深圳全域智能科技有限公司（以下简称“全域智能”）近日完成数千万种子+轮融资。本轮融资由招商局创投领投，深担创投、三七互娱跟投，老股东同学村创投继续加注。本轮融资资金将围绕脑机接口基座大模型，持续投入模型研发与规模化多模态神经数据体系。
围绕脑机接口基座大模型的训练需求，全域将展开数采硬件的自主研发、以人为中心的神经数采场构建、新一代神经数采范式设计，并系统建设多任务、长时程、大规模的"脑电—物理世界上下文"同步数据集，也即，在统一时间轴上长时间同步记录受试者所看（第一视角视觉）、所听（环境声音与对话）、所做（行为与决策）以及与之严格对齐的脑电信号，为神经表征与物理世界的对齐提供数据基座。
全域智能由刘泉影、魏晨、楼可心共同创立，孵化自南方科技大学神经计算与控制实验室（NCC Lab）。创始人刘泉影教授在 ETH Zurich 获生物医学工程博士学位，博士后在Caltech 从事机器学习与控制研究，2019年回国创建了NCC lab。全域智能的CEO魏晨博士和CTO楼可心博士均毕业于NCC lab；全域智能的核心团队长期交叉于脑科学、人工智能与生物医学工程，研发人员占比超80%。
图1 | 全域智能核心团队在脑机接口领域的代表性技术成果
全域智能关注的核心，是从大规模、多通道脑电（EEG）数据中学习跨个体、跨场景和跨采集设备可迁移的通用神经表征，并进一步将这些神经表征与其发生的物理世界上下文对齐。
经典脑电解码范式通常围绕特定任务建立端对端模型，将有限时间窗内的神经信号映射到预定义标签（例如睡眠阶段、运动意图、情绪类别或疾病状态等标签）。
全域智能致力于建立通用的脑机接口基座大模型，学习通用神经表征，对齐神经表征与人的感知、行为、外部环境事件及反馈，实现跨设备、跨任务、跨被试、跨情境可泛化的解码。
让脑电从单独的波形解读，走向与大脑所处物理世界的对齐，是这套技术路线的核心。
01
脑电，不是源自“缸中之脑”
过去几十年，脑电研究建立了一套成熟的实验范式：设计实验任务、记录脑电、按照事件或时间窗口切分连续信号，再依据实验条件构建监督标签。运动想象、睡眠分期、情绪识别和疾病检测等大量脑机接口研究，都建立在这一范式之上。
实验可以把脑电切成片段，大脑本身不会。
从神经动力学的视角看，脑电是持续神经活动在特定感知输入、内部状态、行为过程和环境反馈条件下的宏观电生理观测。人看到一个事件、形成判断、采取行动并获得反馈，这些过程共同塑造随后记录到的神经活动。因此，一段脑电的解释不仅依赖其幅值、频率和时序结构，也依赖它发生时对应的任务事件与物理世界上下文。
脑电的意义，不只藏在波形里，也藏在波形与世界的关系里。
脑电解码具有明显的情境依赖性。脑电中可以直接解码出部分内在状态，但这些解码结果的含义往往取决于具体任务和环境。注意、疲劳、错误感知、偏好、反馈以及部分意图相关神经活动，都需要结合其发生时的物理世界上下文进行解释。全域智能因此将第一视角视觉、声音、行为、生理状态和环境事件纳入脑机接口基座大模型的统一建模框架，使神经活动与其对应的物理世界上下文共同进入模型。
02
预训练：先学会大脑的“共同语言”
脑电基础模型规模化首先要面对的，是显著的跨个体、跨场景和跨采集设备异质性。不同数据来源在设备、通道配置、采样率、参考方式和实验范式上存在系统差异，不同被试之间又存在明显的生理与信号分布差异。传统EEG 模型往往围绕单一数据集和单一任务优化，因此很难形成能够跨场景复用的统一表征。
全域智能率先构建了超12万小时的脑电预训练数据集，构建了脑电去噪、格式统一、时间窗口切分、信号标准化和训练样本构建等一套脑电清洗管线。
基于此，全域智能预训练了 1B 参数 Omni-EEG。该模型将连续EEG 划分为时间序列 patch，并映射到高维特征空间，通过深层 Transformer Encoder 对时间动态、跨通道交互以及不同频率尺度上的信息进行联合建模，学习跨个体、跨任务稳定的通用脑电表征。
图2 | Omni-EEG 通用脑电基座模型整体技术路线
脑电基模的预训练，并不能简单复制LLM的训练范式，需要根据脑电信号的特性进行预训练范式的设计。例如，EEG 具有显著的频谱结构，低频活动通常具有更高能量，直接以原始信号作为重构目标容易使自监督优化受到低频成分主导，从而削弱模型对其他频率尺度神经动态的学习。针对这一频率偏置（frequency bias），全域智能设计了频率平衡的掩码自编码预训练方法，通过在时频域构建重构目标，并对不同频率范围的 EEG 活动分别进行标准化，降低高能量低频成分对重构目标的主导作用，使模型能够更均衡地学习不同频率尺度上的神经活动模式。
在模型扩展实验中，随着训练数据和模型规模增加，Omni-EEG 的多任务平均分类准确率提升约 6 个百分点，部分任务提升达到 27 个百分点，初步呈现出脑机接口领域的 Scaling 趋势。
03
后训练：让神经活动重新获得“语境”
预训练关注跨个体、跨场景和跨采集设备的表征共性；后训练进一步建立这些神经表征在具体场景中的语义锚定。
在自然交互过程中，EEG、第一视角视觉、音频、行为和环境事件来自同一个人、同一段经历。如果这些信号通过统一时间轴完成事件级同步，模型便可以学习外部事件、神经状态与后续行为之间的时序对应关系：世界发生了什么，人产生了怎样的神经响应，又如何行动和反馈。
全域智能将这一过程定义为物理世界多模态对齐后训练。预训练得到的通用脑表征进一步与第一视角视频、音频、生理状态、行为和环境事件对齐，使注意、情绪、认知状态、偏好等神经信息获得明确的事件与场景参照，并形成可以被后续智能系统调用的脑状态与反馈表征。
对于Agent，这类表征可以成为显式语言和行为之外的一条连续人类反馈通道，进一步提供交互过程中的状态、判断与反馈信息。
真正稀缺的，是带着世界一起被记录的EEG。
互联网已经积累海量文本、图片、声音和视频，却几乎不存在大规模的“神经活动—第一视角环境—行为—事件”同步数据。全域智能持续积累真实交互脑电数据，并向同步数采硬件和数据基础设施上游延伸，最终仍服务于脑机接口基座大模型本身：硬件负责形成具有可靠时间对应关系的真实交互数据，数据体系进一步将神经活动、物理世界上下文和行为反馈组织为可训练样本，为模型的持续预训练和后训练提供基础。
数据规模决定模型见过多少，数据结构决定模型能够理解什么。
对全域智能而言，下一阶段需要被规模化的，不只是脑电样本量，更是具有丰富物理世界上下文的神经数据。
04
评测Bench：脑电基模的全科考试
为了系统评估脑电基模的解码能力维度，全域智能构建了 Omni-EEGBench。该基准整合 57 个公开 EEG 数据集，覆盖 58 项下游任务和 6 类脑电解码场景，并针对不同数据来源在格式、采样率、通道配置和评价标准上的差异，建立统一的数据预处理、训练划分和评价流程，用于评估脑电基础模型的跨数据集、跨个体和跨任务泛化能力。
图3 | Omni-EEGBench 多维度脑电基础模型评测体系
在当前已完成的统一测试中，基础模型编码器参数被冻结，仅训练轻量解码器分类头，以尽可能直接地衡量预训练表征本身的迁移能力。在纳入系统测试的 41 项公开脑电任务中，十亿参数级模型在其中 24 项任务达到当前最优性能；Omni-EEG 同时在 Omni-EEGBench 与 Meta NeuralBench 两套综合评测中取得综合排名第一。
基座的意义，在于让过去彼此割裂的脑电任务开始共享同一种表征。全域智能要建立的脑电基座大模型，正是这样一套大脑的“共同语言”。
05
通用基模，不等于“千人一面”
脑机接口基座大模型进入真实使用之后，还需要面对两类核心的泛化与适应问题：一是显著的跨个体差异（inter-subject variability），二是同一个体在长期使用中的信号非平稳性（non-stationarity）。因此，一个群体预训练模型能否真正进入长期脑机交互，还取决于个体快速校准和在线持续适应能力。为此，全域智能提出了Rest-Tuning 和 NeuroOnline 框架。
Rest-Tuning 面向跨个体差异。其核心思路是将个体校准与任务适配解耦：首先利用新用户1–3 分钟无标签静息态脑电，通过掩码师生对比对齐，将群体基座模型校准为个体化骨干网络；随后以该个体化模型作为多个下游任务的统一初始化，在任务侧训练轻量预测头或 LoRA 适配器，实现“单次校准、多任务共享”。冻结教师网络将校准过程锚定于群体先验，是分钟级小样本条件下保持稳定适配的重要机制。
图4 | Rest-Tuning“单次校准、多任务共享”框架
Rest-Tuning 已在 LaBraM、BIOT、CBraMod 和 EEGPT 四种主流脑电基座模型，以及 M3CV、COGBCI 两个多被试数据集上完成系统测试。在四种基座模型、两个数据集及单/多任务组合中均观察到正向增益，最大单项提升达到 13.25 个百分点；仅引入约 3%–5% 可训练参数的 Rest-LoRA 也能获得大部分性能增益。新用户采集约 1–3 分钟无标签静息态脑电即可完成有效个体校准。在达到基线同等精度时，有标签个体数据需求降低约 65%–86%。
NeuroOnline 则面向预训练模型与下游任务之间的分布差异，以及连续 EEG 的动态非平稳性。该方法通过在线反馈持续调整模型表征，使脑电基座模型能够随输入分布变化进行动态适应。在 CBraMod 和 LaBraM 两类基座模型及多个下游数据集上，NeuroOnline 相较最优离线基线均获得稳定提升，平均提升分别达到 17.85% 和 11.52%。
图5 | NeuroOnline 动态适应框架及在线解码性能
在系统实现上，NeuroOnline 采用推理—适应异步解耦机制：前台进程持续完成数据接入、模型前向计算与预测输出，后台进程利用历史样本执行增量更新，并在更新完成后同步模型参数，从而避免在线适应阻塞实时预测。当前连续流式测试中，系统端到端平均推理延迟为85.53 ms，P99 延迟为 97.12 ms。
两套技术处理的是同一个问题的两个尺度：模型既要认识“不同的人”，也要跟得上“变化的人”。
这也是全域智能对脑机接口基座大模型“通用性”的理解：通用并不意味着抹平个体差异，而是通过共享预训练底座、快速个体校准和持续在线适应，把从群体共性到具体个人的迁移成本降到足够低，使模型能够真正进入长期、连续的人机交互。
从大规模神经数据中学习通用表征，到真实物理世界的上下文理解神经活动，再通过个体化与在线适应进入真实、连续的人机交互，全域智能试图建立一套脑机接口基座大模型的完整技术路线。
从波形中读懂大脑，在世界中理解人，正是这条技术路线最终指向的目标。
We are hiring
全域智能正在招聘「脑机接口大模型研究员/实习生」。如果你对脑机接口、大模型和具身智能感兴趣，欢迎投递，和我们一起探索人脑与人工智能协同的更多可能。
邮箱：E-mail: hr@omni-intel.cn
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
