腦機接口，正在進入 AI Native 時代

過去十幾年，腦機接口產業的發展幾乎始終圍繞著"硬件"展開。

侵入式腦機接口不斷提高電極密度、優化植入材料、提升芯片集成度，希望獲取更多、更穩定的神經信號；非侵入式腦機接口則持續增加 EEG 通道數量，提高采樣精度和信噪比，以獲得更豐富的大腦活動信息。從科研論文到產業產品，一個幾乎被默認的邏輯是：更好的腦信號，來自更好的硬件。

因此，無論是 Neuralink、Synchron，還是大量 EEG 企業，競爭重點長期集中在電極、芯片、采集系統等底層硬件能力上。對于消費級腦機接口而言，同樣如此。更多采集通道、更復雜的硬件設計，往往意味著更高的識別準確率，但同時也意味著更高的成本、更復雜的佩戴方式以及更差的用戶體驗。這也是消費級腦機接口一直難以真正走向大眾市場的重要原因之一。

然而，隨著人工智能進入大模型時代，腦機接口的發展邏輯開始出現新的變化。

越來越多研究表明，未來腦機接口真正的競爭焦點，正在從"獲取更多腦信號"逐漸轉向"理解腦信號"。如果說過去硬件決定了腦機接口的能力上限，那么今天，AI 正在重新定義這條邊界。腦機接口也正在從一個以采集設備為核心的產品，逐漸演化為一個由數據、模型、算力和工程能力共同驅動的 AI Native 系統。

AI，正在成為腦機接口真正的底層技術

這種變化，首先發生在學術界。

過去十多年，腦機接口算法大多針對單一任務開發。例如運動想象、P300、SSVEP、情緒識別等，每一種任務都需要單獨采集數據、重新訓練模型，算法之間幾乎沒有遷移能力。這與早期計算機視覺的發展非常類似——每完成一個任務，就訓練一個新的模型。

但近年來，大模型的發展改變了這一范式。

2024 年提出的 LaBraM（Large Brain Model） 首次嘗試利用海量 EEG 數據進行跨數據集預訓練，通過 Transformer 學習腦電的通用表示能力，希望構建能夠遷移到不同腦機任務的腦電基礎模型。隨后，EEGPT、Neuro-GPT、BrainBERT 等工作相繼出現，它們幾乎沿用了 GPT 和視覺基礎模型的發展路徑：利用大量未標注腦電數據進行自監督學習，再針對具體任務進行微調，而不是每一個腦機應用都重新訓練一個模型。

這種變化意味著，腦電信號開始像文本、圖像一樣，成為一種可以被 Foundation Model 學習的數據模態。AI 不再只是腦機接口中的一個分類器，而是開始承擔通用表示學習、跨任務遷移、個體適應和持續學習等更基礎的能力。

與此同時，生成式 AI 也開始進入腦機接口領域。近年來，多項研究指出，Transformer、Diffusion、GAN 等模型不僅可以完成腦信號分類，還能夠用于腦電增強、缺失通道補全、跨模態重建和個性化解碼。這意味著，AI 的角色已經從"識別腦信號"，逐漸擴展到"恢復腦信號"和"理解腦信號"。

腦機接口，開始擁有屬于自己的 AI Native 技術體系。

當 AI 足夠強，硬件可以變得更簡單

這一變化，也讓產業開始重新思考一個問題：

腦機接口的發展，真的只能依賴越來越復雜的硬件嗎？

長期以來，行業普遍認為，提高性能最直接的方法就是增加采集通道。更多電極意味著獲取更多空間信息，更高的信噪比意味著更準確的解碼結果。

因此，很多 EEG 產品不斷增加通道數量，從 8 通道、16 通道發展到 32 通道、64 通道，甚至更高。

但 AI 的發展提供了另一種可能。

在計算機視覺領域，AI 可以利用超分辨率技術恢復低分辨率圖像；在自然語言處理中，大語言模型可以根據上下文補全缺失信息；自動駕駛能夠通過多幀融合重建環境信息。這些能力本質上都是利用模型學習隱藏在數據背后的規律，而不是依賴更昂貴的硬件。

腦機接口同樣如此。

近年來，越來越多研究開始利用基礎模型學習腦電數據的內在結構，在更少采集通道、更低信噪比條件下，依然獲得較好的解碼性能。對于消費級腦機接口來說，這意味著產品能力不再完全由硬件決定，而可以更多地依賴 AI 模型進行補償。

這種思路，在國內消費級腦機接口企業中已經開始出現。

以今年4月份完成種子輪融資的瓦博科技為例，正在走一條 AI Native 的產品路線，其技術路線可以總結為：用算法優勢突破硬件成本限制。

傳統消費級腦機接口產品往往希望通過增加 EEG 通道數量來提升性能，但瓦博科技選擇了另一條路線——采用單電極方案，在降低成本、簡化佩戴方式的同時，把過去依賴硬件完成的能力逐漸交給 AI。

單電極意味著采集到的信息遠少于傳統多通道 EEG，也意味著更容易受到環境噪聲、個體差異等因素影響。因此，要想真正實現穩定的腦信號解碼，關鍵并不在于硬件，而在于模型是否能夠從有限的數據中提取真正有效的信息。

從這個角度來看，瓦博科技實際上是在按照 AI Native 產品的思路設計腦機接口：硬件負責提供足夠的數據入口，而 AI 則負責完成特征提取、狀態理解和實時解碼，把復雜性從硬件遷移到算法。

這種思路與近年來國際腦電基礎模型的發展方向具有較高的一致性。無論是 LaBraM 還是 EEGPT，其核心目標都是利用更強的模型能力提升腦信號的理解能力，而不是單純依賴更多采集設備。

AI 的競爭，最終都會回到數據

但是，更強的 AI 從哪里來？答案依然沒有改變：數據。

無論是 GPT、自動駕駛還是最近非常火的具身智能，大模型能力最終都建立在海量真實數據之上。腦機接口同樣如此。

近年來出現的腦電基礎模型，無一不是依賴大量 EEG 數據進行預訓練，再遷移到具體任務。因此，對于腦機接口企業而言，模型固然重要，但真正決定模型上限的，是是否擁有持續產生數據的能力。

這也是為什么越來越多的腦機接口企業構建產品，持續采集真實用戶腦電數據，覆蓋不同年齡、不同場景和不同使用方式，不斷積累消費級腦電數據庫。以此來實現持續運轉的數據閉環。

從訓練到推理，形成完整的 AI 工程閉環

如果說數據決定模型能力，那么工程能力決定模型能否真正成為產品。近年來，越來越多 AI 企業開始強調"推訓一體"，腦機接口也正在進入這一階段。

在訓練側，瓦博科技建立了數據采集、清洗和治理平臺，通過消費級產品持續沉淀真實腦電數據，不斷優化模型訓練流程。在算力底座上，公司已將原有 CUDA 訓練框架遷移至華為昇騰架構，并獲得華為昇騰腦機接口領域技術認證。這意味著，腦機接口模型訓練開始與國產 AI 算力生態深度融合，也為后續大規模模型訓練提供了基礎。

而在推理側，公司則利用高通驍龍端側 AI 推理能力，實現腦電信號實時解碼、反饋和控制，并獲得 2025 驍龍人工智能創新應用大賽冠軍。未來結合驍龍 AR2 等平臺，腦控交互有望進一步進入輕量化 AR 眼鏡等空間計算終端，實現低延遲、低功耗的實時交互。

從數據采集、模型訓練，到端側推理，再到真實用戶持續反饋，整個系統形成了完整的 AI 工程閉環。這意味著模型不是一次性交付，而是在產品使用過程中持續學習、持續優化，這也是 AI Native 產品區別于傳統算法產品的重要特征。

回顧人工智能的發展歷程，每一次重要的產業躍遷，都不是由某一項單獨技術推動，而是數據、模型、算力和生態共同演進的結果。從互聯網到移動互聯網，從深度學習到大模型，技術競爭的重心始終在不斷變化。

腦機接口或許也正在經歷類似的階段。

硬件依然重要，但它正在從競爭的終點，變成 AI 系統的入口。真正決定產品能力的，將越來越多來自模型對腦信號的理解能力、真實世界數據的積累速度、訓練與推理的工程體系。

從這個意義上看，AI Native 并不是腦機接口增加了一層 AI，而是整個腦機接口產業開始圍繞 AI 重新組織自己的技術架構和產品邏輯。 當競爭從“更多電極”逐步轉向“更好的模型、更大的數據、更完整的閉環”，腦機接口的發展也將進入一個新的階段。屆時，企業比拼的不只是硬件參數，而是誰能夠持續學習、持續迭代，并不斷把真實世界的大腦數據轉化為產品能力。這或許正是腦機接口邁向 AI Native 時代最重要的產業信號。

參考文獻：

https://arxiv.org/abs/2405.18765

https://arxiv.org/abs/2410.19779

腦機接口社區是國內首家腦機接口(BCI)產業服務平臺、國內腦機接口新媒體開創者與引領者。主要為企業、科研團隊、投資機構和從業者提供以下服務：

宣傳報道：圖文、短視頻、直播形式報道企業動態、技術解讀、產品介紹等內容，提升曝光和行業影響力。

資源對接：根據需求匹配資本、供應鏈、臨床機構、渠道方等資源，完成真實對接，促進合作。

成果轉化：協助技術團隊尋找產業方、投資人及落地場景，推動技術到產品的轉化。

活動策劃執行：承接線上線下路演、沙龍、論壇等活動的策劃與執行。

其他定制需求：包括報告定制、市場調研、人才招聘支持等個性化服務。

合作洽談，請聯系微信：ZuoLeiLeiya

（備注：姓名-單位-合作）

投稿丨成為創作者，請聯系微信：RoseBCI

不錯過每一條腦機前沿進展

一鍵三連「分享」、「點贊」和「在看」

歡迎在評論區聊聊