脑机接口（BCI）在实验室里的表现越来越惊艳：瘫痪者靠“意念”打字、操控机械臂的新闻频频刷屏。可一旦换一天、换一个人、换一台设备，这些本领常大打折扣，甚至要重新校准。复旦大学、清华大学等机构的学者近日在《npj Biomedical Innovations》发表综述研究：决定脑机接口能否临床规模化的，不是开发阶段的峰值准确率，而是跨会话、跨使用者、跨设备的泛化能力。
论文用一组组数据展示近年进展。通信领域，稳态视觉诱发电位（SSVEP）拼写系统把信息传输速率提升到每分钟约50个字符；循环神经网络（RNN）手写解码器达到每分钟约90个字符，逼近日常输入速度；一名严重瘫痪者在不足两周训练后实现实时文本解码，中位速度每分钟78个词。运动控制也不逊色，目标获取成功率超过99%，机械臂神经控制自由度达7至10个。但研究指出，这些成绩多在受控条件下取得，换个场景未必能复制。
神经信号采集
神经记录本身的权衡是第一个拦路虎。综述指出，时空精度越高，通常越依赖侵入性手术，覆盖的脑区范围也越窄：脑电图（EEG）、功能近红外（fNIRS）等无创手段视野开阔，却难以捕捉精细信号；皮层内微电极阵列分辨率最高，却受制于组织反应和长期稳定性。文中直言，目前没有任何一种记录方式能同时满足高分辨率、广覆盖、低侵入与长期稳定这四项要求。
神经记录方案及其部署限制 @作者团队/npj Biomed. Innov.
更现实的问题是神经信号会“漂移”。植入后的小胶质细胞活化、胶质包裹、血管重塑都会改变电极周围的环境，让解码器逐渐失效。论文援引的一项长期观察显示，一名参与者在前80天维持83.8%的在线成功率，到第142天却跌至33.1%。这正是脑机接口从演示品走向日常工具的最大障碍。
神经记录接口的代表性进展 @作者团队/npj Biomed. Innov.
神经信号处理
学界正尝试用预训练模型应对这一挑战。论文提到，一款通用皮层内运动解码器在三十多只猴子和人类共计约两千小时的尖峰活动数据上完成预训练，并在八项下游解码任务中接受检验。不过科学家们仍持审慎态度：跨参与者、跨设备、跨记录模态的强迁移证据仍然有限，基础模型近期的价值更可能在于学习可复用的神经表征，而非省去所有面向个体的适配工作。
神经解码架构时间线 @作者团队/npj Biomed. Innov.
脑机接口应用
脑机接口应用也已从“单向读取”迈向“闭环互动”。以帕金森病为例，传统脑深部电刺激可使运动评分改善约四成；而借助β振荡等生物标志物实时调节刺激的自适应系统，把改善幅度推高到约68%，同时减少了电能总输送量。患者得到的，是随病情状态起伏而动态调整的治疗，而非一成不变的固定刺激。
脑机接口的应用领域与实证场景 @作者团队/npj Biomed. Innov.
算法再强，还得装进小小的植入体。全植入设备必须在毫瓦级功耗、有限内存与严格热安全约束下运行，稍有过热就可能损伤神经组织。研究因此呼吁硬件与算法协同设计，模型剪枝、量化、稀疏计算、神经形态处理等，都被列为降低计算负担的候选路径。换言之，脑内那枚芯片能跑多快的算法，直接决定了离线技术有多大落地空间。
脑机接口部署难点、可选方案以及验证要求 @作者团队/npj Biomed. Innov.
综述在结尾提出三项优先事项：建立披露预训练数据重叠情况的标准化基准；在目标人群与真实场景中开展前瞻性纵向验证；围绕功耗、内存、延迟推进硬件与算法的协同设计。研究者期待，脑机接口带来的独立与自由能走出个别实验室，惠及更广泛的患者——这需要以数年如一日的稳定表现来证明，而不是一次亮眼的演示。
参考：Gu, Y., Yin, H., Wang, Y. et al. Generalizable neural decoding for clinically scalable brain-computer interfaces. npj Biomed. Innov.3, 62 (2026). https://doi.org/10.1038/s44385-026-00119-0
