反事實與因果神經建模

其目標是一個不僅預測觀測到的神經活動、還能預測其對介入之反應的模型——即在某一刺激樣式、某一擾動，或某個實際上未施加的不同輸入下，族群本會如何反應。這把建模門檻從相關與預測（Granger 式或編碼模型）提升到 Pearl 階梯的更高層：介入式與反事實查詢需要動力學的因果模型，而不只是對觀測資料的良好擬合。在 BCI 情境中這並非空談——閉迴路刺激、皮質微刺激回饋，以及適應性神經調節，本質上都提出介入式的問題。

兩條主線界定了此前沿。其一以擾動作為真值：光遺傳、微刺激或損傷介入提供介入式資料，用以驗證動力學模型的反事實預測，把「此模型能否預測它從未見過之刺激的效果」化為可檢驗的主張。其二把因果表徵學習與結構因果模型引入潛在動力學情境，尋找在各種介入下穩定且可操縱、而非僅具預測力的潛在因子。兩者都仍在早期：純觀測的神經資料對因果結構欠定，而在新奇刺激下經驗證的反事實準確度仍屬罕見，是一項值得要求的有意義基準。