泛化與專用化的取捨

一個針對單一使用者、單一會話、單一任務與單一陣列調校的解碼器，可能極為準確，卻也脆弱；而一個為跨受試者、跨日與跨脈絡而泛化所打造的模型，則以峰值效能換取穩健性與較少的校準。這股張力貫穿整個領域：基礎模型與跨受試者遷移追求普遍性，而臨床上的單一使用者系統，仍憑藉專用化在原始準確率上勝出。至今並無免費的午餐，廣度是以深度換得的，反之亦然。

懸而未決的問題是：大規模預訓練是否會化解此一取捨，如它在語言與視覺領域已部分做到的那樣，靠著學到既寬廣、又能在輕度微調後變得銳利的表徵。神經資料量少、異質、非定常且因人而異的本質，使這遠非板上釘釘，而此一取捨，正是未來十年解碼器研究將被評判的一條核心軸線。