当类脑计算遇上脑机接口：下一代神经技术的新方向

脑机接口常被描述成一条从大脑通往机器的通道：采集脑信号，识别人的意图，再让光标、机械臂或其他设备作出动作。但在许多实际系统中，这条通道只完成了“读脑”和“控制”，机器做出的动作是否合适、外界发生了什么，以及大脑状态是否已经改变，并没有通过同一套系统及时反馈回来。

Fares 等人的综述试图回答一个更进一步的问题：如果脑机接口不仅要读出大脑的信息，还要把感觉或刺激送回神经系统，并在这一过程中持续学习和调整，那么负责计算的部分应该是什么样？

作者给出的方向是神经形态计算。它以神经元、突触和脉冲活动为灵感，希望用事件驱动、低功耗的硬件处理神经信号，并最终与记录和刺激接口整合成“脑启发式脑机接口”，即 BI-BCI。整篇论文不是一项单独实验的报告，而是一张技术地图：先梳理人类如何从神经系统读取信息、如何把信息写回去，再说明脉冲神经网络为什么可能成为连接两端的计算核心。

脑机接口首先要解决两件事：读懂，也要写回

从系统角度看，脑机接口有两个方向。一个方向是从大脑到外部设备：电极或传感器记录神经活动，算法从中提取与运动、语言、注意或疾病状态相关的特征，再把这些特征转换成控制命令。另一个方向是从设备回到大脑：系统把外界信息编码成刺激，通过电、磁、声、光或其他方式影响神经活动。

“读脑”的方法并不是越深入越好。头皮脑电不需要手术，覆盖范围大，但信号经过头骨和组织后会变弱，空间分辨率有限；皮层脑电、深部电极和微电极阵列能够获得更局部、更精细的活动，却要面对手术风险、组织反应和长期稳定性。综述用大量篇幅比较这些记录方式，想说明一个基本前提：后端算法能得到什么信息，首先由前端接口的信号质量和使用场景决定。

“写回”也不只是把电流打开。刺激要回答刺激哪里、何时刺激、采用什么波形和强度，以及大脑会如何解释这些输入。人工耳蜗把声音转换成听神经可以利用的电刺激；感觉型神经假体则尝试把触觉信息重新送入外周神经或躯体感觉皮层。这里最难的部分，是寻找合适的神经编码：设备发出的信号必须既能被神经系统接收，又不能造成不可接受的副作用。

为什么需要一种不同的计算方式

随着电极通道增多，脑机接口产生的数据也越来越多。传统计算机通常把存储和运算分开，数据需要在两者之间不断搬运。对桌面计算而言，这会影响速度和能耗；对可穿戴或植入式设备而言，还会直接影响电池寿命、无线传输、芯片温升和设备体积。

神经形态计算换了一种思路。它不要求所有计算单元在统一时钟下持续工作，而是让有事件的部分先响应。脉冲神经网络用离散脉冲传递信息，脉冲出现的时间、频率和相对顺序都可以参与编码。没有事件时，许多单元可以保持安静，因此这类架构尤其适合稀疏、连续并且带有明显时间结构的神经信号。

配图1｜生物神经元、传统人工神经元与脉冲神经元的比较。来源：Fares 等，npj Biomedical Innovations，2026，图5

作者特别强调了 SNN 的时间处理能力。传统人工神经网络通常接收一组固定数值，再逐层完成计算；SNN 则可以直接利用脉冲到达的时刻和先后关系。对于脑电、局部场电位和神经元放电这类不断变化的信号，时间并不是附属信息，而是信号含义的一部分。

神经形态芯片的意义，是把这种计算方式做进专用硬件。综述介绍了数字、模拟和混合信号芯片，也讨论了存算一体、新型忆阻器件以及片上学习。作者关注的不只是更低功耗，还包括低延迟、局部学习、容错和持续适应：设备如果能在靠近电极的位置完成筛选和判断，就不必把全部原始数据持续发送到外部计算机。

从单向控制走向双向闭环

开放式脑机接口像一次单向翻译：系统读出脑信号并控制外部设备，或者按照预先设定的方式持续刺激。闭环系统则要多走一步——根据设备动作、外界反馈或最新脑状态，实时改变下一次输出。

闭环可以有两种常见形式。一种是控制外部装置，例如解码运动意图驱动假肢，再把假肢接触物体时的感觉反馈给神经系统；另一种是调节大脑状态，例如记录与疾病相关的活动，只在需要时改变刺激。两者的共同点，是记录、判断和反馈不再彼此分离。

在作者看来，理想的闭环还应当是“共同适应”的。使用者会学习如何与设备配合，算法也要根据个体的神经活动变化更新判断。SNN 中的局部学习规则，如脉冲时序依赖可塑性、Hebbian 学习和三因子规则，为这种在线适应提供了接近生物学习过程的实现路径。这里的“接近”主要指计算机制和信息形式，并不代表系统已经理解了大脑。

BI-BCI：作者设想的三段式系统

在综述最后，作者把前面的技术线索收拢为 BI-BCI。这个系统由三个部分组成：神经记录接口、解码与编码单元、神经刺激接口。它们分别负责获得信号、理解并重新组织信息，以及把结果作用于大脑或外部设备。

表1｜BI-BCI 的三类基础模块。根据综述图10整理。

作者把其中的神经形态处理核心称为 BI-Chip。按照设想，它既可以是可穿戴设备的一部分，也可以进入植入式系统；既负责解码神经活动，也参与生成刺激编码。脉冲化的数据表示还有望减少无线传输的数据量，使连续监测和电池供电更容易实现。

配图2｜综述提出的 BI-BCI 概念架构：记录、解码/编码与刺激形成闭环。来源：Fares 等，npj Biomedical Innovations，2026，图10（保留原图及英文图注）。

这套架构的应用范围被作者设想得很广：它可以服务于运动和感觉神经假体，也可以用于癫痫、帕金森病等疾病的监测与神经调控，还可能支持长期无线记录。论文也谈到人机共同学习和认知增强，但同时承认，直接通过脑机接口增强健康人的认知，目前仍主要停留在抽象设想中。

各个零件已有研究，完整系统仍在路上

综述提出 BI-BCI，并不意味着这种系统已经作为一个整体完成。现有研究更多是在分别验证它的组成部分：神经形态芯片能否识别脑信号，SNN 能否在线学习，记录和刺激能否接成双向闭环，以及这些过程是否能降低功耗和延迟。

例如，2016 年的一项研究在麻醉大鼠中把神经形态解码器接入双向脑机接口，实现了神经活动、外部装置与皮层刺激之间的闭环。2021 年的另一项研究用神经形态系统处理 9 名患者既有的颅内脑电数据，实时检测与癫痫相关的高频振荡。这些工作支持“神经形态模块可以处理真实神经信号”的判断，但前者是动物实验，后者是既有数据分析，都不是长期植入人体的 BI-BCI 临床试验。

一个容易混淆的地方是，闭环神经刺激本身已经存在临床产品，例如用于特定难治性局灶性癫痫患者的 RNS 系统。它可以检测异常活动并触发刺激，但采用的是可编程检测规则，不属于综述所说的神经形态 BI-Chip。换言之，“闭环已经能够工作”与“神经形态计算已证明更适合临床”是两个不同命题。

因此，综述的创新主要是一种整合视角：把神经接口、神经编码、SNN 和低功耗硬件放在同一个闭环框架中。它提供的是研究路线，而不是临床疗效结论。作者期待神经形态计算帮助解决数据量、延迟、能耗和适应性问题，但这些优势仍要在完整系统中逐项验证。

这条路线真正难在哪里

首先是接口本身。植入电极需要在组织反应、信号质量、机械稳定性和长期安全之间取平衡。算法再先进，也无法完全补回已经在记录端丢失的信息。

其次是反馈。刺激会产生伪迹，可能掩盖系统想要继续观察的脑信号；刺激参数还受到电化学安全边界限制。闭环系统不仅要及时判断，还要避免因误判形成连续错误刺激。

第三是学习和验证。在线学习有机会适应个体差异和信号漂移，但医疗设备如果能自行改变参数，就必须明确哪些变化被允许、如何监测性能下降，以及失效时怎样回到安全状态。

最后是整机，而不只是芯片核心。记录前端、无线通信、供电、封装和刺激模块都会消耗能量。只有在同一任务和同等性能下报告完整系统的功耗、延迟与长期稳定性，才能判断神经形态方案是否真正带来了优势。

下一步要看到什么

按照这篇综述的逻辑，下一阶段最关键的验证并不是再做一张更完整的概念图，而是逐步把三个模块放进同一套系统：

1.在真实神经信号上比较 SNN 与传统低功耗算法，采用相同数据、任务和准确率口径，同时报告整机能耗与端到端延迟。

2.证明系统能够在清醒、自由活动的环境中长期运行，并适应电极漂移、运动伪迹和个体状态变化。

3.把解码与刺激真正接成安全闭环，说明刺激伪迹处理、参数边界、故障回退和在线学习审计。

4.从“能检测某种神经模式”推进到“能改善患者结局”，通过前瞻性人体研究验证临床价值。

原文所说的“新方向”，是一种系统整合

回到文章开头的问题：类脑计算为什么会与脑机接口相遇？因为脑机接口正在从单向信号转换器走向持续运行的双向闭环，而这样的系统需要在有限功耗下处理具有时间结构的神经信号，还要根据大脑和使用者的变化不断调整。神经形态计算恰好围绕事件驱动、时空处理和局部学习展开。

目前能够确认的是，记录、刺激、脉冲编码、神经形态解码和动物双向闭环都已有各自的研究基础。仍然不能确认的是，这些技术能否组成一套长期植入人体、稳定工作并改善临床结局的 BI-BCI。

下一步若出现完整系统的人体前瞻性证据，同时交代整机功耗、长期稳定性、安全机制和临床终点，才会把作者提出的框架从一条合理的技术路线，推进为一种得到验证的神经技术。

文献来源：https://www.nature.com/articles/s44385-026-00074-w