為什麼每個工作階段都從訓練開始
想像一位調音師，他只能為某一個特定的人在某一個特定的下午調音。這大致就是腦機介面所面臨的處境。在它能讀懂你的意圖之前，它會先做一段簡短的校準：它會要求你按提示產生已知的訊號——「現在想像移動你的左手」、「現在右手」、「現在休息」。由於系統已經知道你被要求做什麼，它就能把這些標籤和它記錄到的腦活動對應起來，從而為此時此刻的這個大腦擬合出一個解碼器。
為什麼不直接儲存上週的解碼器重複使用呢？因為沒有兩個大腦是完全相同的，而且即便是同一個大腦，今天和昨天也不盡相同。電極究竟貼在哪裡、你有多清醒、喝了多少咖啡——這些都會讓訊號模式發生偏移。一個用別人資料訓練出來的「通用」解碼器，就像把按陌生人腳型做的鞋遞給你穿。
非平穩性與漂移
這正是讓整個領域夜不能寐的難題：腦訊號是非平穩的。你所記錄到的訊號其統計特性並不是固定不變的——它們會分分鐘、日復一日地變化。在單次工作階段裡，你會疲勞、注意力會游移、情緒會波動；跨工作階段時，電極的貼合方式會不同，電極周圍的組織也會變化，於是阻抗不再是原來的樣子。一個在某小時開始時還很俐落的解碼器，到結束時可能就變得馬虎了；而昨天還好端端的解碼器，今天可能就會出錯。這種緩慢的滑移就叫做漂移。
問題在於，解碼器本質上是一張快照。它學到的是校準當時大腦與意圖之間的關係。當現實逐漸偏離那張快照，預測就會退化——不是突然崩潰，而是一種悄無聲息、令人沮喪的準確率侵蝕。這個領域的大量工程努力，其實就是一場對抗漂移的持久戰：定期重新校準、在使用過程中不斷微調解碼器，或是設計那些依賴於訊號中較為穩定部分的特徵。
兩個學習者，一個迴路
接下來要講的，正是讓腦機介面真正既奇特又美妙的地方。在大多數機器學習場景中，被測量的對象是被動的——一張照片不會反過來研究正在看它的分類器。但大腦會。當你操控一個游標並看著它做出反應時，你也在學習。你的神經可塑性會重塑解碼器正試圖讀取的那些訊號，於是隨著練習，你產生的腦活動會變得更乾淨、更容易被分類。兩個學習者處在同一個迴路裡：解碼器在適應你，而你的大腦也在適應解碼器。
這就是協同適應，而它之所以能行得通，正是因為整個系統是一個閉環：你能看到每一次嘗試的結果並當場調整，就像你透過感受自行車的搖晃來學會騎車一樣。做得好時，兩邊的適應會相互強化，技能提升的速度比任何一方單打獨鬥都更快。做得不好時，它們就會互相追逐——解碼器恰好在你大腦變化的同時也在變，於是你們倆不停地為彼此的修正再做修正。這門手藝的關鍵，是讓雙方都安頓到一種共享而穩定的策略上。
縮減校準負擔
如果每天都要坐著完成按提示的想像是一種「稅」，那麼夢想就是把它降下來。最被看好的思路是遷移學習：與其讓每個解碼器都從一張白紙開始，不如從一個已經被其他工作階段和其他使用者塑造過的模型出發。人們寄望於：儘管大腦千差萬別，但它們共享著足夠多的共同結構，使得一個有了起跑優勢的模型只需用你自己的一點點資料快速補一補——甚至完全不用——就能在今天表現良好。
不過，要誠實地看待它現在的處境：它確實有幫助，但還沒能讓校準徹底消失。恰恰是上一節講的那種非平穩性，讓遷移變得困難——從另一個大腦或另一天借用，意味著引入了一張略有偏差的快照，而這個差距總得想辦法彌合。眼下現實的目標不是「零設定」，而是更少的設定：更短的校準、能在使用中透過線上解碼不斷自我調整的解碼器，以及把二十分鐘的苦差變成兩分鐘的共享模型。