脑机启侦 | 一小时适配新大脑，Brain-IT给脑机接口行业带来什么？（10.15）

当大模型仍在文本、图像与视频的世界里学习统计规律时，另一条技术路线正在把学习目标指向人类自身：让AI直接理解大脑活动，并从脑信号中重建人的视觉体验。近期，以色列魏茨曼科学研究所Michal Irani教授团队提出的Brain-IT（Brain-Interaction Transformer）在ICLR 2026发表，其将新受试者的个性化训练数据需求从数十小时压缩至约一小时，引发了行业对"脑信号解码通用化"的新一轮讨论。在脑机接口产业加速落地的2026年，这项看似停留在实验室阶段的成果，实际上触及了制约整个行业规模化的核心瓶颈——数据与泛化。

脑信号AI研究长期面临一个结构性困境：真实的"图像—脑活动"配对数据极难低成本扩张。受试者需要在fMRI设备中完成数十小时的扫描实验，而互联网上可以无限获取的图文数据在这条路线上完全失效。数据不足，直接决定了脑机解码模型"一人一训"的高成本模式难以走向应用。而Brain-IT的技术价值正在于此，从研究团队报告中可知，新受试者仅有约一小时fMRI数据的情况下，模型即可取得与既有方法使用完整40小时数据相当的重建表现，在Natural Scenes Dataset的八项定量指标中七项优于基线。不过需要客观指出的是，这一结果建立在特定数据集、实验设置与评价指标之上，"一小时适配"也不等于人人扫描一小时即可获得同等效果。但其方向性意义明确：脑信号解码的通用化，可能优先于很多人预期到来。

从行业发展的角度来看，Brain-IT所体现的数据效率或许会成为脑机接口的新竞争维度。过去行业比拼的是通道数、电极材料和植入精度，而Brain-IT提示了一个同样关键的命题——在神经数据天然稀缺的领域，谁能用更少的个体数据完成适配，谁就握有临床转化的成本优势。这一点对侵入式路线尤为重要：每增加一名受试者的训练数据，都意味着额外的手术、随访与伦理成本。此外，Brain-IT团队通过通用脑编码器识别出128个跨个体共享的功能区域，其中部分与既有神经科学认识吻合，部分提供了新线索。这意味着大模型不仅能预测脑活动，还能反向辅助科学家提出假设、筛选实验方向。AI for Science的范式，正在神经科学领域找到落地样本。

我们将视线拉回国内，Brain-IT走的"读取—重建"路线与国内明视脑机的逆向"写入"路线有所不同，明视脑机通过植入视觉皮层的柔性电极阵列，以闭环大规模电刺激向大脑输入精确信号图谱，诱导全盲患者产生视觉感知。其系统由RV-IPG刺激模块与VPU视觉处理单元构成，独创"脑机双学习"系统，由大脑学习与机器学习协同实时优化刺激参数，解决传统设备视觉感知易衰退的瓶颈。

两条路线的分野，本质是"解码大脑"与"教会大脑理解机器"两种技术哲学的分野。Brain-IT的优势在于无手术风险、可覆盖健康人群研究，但受限于fMRI的物理形态，难以产品化；明视脑机的优势在于面向绝对盲这一临床终点清晰、支付意愿明确的刚需场景，但要跨越植入安全性、感知长期稳定性与监管审评的多重门槛。当然，两者的差异并非无法交融，未来视觉脑机大概率是"读"与"写"的双向闭环，而非单点突破。

需要注意的是从重建看到的图像，到解码复杂思维，再到解释意识本身，中间仍横亘着巨大的科学鸿沟。Brain-IT不是"读心术"，其目前聚焦于静态图像重建，向视频、听觉等动态模态的拓展还面临时间尺度错配的硬约束；模型发现的统计关联也不能直接等同于神经机制的因果解释。对产业端而言，这一成果短期内不会改变任何产品路线图，但它改变的是行业对"通用脑解码"时间表的心理预期——当数据效率瓶颈被一点点凿开，脑机接口从"一人一训"走向"预训练+轻量适配"的工程范式，值得每一个从业者认真对待。脑机接口的下半场，比的或许不是谁的电极更多，而是谁更懂得如何与这颗大脑高效对话。