有生物学、神经科学和物理学基本规律下，即使硬件、算法和计算能力持续发展，这些约束仍难以被彻底消除，只能通过技术创新不断缓解。因此，BCI固有局限的判定依据在于形成机制（形成原因），而非具体性能指标的当前水平。

需要强调的是，固有局限并不意味着BCI系统性能固定不变，而是意味着其形成机制具有客观稳定性，系统性能的提升始终受到基本规律约束。随着传感器、算法及系统设计的发展，其影响程度能够不断降低，系统性能可以持续逼近更高水平，但其形成机制并不会因此发生根本改变。

此外，固有局限针对的是BCI作为神经信息获取、传输与利用系统所具有的底层约束，而非某一种具体采集技术的性能限制。例如，非侵入式BCI的空间分辨率可随着传感技术的发展不断提高，因此当前空间分辨率较低本身并非固有局限。然而，其提升仍受到神经信息获取过程客观规律限制。真正具有固有性的是BCI只能获得完整脑活动有限观测，不同技术仅在可获取信息的范围和精度上存在差异。同样，脑信号低信噪比虽可通过新型电极、信号处理和智能算法改善，但传播衰减、混叠及噪声干扰等形成机制仍客观存在，因此其影响能够缓解但难以完全消除。

综上，本文讨论的固有局限强调的是神经信息处理及物理传播基本规律所决定的底层约束，而非具体技术水平造成的暂时性能限制。例如，基于头皮脑电（electroencephalography，EEG）信号的非侵入式BCI与基于Spikes等神经元放电活动的侵入式BCI均遵循上述规律，其差异主要体现在可获取神经信息的范围、精度及能力边界的位置，而非是否存在固有局限。

1.2 BCI固有局限的主要表现

根据神经信息处理全过程，BCI固有局限主要体现在神经信息生成、表达、获取和利用四个环节，其层级关系如图2所示。不同BCI技术路线均遵循这一神经信息链，仅在神经信息获取能力及能力边界位置上存在差异。

神经编码动态性和非平稳性是BCI最基本的固有局限之一。由于注意水平、疲劳、认知负荷及任务背景等因素持续变化，同一用户意图在大脑中的神经表征会发生动态改变，使脑信号统计特征难以在长时间尺度上保持稳定分布（即非平稳性）。因此，BCI需要考虑神经信息随时间变化带来的性能波动。

个体差异是BCI的重要固有局限之一。即便实验范式与训练流程一致，不同个体的可分离神经模式和可解码性仍可能存在显著差异，进而导致BCI低效现象，即部分用户在经过训练后仍难以形成稳定可识别的神经响应模式。这表明BCI并非一个可以在不同用户间直接共享统一模型的标准输入输出系统。

脑信号微弱幅值和低信噪比是BCI神经信息表达过程中的基础性固有局限。例如，以EEG为代表的非侵入式采集脑信号通常为微伏量级，在传播至头皮表面的过程中会发生显著衰减与容积传导混叠，同时易受眼电、肌电、心电及环境干扰等影响，使得与用户意图相关的神经特征常被噪声掩盖，相关技术能够提高有效神经信息提取效率，但难以改变脑信号弱幅值、体积传导及多源混叠等形成机制。

脑活动的部分可观测性是BCI神经信息获取过程中的重要固有局限。复杂意图和高级认知过程依赖多个脑区在不同时间尺度上的协同活动，其神经表征具有高度分布式和动态特征。在实际采集过程中受传感器覆盖范围、空间分辨率、时间分辨率及侵入程度等因素限制，BCI系统实际获取的信息仅是完整脑活动的有限观测。对于非侵入式BCI，通常只能获得脑活动的粗粒度投影；对于侵入式BCI，虽然能够获得更高精度神经活动信息，但其覆盖范围通常局限于有限脑区。因此，BCI实际可利用的信息始终受到完整神经活动不可完全观测这一客观约束的限制。

由于中枢神经信息天然具有局部性和不完全性。为应对这一约束，当前多数BCI系统依赖特定任务范式，如基于头皮EEG的SSVEP、事件相关电位P300和运动想象等范式，通过对意图空间进行预先压缩，实现有限类别意图的识别。这些范式识别的是任务约束下具有可检测特征的神经响应模式，而非自然生成的复杂意图。本文将这种由于神经信息生成、表达、获取与利用受限，导致当前多数BCI（尤其是非侵入式BCI）仍需依赖特定任务结构或诱发范式实现稳定意图表达与识别的特征，概括为范式依赖性。

近年来，侵入式言语BCI已能够在一定程度上解码自然语言生成过程中的神经活动，降低了对传统外部刺激诱发范式的依赖。然而，自然语言生成本身仍属于一种具有明确目标的认知任务，其神经活动依赖于相应的语言产生过程，因此当前言语BCI仍需依赖自然语言任务、个体化训练及特定交互情境，距离开放自然环境下复杂认知内容的稳定解码仍存在较大差距。随着神经记录精度和解码方法的发展，BCI正在由任务诱发型交互逐渐向更自然的意图表达方向发展，但其稳定运行仍需要依赖可识别、可重复且具有控制意义的神经信息。总体来看，不同BCI技术路线的差异主要体现在范式依赖程度和交互自由度，而非范式依赖本身的消除。

综上，BCI固有局限主要表现为神经编码动态性、个体差异、低信噪比、部分可观测性和范式依赖性，分别对应神经信息生成、表达、获取和利用过程，为后续能力边界分析奠定基础。

图 2BCI固有局限的神经信息链约束关系及形成机制

   2 BCI能力边界

固有局限主要回答“为何存在限制”，而能力边界则进一步回答“在这些限制条件下系统能够达到何种水平”。因此，有必要在分析固有局限的基础上，进一步探讨BCI能力边界的形成机制及其主要表现。

2.1 BCI能力边界的概念及形成机制

2.1.1 BCI能力边界的概念

BCI能力边界是指在既定神经信息、生理及工程实现条件约束下，系统所能够达到的最高综合性能水平。它并非某一单一性能指标的理论极值，而是神经信息约束、人因约束及系统实现约束共同作用下形成的实际性能上限。

根据约束来源和表现形式的不同，本文将BCI能力边界划分为神经信息层、人因层和系统层三个层级。其中，神经信息层（下文统称信息层）主要反映系统获取、传输和利用神经信息的能力上限；人因层反映用户长期使用过程中受到认知资源和交互体验限制所形成的能力上限；系统层则反映系统在实际应用中的稳定性、可靠性和安全性上限。图3给出了BCI能力边界的形成机制（约束因素）与层级结构。

2.1.2 BCI固有局限对其能力边界形成的约束（内在因素）

固有局限是能力边界形成的内在基础，其作用并非直接决定某一性能指标，而是通过神经信息生成、表达、获取与利用过程中的底层约束，共同限定BCI系统能够达到的综合性能水平。

需要指出的是，固有局限与能力边界并非简单的一一对应关系，而是呈现多因素耦合、多层级作用的关系。同一种固有局限可能同时影响多个能力边界，而同一种能力边界也往往受到多种限制因素共同作用。例如，低信噪比和非平稳性既影响分类准确率，也会进一步影响信息传输率和系统稳定性；部分可观测性则限制复杂意图解码能力。

因此，工程层面的研究重点并非消除固有局限或突破能力边界，而是在既有约束条件下，通过算法优化、系统设计和人机协同等方式减弱约束影响，并持续逼近最佳可实现性能。

2.1.3 外在因素对BCI能力边界形成的影响

除固有局限这一内在因素外，用户状态、交互过程及系统实现条件等外在因素也会影响能力边界在实际应用中的具体位置。与固有局限不同，外在因素并不决定能力边界存在与否，而主要影响能力边界在不同应用场景中的具体位置和实现程度。例如用户训练水平、注意力状态、认知负荷及疲劳程度，会影响系统能够稳定达到的性能水平；算法设计、硬件性能、反馈机制以及应用环境等工程因素，则影响系统对神经信息的利用效率。因此，BCI能力边界并非固定数值，而是在客观约束框架内随应用条件发生变化。

图 3BCI能力边界的形成机制（约束因素）及层级结构

2.2 BCI能力边界的层级划分及主要表现

2.2.1 神经信息层能力边界及主要表现

受脑信号低信噪比、部分可观测性、非平稳性以及范式依赖性等因素影响，信息层能力边界主要表现为准确率边界、信息传输率边界和复杂意图解码边界。

（1）准确率边界。准确率是衡量BCI性能的重要指标。由于脑信号存在噪声干扰、特征重叠以及时间漂移等问题，不同意图状态之间难以形成完全可分的特征空间，因此分类性能客观上存在最优水平。随着算法性能不断提高，准确率提升通常呈现边际收益递减趋势，其边界主要源于脑信号可分性受限和神经活动非平稳性。

（2）信息传输率边界。信息传输率反映单位时间内能够实现的有效信息传输能力，是衡量BCI通信效率的重要指标。其大小由判别类别数（N）、分类准确率（P）和决策时间（T）共同决定，如式（1）所示。

ITR = [log₂N + P·log₂P + (1–P)·log₂((1–P)/(N–1))] × 60/T　　（1）

由于N、P和T之间存在耦合关系，类别数增加或决策时间缩短往往伴随准确率下降，故信息传输率提升并非无限增长，而是在三者相互制约下存在客观上限。因此，信息传输率提升本质上是对既有神经信息利用效率的提高，而非神经信息容量本身的扩展。

（3）复杂意图解码边界。复杂认知活动通常涉及多个脑区在不同时间尺度上的协同活动，其神经表征具有高度分布式和动态特征。受部分可观测性和范式依赖性影响，当前多数BCI系统主要能够识别任务约束下的有限类别意图，而对于自然语言、抽象推理及开放式认知内容的稳定解码仍存在明显困难。近年来侵入式BCI在复杂意图解码方面取得进展，但开放自然环境下稳定解码仍存在明显限制。

2.2.2 人因层与系统层能力边界及主要表现

在人机交互过程中，即使信息层能力持续提升，系统实际性能仍受到用户因素和系统因素的进一步制约。因此，本文认为BCI还存在由对应约束所限制的人因层和系统层能力边界。

（1）人因层：脑力负荷与满意度边界。人因层能力边界主要体现为脑力负荷边界和满意度边界。由于认知资源有限，持续注意、高强度刺激以及复杂任务操作均会增加认知资源消耗，并可能引发疲劳累积和注意力下降，从而影响系统性能与使用意愿。同时，用户体验还受到交互复杂度、反馈质量及任务负担等因素的共同影响。

（2）系统层：稳定性、可靠性与安全性边界。系统层能力边界主要体现为稳定性、可靠性和安全性边界。稳定性边界反映系统长期维持性能的能力。受脑信号非平稳性、人机适应以及环境扰动影响，系统性能可能随时间、环境和用户状态变化而发生波动。可靠性边界反映系统在相同条件下获得一致输出结果的能力。受采集随机性、模型不确定性以及参数敏感性影响，BCI在相同条件下获得完全一致输出结果仍具有一定困难。安全性边界反映系统抑制误判和误操作的能力。由于脑信号本身存在不确定性，误触发和误控制难以完全消除。

   3 工程应对策略

认识固有局限和能力边界的目的并非否定BCI的发展潜力，而是明确工程优化方向。由于固有局限构成能力边界形成的内在约束，工程技术难以改变其形成机制，而主要通过优化神经信息获取、处理和利用过程，提高系统综合性能。根据能力边界层级结构，现有工程策略主要包括信息层、人因层和系统层三个方面。

3.1 神经信息层能力边界工程策略

信息层能力边界主要反映BCI系统获取、传输和利用神经信息的能力上限，其提升受到神经信息质量、可获取范围、特征稳定性以及信息利用效率等因素影响。针对准确率、信息传输率和复杂意图解码边界，现有研究主要通过优化神经信息获取、提高算法适应能力及增强信息利用效率等方式提升系统性能。

3.1.1 准确率边界提升策略

准确率是衡量BCI分类性能的核心指标，其提升主要受到脑信号低信噪比、神经编码动态性、个体差异以及特征可分性不足等因素限制，使模型在跨时间和跨个体条件下面临性能下降问题。针对上述限制，当前研究主要通过提高神经信息质量和增强模型适应能力提升分类准确率。在神经信息获取方面，高密度EEG、新型电极以及信号增强技术能够提高有效神经特征的可观测性，改善信号质量；在算法层面，自适应解码、在线学习、增量学习、迁移学习以及基础模型等方法能够根据用户状态变化和个体差异动态调整模型参数，提高系统对神经特征漂移和跨个体差异的适应能力。此外，深度学习等数据驱动方法能够进一步挖掘复杂神经模式，提高不同意图状态之间的特征分离能力。

然而，上述方法主要是在已有神经信息条件下提高有效信息提取和利用效率，并未改变神经活动持续变化和个体异质性的生理基础，同时，高密度EEG、新型电极及信号增强等技术虽然能改善信号质量，但仍受到脑信号弱幅值、传播衰减、容积传导及多源混叠等客观规律限制，其作用主要是提高有效神经信息提取效率，而非改变神经信息表达机制。随着算法性能不断提升，准确率改善通常呈现边际收益递减趋势，其提升空间仍受到神经信息可分性和稳定性的客观限制。

3.1.2 信息传输率边界提升策略

信息传输率反映BCI单位时间内实现有效信息传递的能力。信息传输率由判别类别数（N）、分类准确率（P）和决策时间（T）共同决定，如式（1）所示。由于N、P和T之间存在相互制约关系，增加类别数量或缩短决策时间通常会导致准确率下降，因此信息传输率提升并非无限增长，而是在多因素耦合作用下存在客观边界。

针对信息传输率边界，现有研究主要通过优化信息编码方式、提高决策效率以及改善交互流程等方法提升单位时间内的信息利用效率。例如，SSVEP-BCI通过设计多目标刺激编码方式，在较短时间内实现多类别意图识别，在受控实验条件下获得较高的信息传输率；异步BCI通过减少固定时间窗口限制，提高用户主动交互效率；此外，刺激范式优化、快速决策策略以及任务流程设计等方法也能够进一步提高信息传输效率。

需要指出的是，信息传输率提升主要依赖于对现有神经信息的高效编码利用，而非增加神经系统本身的信息容量。实验室高信息传输率结果通常建立于受控条件，其长期应用仍受到神经信息质量、用户状态及系统可靠性的限制。

3.1.3 复杂意图解码边界提升策略

复杂意图解码能力反映BCI从简单任务状态识别向自然、高维人机交互发展的能力水平。复杂认知活动通常涉及多个脑区在不同时间尺度上的协同活动，其神经表征具有高度分布式、动态和个体化特征。然而，现有BCI系统获取的神经信息通常只是完整脑活动的有限观测，且多数系统仍依赖特定任务范式实现稳定意图表达，因此对于自然语言、抽象思维和开放环境下复杂认知内容的稳定解码仍存在明显困难。

针对部分可观测性和范式依赖性限制，当前研究主要采用多模态神经信息融合和高精度神经记录等方法扩展神经信息获取能力。一方面，多模态神经信息融合和高精度神经记录能够扩展神经信息获取维度，提高复杂神经状态观测能力。例如，EEG-功能近红外光谱、EEG-肌电及EEG-眼动融合利用不同信息源互补性增强系统鲁棒性；高精度神经记录（如侵入式记录）则可获得更高质量和空间分辨率的局部神经活动信息。

需要指出的是，多模态融合主要通过脑信号作为核心控制信息，若主要依赖眼动、肌电等非脑信号完成交互，则其机制已不同于严格意义上的BCI。此外，高精度神经记录仍受覆盖范围和采样区域限制，仅能获得完整脑活动的有限观测。因此，上述方法能够扩展神经信息获取能力，但并未消除部分可观测性的根本约束。

另一方面，深度学习、Transformer架构以及大语言模型（large language model，LLM）辅助解码等方法能够利用复杂特征建模和语义推断能力，提高有限神经信息条件下的意图推断水平。此外，自由拼写、异步交互以及言语BCI等研究方向降低了传统诱发范式对交互过程的限制，进一步提高了交互自然性，但其仍依赖明确任务目标和可识别神经活动模式。

需要指出的是，多模态融合主要通过增加信息来源和观测维度提高信息利用效率，LLM辅助解码主要通过语义和上下文信息增强推断能力，均未改变神经信息产生和获取过程中的客观约束。总体来看，侵入式BCI虽已降低了范式依赖程度，但如1.2节所述，不同技术路线之间的差异更多体现为依赖程度的降低，而非范式依赖的完全消除。因此，复杂意图解码能力的提升，本质上是在有限神经信息基础上的能力拓展，而非突破其根本限制。

3.2 人因层能力边界提升策略

针对脑力负荷与满意度边界，现有研究主要通过优化人机交互过程、降低用户负担和提高系统可接受性等方式提升人因层能力边界。例如，自适应交互机制能够根据用户状态动态调整系统参数，范式优化和任务简化则有助于降低认知负担，提高系统可接受性和长期使用能力。上述方法能够在一定程度上缓解疲劳和注意力波动带来的影响，提高长期使用性能，但难以改变认知资源有限这一客观约束。

3.3 系统层能力边界提升策略

针对稳定性、可靠性和安全性边界，现有研究主要通过闭环反馈、冗余设计及共享控制等方式提升系统长期运行性能。闭环反馈有助于增强人机协同适应能力；冗余设计能够提高输出一致性和可靠性；共享控制通过将部分低层控制任务交由外部系统完成，降低误操作风险并提高安全性。然而，上述方法主要是在系统层面优化性能，难以消除脑信号非平稳性及环境扰动带来的不确定性。表2总结了BCI能力边界及其主要提升策略。

总体来看，现有工程方法主要通过优化神经信息获取、处理和利用过程，提高系统综合性能，使实际可实现能力不断向由神经信息规律和物理条件共同决定的理论上限拓展。然而，这些方法并未改变能力边界形成的基本约束，其作用主要体现为提升系统性能水平，而非消除边界本身。

   4 结束语

本文围绕BCI固有局限、能力边界及其应对策略进行了系统分析，提出了固有局限主要来源于神经信息生成、表达、获取与利用过程的基本规律，并进一步阐述了固有局限与能力边界之间的内在联系。分析认为，神经编码动态性、个体差异、低信噪比、部分可观测性及范式依赖性等固有局限，共同构成了BCI能力边界形成的内在基础，并进一步约束神经信息层、人因层和系统层能力边界。现有工程技术能够通过信息增强、自适应解码、多模态神经信息融合、人机协同及系统优化等方法持续提高神经信息利用效率和系统综合性能，使能力边界不断向客观约束下的理论上限拓展，但难以改变其形成机制。

从近期发展方向来看，不同技术路线应结合其特点和成熟度推进场景化应用。对于侵入式BCI，在充分发挥其科学研究价值和潜在临床应用价值的同时，应始终坚持安全性优先，在充分完成安全性、生物相容性及长期稳定性验证的基础上，进一步开展疗效评价和临床转化研究，确保患者获益；对于半侵入式BCI，应综合权衡安全风险、治疗效果及成本收益，在证明其临床优势明显优于非侵入式BCI的基础上推进应用；对于非侵入式BCI，结合其安全、便捷及可重复使用等优势，更适合优先应用于辅助交流、神经康复、辅助控制及特定人机交互等任务目标明确、控制维度相对有限的应用场景。同时，未来研究应更加关注系统安全性、稳定性、可靠性、可用性及用户满意度等综合性能的持续提升，重视不同技术路线与应用需求的匹配，选择真正适合BCI发挥优势的目标人群和应用场景，而非片面追求适用于所有场景和所有用户的通用解决方案，从而实现技术价值与实际需求的统一。

从更广泛的意义上看，对BCI固有局限与能力边界的讨论，并非为了否定其发展潜力，而是为了构建更加科学、理性和可持续的发展认知框架和伦理规范体系。任何技术的发展都需要同时看到其可能性与约束条件：忽视局限容易导致技术神话，夸大能力则可能引发不切实际的预期，而过度强调限制又可能低估其实际价值。只有在充分理解固有局限、能力边界与约束机制的基础上，基础研究、技术创新、工程优化、产业转化及社会应用才能建立在科学、理性的预期之上。对于BCI而言，真正值得追求的并非突破一切限制的无限能力，而是在认识边界、尊重规律的基础上，通过持续研究与技术创新降低固有局限对性能提升的影响，提高实际可实现能力，拓展其应用价值并推动其科学、规范和可持续发展。