同一個詞裡藏著兩種頻寬
頻寬這個詞把兩個相差好幾個數量級的量混為一談。一個是電極端的原始資料速率——一百萬通道的寬頻電壓是每秒數百 Gb；另一個是 腦機介面的資訊頻寬，即使用者實際能傳達的有用位元／秒。時至今日，即便是最好的皮質內 語言神經義肢，後者頂多也只有每秒數十位元。兩者間的落差並非可靠工程消除的浪費，而正是本篇的主題。
通道容量的天花板
把介面建模成一條從使用者意圖 U 到解碼器估計 \hat{U} 的通訊通道。夏農理論隨即交給我們一個上界：任何解碼器——現在或未來——都無法萃取出超過神經訊號實際所攜帶、關於該意圖的互資訊 I(U;\hat{U})。對加性高斯通道而言，該上界呈現我們熟悉的 log-SNR 形式，而把獨立通道相加則給出一個樂觀的天花板。
高斯通道上界。右式的加總假設通道彼此獨立，因而是樂觀的；下一節將說明共享雜訊為何使真正的容量遠小於此。關鍵在於：此上界僅隨 SNR 呈對數變化——訊號品質翻倍能增加位元，但增得很慢。
同一觀念在任務層級、實務上的版本，是 Wolpaw 推廣的資訊傳輸率。對一個每 T 秒做一次 N 選一、準確率為 P 的系統而言，可達成的速率單由組合數學與錯誤率決定——再多的使用者努力也無法突破。真實的通訊型腦機介面多半落在每秒數位元的範圍，這正是很大一部分原因。
Wolpaw 的資訊傳輸率。準確率透過熵項進入公式：一個易錯的高 N 拼寫器，傳輸的資訊可能少於一個緩慢但可靠的二元系統。這正是為何提高原始準確率、而非增加類別數，通常才是通往更快介面的誠實道路。
為何資訊會飽和，而非線性增長
上面那個樂觀的加總，假設每個通道都帶來新鮮資訊。真實的皮質並不買帳。神經元共享訊號與雜訊：它們的活動落在一個低維的神經流形上，其維度遠小於神經元數目，而它們逐次試驗的波動彼此相關。這種共享變異意味著第 N 個通道，大體上只是在重複前 N-1 個通道已經說過的話。
資訊隨通道數的飽和。當雜訊在整個神經元群中相關時，互資訊會收斂到一個有限的天花板 I_\infty，而非無界增長。越過規模 N_0 之後，通道數每翻一倍，只換來越來越薄的一片新位元。
雜訊底線與觀測者效應
即便是一台完美、無限通道的記錄器，也面對兩道無法化約的牆。第一是大腦自身的不可化約變異：相同的意圖在每次試驗都產生不同的神經反應，因此從解碼器的角度看，訊號中有一部分是任何平均都無法消除的真正雜訊。第二是物理性的——電極與放大器中的強森—奈奎斯特熱雜訊，設下一道硬性的 SNR 底線，壓縮了容量上界中的對數項。
還有一道更微妙、且極具腦機介面特性的極限：介接的行為本身，會擾動它所量測的對象。記錄會抽取電流並擠壓組織；刺激則改寫了你正試圖讀取的狀態。這些量測與刺激的擾動極限意味著，雙向介面永遠無法是一個被動的接點——閉合迴路會改變訊號，這是設計一台收音機時完全沒有的約束。
把根本極限與只是困難的問題分開
本主題其餘部分的紀律：誠實地為每一道天花板貼標籤。根本極限源自資訊理論或物理，不會因更好的工程而讓步——log-SNR 容量上界、共享雜訊下的飽和、熱力學的散熱。工程極限則是今日的難題，一個技術斷點就可能推動它——通道數、慢性壽命、無線資料速率。臆測則是那些連可行性都尚未被良好定義的一切。大眾的困惑，多半來自把工程極限、或把臆測，歸錯了類別。