未来脑机接口，为什么要向大脑学习计算？

过去，脑机接口的发展有一条很清晰的主线：记录更多神经信号，再用更强的算法从中提取运动意图、语言、感觉和脑状态。

从EEG、ECoG到皮层内微电极，神经记录正不断向更高通量、更高空间分辨率发展；而神经解码也从传统的滤波、特征提取、分类器，逐渐走向深度学习、脑电大模型。依照人工智能过去十几年的经验，这条路径似乎顺理成章——数据越多，模型越强，性能越高。

但脑机接口真正进入人体之后，会遇到一个与AI完全不同的问题：脑机接口不是数据中心。

云端AI模型算力不够，可以增加GPU；数据太多，可以增加服务器。但对于植入式脑机接口来说，体积、能耗、发热、电池寿命和无线带宽都受到严格限制。而且，未来脑机接口不会只负责“读取”大脑。当系统进入神经调控、感觉恢复和双向交互之后，它还需要根据大脑当前状态实时决定如何反馈和刺激。

这意味着，未来脑机接口面对的核心问题不只是“能不能把脑信号解码得更准”，而是：如何在极低功耗下，长期、实时地处理不断产生的大规模神经信息。

2026年8月发表的综述《Towards neuromorphic neurotechnologies: integrating brain-inspired computing with brain-computer interfaces》，提出了一个值得关注的概念——Brain-Inspired BCI，即类脑脑机接口（BI-BCI）。作者试图将神经形态计算、脉冲神经网络以及神经接口整合进统一框架，最终构建低功耗、小型化、闭环运行的神经技术系统。

这并不是简单地给BCI换上一块功耗更低的芯片。它涉及了一个更底层的问题：机器处理神经信息的方式，能不能逐渐接近大脑本身处理信息的方式？

01

高通量BCI的下一步，不只是继续增加通道

今天很多脑机接口系统依然采用一种非常典型的计算逻辑：电极持续记录神经信号，以固定采样率将信号数字化，再依次完成滤波、特征提取、分类和解码。

当通道数量只有几十个、几百个时，这套架构可以工作。但如果未来植入式BCI向数千甚至更高通量发展，问题就开始出现。

通道数增加，意味着采集的数据量几乎同步增加。每一个通道都需要采样、存储、计算甚至无线传输。真正限制系统的，可能逐渐从“能不能记录更多神经元”，变成“这些数据记录下来以后怎么办”。

而大脑本身并不是这样工作的。生物神经元通过动作电位，也就是一个个离散的“尖峰”传递信息。它不是把所有状态以固定采样率持续广播，而是在特定条件下产生事件。神经系统通过发放频率、尖峰时刻以及大量神经元之间的时序关系完成信息传递。

脑机接口（BCI）系统的通用示意图

神经形态计算恰恰试图借鉴这种机制。

相较于传统冯·诺依曼架构，神经形态系统强调高度并行、计算与存储紧密结合，以及异步、事件驱动运行。换句话说，没有重要事件发生时，相应计算单元可以保持安静；只有数据真正出现时才进行计算。

这种计算方式与脑机接口所需要的计算天然契合。

未来的脑机芯片未必需要把所有原始信号完整传到体外，再交给计算机处理。尖峰检测、异常事件识别、特征编码，甚至部分解码工作，都可能提前在植入端完成，只向后传递真正重要的信息。

于是，脑机接口的架构可能从：电极→原始数据→无线传输→外部计算机逐渐转向：电极→神经事件提取→片上计算→结果输出。

研究指出，目前BCI编码系统面临的问题之一就是采集到的信息大多数是无效信息。而基于尖峰的稀疏表示有机会显著降低数据量，从而减少无线传输和计算负担。

所以高通量BCI未来真正竞争的，不只是“谁有更多电极”，而是谁能更早地把海量神经数据压缩成有效的神经信息。

神经信号与电极

02

SNN的价值：持续适应能力

类脑计算进入脑机接口的另一个核心，是脉冲神经网络（SNN）。

普通人工神经网络通常以连续数值表示神经元激活程度，而SNN使用离散的脉冲进行信息传递。它不仅关心一个神经元“是否激活”，也关心它什么时候发放脉冲、不同神经元的发放之间存在怎样的时间关系。

这个特点对脑机接口非常重要，因为脑信号天然就是一个时间系统。单神经元尖峰、局部场电位、ECoG乃至EEG，都包含大量时间结构。神经元什么时候发放，不同脑区是否同步，某一频段的振荡处于什么相位，往往都携带有用信息。

传统机器学习为了处理这些信号，通常需要先把复杂的时间序列转化成频谱功率、统计量或者固定长度的特征向量。SNN则提供了另一种可能：直接把时间本身纳入计算。

SNN能够同时表达时间、频率和相位等不同信息，并可以利用STDP、Hebbian学习和三因子规则等更接近生物神经系统的局部学习机制。

而这种机制可能还会带来另一个好处：持续适应能力。

脑信号并不是固定不变的。长期植入之后，电极与组织界面会发生变化，人的疲劳、注意、行为习惯也会改变；随着长期使用BCI，大脑本身还可能因为学习和神经可塑性形成新的活动模式。

所以，一个真正长期工作的BCI，很难只在术后训练一次模型，然后一直使用。它需要不断适应。

这也是类脑计算在BCI中的潜在优势之一：如果一部分学习可以直接发生在设备端，系统就有可能在低功耗条件下持续根据个体神经活动调整自己。综述总结的SNN优势就包括事件驱动、时间关联建模、增量学习、较低计算复杂度和较低功耗等。它可能让BCI第一次具备一种更接近神经系统本身的能力：长期学习一个具体的大脑。

神经刺激与记录方法：侵入式与非侵入式

03

从“读脑”走向闭环

过去很多BCI可以用一条简单链路表示：Brain → Computer。大脑产生信号，机器完成解码，然后控制光标、机械臂或者拼写器。但当BCI进入感觉恢复和神经调控后，这条链路开始变成：Brain → Computer → Brain。

系统不仅需要知道大脑正在发生什么，还需要决定应该向大脑输入什么。

例如闭环DBS，需要持续监测神经活动，根据脑状态决定何时进行刺激；癫痫闭环神经调控，则希望在异常活动进一步发展之前识别风险并实施干预。这时候，BCI已经不只是一个分类器，而变成一个实时控制系统。

该项研究将有效闭环神经技术的关键概括为神经调控、实时共适应和闭环构建。其中“共适应”尤其重要。因为BCI与普通机器最大的区别在于：机器在学习，大脑也在学习。

BCI改变反馈之后，人的神经系统会逐渐适应；大脑发生变化以后，原来的解码模型又可能失效，于是系统需要再次调整。最终形成的不是简单的人控制机器，而是两个不断变化的系统互相影响。

两个系统的共适应，一个是生物神经网络，一个是人工计算系统。这项研究也提出，智能闭环BCI需要让系统和大脑之间形成动态、个体化的持续适应。

04

BI-Chip：让越来越多计算发生在人体内部

在BI-BCI框架中，作者进一步提出了一个概念性的“BI-Chip”。

整个系统包括神经记录接口、解码与编码单元以及刺激接口。BI-Chip则被设想为其中的计算核心：不仅负责处理记录到的神经信号，还承担解码和编码，并根据结果控制外部设备，或者直接生成神经刺激。

如果沿着这条路线继续发展，脑机接口的计算架构可能出现一个趋势——越来越多计算从体外搬到体内。

中枢神经系统（CNS）的多尺度结构组织，及其相应的神经形态学对应物和用于研究该系统的神经接口

今天很多研究型BCI仍依赖外部计算设备：植入端负责采集，复杂解码在体外完成。未来则可能逐渐变成：电极→神经形态芯片→脑状态判断→控制或刺激。

其技术逻辑：对植入式BCI而言，把所有数据传出去再计算，本身就是一种高成本行为。无线传输需要功耗，外部通信增加延迟，大量原始脑数据离开人体也会带来额外的数据管理问题。

如果计算能够在植入端完成，神经芯片的角色就会从“脑信号采集器”，逐渐变成真正的“脑信号处理器”。这也是为什么类脑计算可能尤其适合长期植入、实时闭环的BCI，而不只是普通的离线脑电分类任务。

最先受益的，可能仍然是医疗神经技术。

已有研究已经尝试使用SNN处理EEG、运动想象、癫痫以及认知障碍相关数据；神经形态处理器也被用于动物闭环BCI，在检测神经活动后进行感觉刺激。还有研究使用神经形态芯片识别与癫痫相关的高频振荡，或者将相关架构应用于视网膜植入等神经假体。

这些场景有一个共同点：它们不一定需要一个巨大的通用模型，却非常在意低功耗、低延迟、长期运行和个体适应。

因此，癫痫闭环治疗、自适应DBS、长期神经监测、感觉神经假体以及视觉、听觉功能重建，都可能成为类脑计算较早体现价值的方向。

闭环脑机接口：BCI 是一个统称，涵盖了所有旨在与大脑进行通信的技术，这些技术通过从大脑提取信息，或利用脑刺激向大脑输入信息来实现这一目的。

不过，类脑计算也不会自动解决脑机接口的所有问题。

电极能稳定工作多久，组织反应是否改变信号质量，刺激伪影如何消除，长期刺激是否安全，这些仍然是决定BCI最终能否走向临床的基础问题。原文也特别提到植入电极寿命、电刺激伪影以及电极—组织界面的电化学安全性等挑战。

所以，更准确地说，类脑计算不是替代神经接口，而是在高通量记录之后补上另一块越来越关键的拼图。

未来的问题可能进一步变成：能不能在人体内部，以足够低的能耗，长期理解一个不断变化的大脑，并实时、安全地回应它。

如果这一方向继续发展，脑机接口里的“机”也会发生变化。

它不再只是连接在电极另一端的一台计算机，而可能逐渐成为一个与神经系统长期共存的人工神经回路：以事件方式感知，以脉冲方式计算，持续学习，并根据大脑状态实时反馈。

过去，我们一直在想办法把大脑的数据送进计算机。而下一阶段，计算本身，正在开始向大脑靠近。

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）