先承认：记录到的不是“水”这个字
上一章把脑机接口理解为特定任务中的映射。现在把镜头拉近：林阿姨看到提示后尝试选择“水”，电极并不会捕捉到一个带标签的词。它只会记录电压或其他物理量随时间的变化。研究团队需要从这些变化中找到与任务稳定相关的部分。
任何记录都同时包含目标活动和干扰。信噪比描述目标活动相对于干扰的清晰程度。头皮记录会混入眨眼、咬牙、颈部肌肉和电源噪声；植入记录也会受到电极位置、组织反应、运动和电子部件变化影响。信号更靠近神经元，不等于从此没有噪声。
“目标活动”也不是固定物体。林阿姨今天精神充足，明天可能疲劳；她第一次尝试时紧张，熟悉后会形成新的策略。即使她的意图相同，活动模式也会在分钟、天和月的尺度上变化。神经系统本身是会学习的生物系统，不是静止电路板。
采集阶段的任务是让记录足够可靠，并保存必要的时间信息。采样速度、通道位置、接触质量、放大器范围和无线传输都会影响可见内容。工程团队必须同时控制功耗、发热、带宽和安全。单纯追求更多数据，可能把其他约束推到不可接受的位置。
林阿姨的第一次提示试次
屏幕依次显示“水”和“疼”。研究人员知道每个提示出现的时刻，也知道她被要求尝试哪个选择。这些已知标签让系统可以比较两类活动。没有任务时间和提示标签，原始曲线很难自动说明她想表达什么。
五个环节不是流水线，而是相互牵制的回路
- 01 / 采集
把活动变成可计算的记录
传感器选择可见范围，硬件把微弱变化放大并数字化。位置和材料决定能看见什么，也决定风险和维护方式。
- 02 / 清理
分开可能的活动与明显伪迹
系统滤除已知频段干扰，识别坏通道和异常幅度。清理过度也会删掉有用信息，所以规则必须在真实数据上验证。
- 03 / 表示
从曲线中提取可比较模式
算法把连续记录压缩成与时间、频率或群体活动有关的量，使不同试次可以放到同一坐标中比较。
- 04 / 解码
把模式映射为候选命令
模型依据训练数据估计“水”“疼”或其他目标的可能性，再按任务规则决定是否输出。
- 05 / 反馈
让使用者看见并修正结果
屏幕、声音或触觉告诉使用者系统做了什么。新的反应又进入下一轮，使人与模型都有机会调整。
这五步常被画成从左到右的直线，真实系统却会反复回头。若模型频繁把眨眼当作选择，团队可能改变电极接触、清理规则或提示设计。若两个词的活动过于相似，也可能先缩小任务，而不是强迫一个模型从不足的信息中猜答案。
算法先决定什么值得看
原始记录每秒可能产生大量数值。直接把全部数值交给模型并不总是更好。特征是从原始记录中提取、用于区分任务状态的可计算模式。它可以是某个频段的能量、多个电极的空间组合，也可以是神经脉冲计数随时间的变化。
选择这些模式时，工程知识和统计学习会共同发挥作用。有些系统使用预先定义的频段，有些让神经网络从数据中学习表示。后者并不意味着无需解释。训练样本少、记录随时间漂移或任务范围改变时，复杂模型仍可能把偶然相关当成规律。
接下来由解码器把活动模式转换为文字、光标移动或设备控制命令。分类模型回答“更像水还是疼”，连续模型则估计光标速度或关节方向。语言型系统还会预测音素、文字或声学参数，再借助语言模型形成可读输出。
语言模型会利用语法与常见搭配填补不确定部分。它能把含噪候选变得流畅，也可能把一个不常见但重要的表达改成常见句子。若使用者想说的是罕见药名、姓名或否定词，流畅并不等于忠实。系统需要显示置信信息、保留纠错入口，并允许使用者确认关键输出。
训练与测试还必须真正分开。如果同一句话或相邻时间片同时出现在两边，模型可能记住记录环境，而不是学会可推广的活动规律。严格评估会把未见试次、未见日期甚至未见任务单独保留，并说明模型何时重新训练。
模型可解释性在这里不是要求每个参数都能用一句话说明，而是要能追踪输入、版本、输出和已知失效条件。团队应知道某次决定依赖哪些通道，更新后哪些错误增加，以及异常能否回放。对高风险输出，这种可追溯性与平均成绩同样重要。
机器学习之外，还有“人学习”
模型在第一次使用前通常需要训练数据。林阿姨按照提示多次尝试选择，系统比较记录并更新参数。这个过程称为校准：用已知任务和反馈重新估计人与设备之间的映射关系。校准不是一次安装动作，而可能是长期使用中的日常维护。
与此同时，林阿姨也会学习。她可能发现，轻微想象某个动作比用力想更稳定；她也可能学会在反馈出现前保持注意。共同适应指使用者学习产生更稳定的活动模式，算法也随数据更新，两者同时改变。最终表现属于整个人机回路，不能只归功于模型。
这解释了为何“零训练、戴上就用”是一个需要格外核实的宣传点。某些简单任务可以利用大多数人共有的反应，减少个体训练；自由度更高的控制通常仍要适配个体。减少训练负担是有价值的研究目标，但不能用隐藏的预训练或受限词表制造通用性的错觉。
反馈设计也会改变学习。若光标连续移动，使用者能逐步修正；若系统只在最后给出对错，学习线索更少。若错误会触发轮椅或刺激器动作，系统还要设置确认、停止和安全边界。反馈越接近现实动作，错误成本越不能只用准确率表示。
为什么昨天会用，今天可能失准
神经记录的统计特性会变化。头皮电极位置稍有移动，皮肤阻抗便不同；植入电极附近组织也可能随时间改变。睡眠、药物、压力、疼痛和任务熟悉度会影响活动。算法把这类变化统称为分布漂移，但对使用者来说，它表现为光标突然不听话。
一种应对方式是定期重新训练，另一种是让模型在使用中缓慢更新。两者都有代价。频繁训练占用时间，自动更新则可能把错误反馈学进去。医疗场景还要保留版本、日志和回退机制，确保团队能解释一次异常来自硬件、数据、模型还是使用条件。
长期稳定并不等于每个电极永远不变。一个稳健系统可以容忍部分通道失效，也能在记录变化时维持任务表现。评估时应同时看信号稳定、功能稳定和维护负担。使用者最终关心的是能否可靠沟通，而不是内部波形是否保持漂亮。
自动更新也需要边界
持续学习模型若改变了输出行为，使用者应知道变化发生过，并能恢复到较安全的版本。关键命令应保留人工确认和紧急停止。对植入式医疗设备而言，软件更新还涉及监管、网络安全与长期支持责任。
“准确率很高”为什么仍然不够
离线分析可以反复处理已经记录的数据，在线系统却必须及时给出结果。复制屏幕上给定句子也不同于自由表达。研究论文中的最好一次表现，不一定代表跨天平均，更不代表无人协助的家庭使用。比较系统时，先确认测试发生在什么条件下。
准确率还会被类别数量影响。在两个选项间达到高准确，不能直接外推到上万个词。文字系统要同时报告速度和错误类型；连续控制要关注延迟、轨迹稳定与错误动作。对使用者更重要的指标还包括准备时间、疲劳、照护者投入和每天可用时长。
平均值也会遮住关键波动。一个系统若大多数时候很好，却偶尔连续失效，使用体验可能比成绩较低但行为稳定的系统更差。应查看不同会话、不同时间段和不同使用条件下的分布，并询问最差情形如何被检测和处理。
“独立使用”需要清楚定义。研究人员是否在旁边调整电极、重启程序或挑选可用通道？照护者是否需要每天准备设备？若这些支持没有计入，读者会把团队共同完成的实验误认为参与者已经能独自在家完成。
一次成功演示能证明“有可能”，多名参与者重复可以检验“是否普遍”，长期家庭研究才更接近“能否生活化”。这些层级不是互相否定，而是回答不同问题。概念验证值得重视，也应被准确地称为概念验证。
林阿姨在受控房间里选中“水”，说明这一映射在当时成立。要说她获得了新的沟通能力，还要看她能否在疲劳、噪声和不同照护情境中独立完成，错误能否及时纠正，设备是否持续可用。技术价值从瞬间演示走向日常生活，需要更长的证据链。
整条回路现在已经清楚：传感器决定可见内容，处理方法塑造表示，模型给出带不确定性的候选，反馈让人和算法继续学习。任何一环变化，都可能让昨天有效的映射今天失准。下一章将把这份机制理解转化为一套判断新主张的方法。