我們能寫入多少？
寫入通道的頻寬遠低於讀取通道。韋伯定律把每個電極限制在少數幾個可區分的強度階，而相鄰電極會誘發重疊的知覺，因此可共同區分的狀態數，成長速度遠慢於原始通道數所暗示的。
C_{\mathrm{write}} \;\lesssim\; \sum_{j=1}^{M} \log_{2}\!\big(1 + L_{j}\big) \quad \text{bits per update}一個寬鬆的上限：以 M 個實質上獨立、各支撐 L_j 個可辨階的電極計，每次更新可寫入的資訊受 \log_2(1+L_j) 之和所界定——而通道重疊會讓實際數字小得多。
每次更新能推進大腦多少資訊，其上限是把所有電極各自能承載的位元數加總起來。一個能區分 L 個階的電極承載 \log_2(1+L) 個位元——而由於實際通道會彼此重疊，誠實的數字遠小於這個總和。
- C_{\mathrm{write}}
- 每次更新可寫入的資訊，以位元計。
- M
- 實質上獨立的電極數目。
- L_j
- 電極 j 所能支撐、可區分的階數。
- \log_2(1 + L_j)
- 一個有 L_j 階的電極所貢獻的位元數。
一個能區分四階的電極，每次更新貢獻 \log_2(5) \approx 2.3 個位元。
仿生對習得編碼
本領域的核心開放辯論：編碼器應該盡可能仿效自然的傳入編碼，還是應該採用任何穩定且可控的樣式，讓皮質可塑性去學會讀取它？仿生承諾即時的自然度與直覺使用；習得編碼利用大腦自身的適應力，或許能塞進比自然格式所允許更多的資訊。誠實的當前答案是：兩者都重要，且平衡尚未定論——仿生暫態帶來很強的起步優勢，但使用者也確實會隨時間學會任意的對映。
規模化：更多通道與電流導引
更豐富的回饋需要更多、更精細的接點。與其獨立驅動各電極，電流導引會把電流分配到鄰近電極，在物理接點之間放置一個虛擬源，以次電極的解析度雕塑活化區域。但規模化會撞上物理：每增加一個通道就增加電荷，而電荷密度上限與整體組織發熱，都會限制你能一次跨密集陣列注入多少。
超越體感覺，以及穩定性問題
同一套寫入機制正被推向其他感官。皮質視覺義肢刺激視覺皮質以誘發光幻視——一個個光點——並把它們拼成粗略的影像。它比觸覺更難：知覺會非線性地交互作用、動態電流導引有所幫助，而從光點網格組合出連貫形狀，仍是一個未解的知覺問題。
每個前沿都會撞上穩定性。在寫入端，知覺會衰退，且隨著膠質包覆提高長期電極周圍的阻抗，閾值會漂移。在讀取端，被解碼的表徵也會移動，因此流形穩定性與重新校準，對雙向系統與對唯讀系統同等重要。首要的開放問題很清楚：寫入更多資訊、讓知覺在多年間保持自然且穩定，並在通道數攀升到數千時證明其安全。