脑机接口的产品经理，最终会成为大模型产品经理|脑信号|rnn

脑机接口的产品经理，最终会成为大模型产品经理

分享至

这段时间在带着团队攻破脑机接口的大模型，我们将在致力于将EEG转化为MEG以及fmri。在做模型训练的时候，我们发现现在脑机接口行业几乎都是在做CNN与RNN，比如曾经那些SSVEP、P300、以及IM想象都是传统的CNN与RNN，而不是大模型。

2026 年，Meta 在脑科学与人工智能结合方向连续开源了两个重要研究方案：一是 TRIBE v2，基于大规模 fMRI 数据构建人脑对图像、视频、音频和语言刺激的预测模型，用于模拟和理解人脑如何处理复杂信息；二是 Brain2Qwerty v2，基于 MEG 脑磁图信号实现非侵入式脑信号到自然语言文本的解码。尤其是 Brain2Qwerty v2，在约 22,000 条句子、9 名志愿者、每人约 10 小时 MEG 数据训练后，平均词准确率达到约 61%，最佳受试者达到约 78%。这说明非侵入式脑机接口正在从传统的 SSVEP、P300 等有限指令分类，逐步走向连续脑信号建模、语言解码和大模型化的新阶段。

这是行业最有影响力的利用大模型训练的方式来训练脑磁图，通过全脑扫描并且要求正常人的被试来完成打字操作，从而得到意念打字的模型。

而这在以前，是没有相关影响力的洋酒，都是通过CNN或RNN来完成特征识别，并没有通过端到端深度学习、transformer/语言模型或更大规模个体数据训练

在2017年，谷歌发布了《attention is all you need》之后，就开始有出现ChatGPT以transformer来完成训练，推出了ChatGPT1.0到ChatGPT3.0逐步开始普及瞬间百万用户。

过去几年，各大团队都在追赶 ChatGPT 的能力边界。竞争不再只是简单堆叠模型参数，而是逐渐转向更高效的模型架构设计。其中，MoE（Mixture of Experts，混合专家模型）成为重要方向：它在同一个大模型内部设置多个“专家”模块，再由路由机制根据不同输入内容动态调用部分专家参与计算。这样既可以扩大模型的总参数规模，又能控制单次推理成本，使模型在语言理解、代码、数学、医学、多模态等不同任务上具备更强的专业化能力。

脑机接口还没有进入ChatGPT时代

而现在脑机接口，还处于固定刺激-响应-分类的有限指令，比如SSVEP或P300甚至是运动想象，都是通过几个核心任务来完成脑电采集，依赖CNN、RNN、LSTM等深度学习模型，以单个指令与控制为主。

从传统BCI再到深度学习BCI，这些范式的准确率确实提升了，但是却是离散的分类控制，仅仅是控制某个按钮。

在Meta发布之后，可以说脑机接口开始正式进入大模型时代，不过现在脑机接口在国内发展还是非常受限，我之前提到过主要有3个原因

1.脑机接口数据从医院为中心，不是消费者中心

脑机接口公司几乎都在攻克临床疾病，将其脑机接口作为医疗器械在做，这个就导致收集数据与应用场景非常受限。

脑机接口的数据来自于患者，而不是正常人

因为在疾病的应用，导致脑机接口的面向对象都是来自老年人、患者群体，这些群体对于脑机的反应交互门槛高，从而难以产生高质量的数据。

2.脑机接口的使用门槛高

用户要头顶一个iPad或者显示屏，这个门槛太高因为没有MR眼镜的普及，导致现在脑机接口需要搭配电视机或者pad，这就导致脑机接口的使用门槛非常高，不像手机随时可以拿出来使用。

3.脑机接口的价格不便宜

单通道的脑机接口价格现在至少都是几千块钱，在淘宝上搜索几乎都是几千块钱，一个堪比手机的设备但是却没有显示器，这就很尴尬了。

多通道的，比如32或者16都价格达到几万甚至是几十万。这就不是普通人买得起了，甚至是很多医疗机构都只能租赁。

设备刚能用，还不提研发与算力成本了。

脑机接口+transformer大模型：几乎没有人做

除了Meta发布的FMRI与MEG大模型外，在国内我们知道的做脑机接口到大模型的几乎没有人做，除了上面的原因。

还有一个原因是脑机接口的人和大模型公司几乎是两批人，现在脑机接口公司除了是硬件公司之外还是医疗器械公司，在人员梯队与人才建设上都不是模型公司那帮人。

就像现在干传统行业的，以互联网公司一样，2边是人才与公司文化的割裂，所以这也是为什么脑机接口公司没有人做大模型。

所以你可以看到现在做模型的ChatGPT 以及Meta都成立了自己的脑机接口公司，因为在技术原理与底座上，两者是相同的。

脑机接口的数据安全，和普通大模型的数据安全不是一个级别。

普通大模型处理的是文本、图片、语音和用户行为，而脑机接口处理的是人的神经活动数据。它不是简单的“我说过什么、我看过什么”，而是可能进一步指向“我正在注意什么、我想做什么、我的大脑如何反应”。所以，脑机接口数据天然就比普通互联网数据更敏感，尤其一旦进入医疗场景，它同时涉及个人敏感信息、医学数据、科研伦理、知情同意、数据授权、模型训练和临床安全边界。未来谁掌握高质量脑信号数据，谁就掌握了下一代脑机接口模型的底座。

这也是为什么，即使完全照搬 Meta Brain2Qwerty 的技术路线，在中国语境、中文输入、亚洲人群、医疗患者和消费级设备上重新构建数据集，也不是简单重复，而是新的基础设施建设。脑信号不是通用文本语料，不能像互联网文本一样直接抓取和训练。它高度依赖个体差异、语言习惯、任务设计、设备类型和采集环境。

Meta 在英语 QWERTY 打字任务上的结果，并不能直接迁移到中文输入、康复患者、消费级 EEG 脑电帽或真实医疗场景中。

Meta Brain2Qwerty v2 的确已经证明了非侵入式 MEG-to-Text 的潜力：平均词准确率达到约 61%，最佳受试者达到约 78%。

但这个结果背后，是约 22,000 条句子、9 名志愿者、每人 10 小时 MEG 记录，以及大型 MEG 设备的支持。换句话说，它现在还不是一个消费者产品，而更像是一个证明未来方向的科研系统。真正的拐点不只是准确率达到多少，而是能否把 10 小时校准压缩到几十分钟、几分钟，甚至最终实现低校准或免校准，那就达到解码大脑了。

可以说脑机接口大模型，就像小鹏汽车创始人何小鹏曾经说的，是属于：“核武器”一样的存在。

但要让脑机接口团队能够走向模型公司，我认为最快的方式还是让做模型的公司去做脑机接口，这才是最快的建设方式，因为人才、训练方式以及大模型的研发才是更重要的，脑机接口只是一个数据类型罢了。

这也是我们MindSoul团队致力于此。

今天的分享就到这里。

找我交流与合作空间计算与脑机接口系统开发