不穩定性問題
邁向每日、無監督使用的最大障礙，是記錄並非平穩。跨越數小時與數日，個別單元時而出現、時而消失，其調諧偏移，基線放電漂移——即神經非平穩性。昨日調好的解碼器今日便退化，而樸素的對策——每天早上重新校準——耗費使用者時間，且需要他們在家中未必具備的監督。
藉由流形達成穩定
關鍵發現是：儘管單一神經元來去無常，群體在運動期間集體描繪出的低維神經流形，卻遠比任何個別單元穩定。這種流形穩定性提供了對策。先一次性學得一組參考潛在因子；在每個新的一天，找出一個對齊，把當日神經活動映射到相同的潛在幾何上，再從穩定化的潛在變數解碼。潛在變數之上的解碼器便永遠無須重新訓練。
\mathbf{u}_t = R\,\mathbf{l}_t \quad \text{s.t.} \quad p(\mathbf{u}_t) \approx p_{\mathrm{ref}}(\mathbf{u})穩定化潛在解碼器：學得一個對齊 R，把當日潛在因子 \mathbf{l}_t 映射到其分布匹配一個固定參考——無須標籤，也無須每日重新訓練解碼器本身。
與其每天重新訓練解碼器，不如學一個小小的對齊，把今天的潛在腦活動映射成「其分布匹配先前一個固定參考」。那個舊解碼器於是仍然管用——不需標籤，也不需每日重訓。
- \mathbf{l}_t
- 今天的潛在因子——低維的神經狀態。
- R
- 施加在它們上的對齊映射。
- \mathbf{u}_t = R\,\mathbf{l}_t
- 重新對齊後、餵給固定解碼器的因子。
- p(\mathbf{u}_t) \approx p_{\mathrm{ref}}(\mathbf{u})
- 它們的分布要匹配參考的約束。
若今天的活動相對上個月被旋轉了，R 就把它轉回原位對齊——這是穩定化潛在解碼器。
這之所以強大，是因為對齊可以無監督地求得——匹配分布，而不要求使用者執行有標籤的校準任務——這正是居家使用所要求的。它是通往「開機即可用」之穩定化潛在解碼器最有希望的路徑之一。
自我重新校準
另一條路徑則持續重新校準，但不勞煩使用者。自我重新校準自行製造標籤：假設在日常使用中，使用者意圖朝向他正要擷取的任何目標移動（與 ReFIT 相同的意圖技巧），並以這些偽標籤持續微調解碼器。再往前推，你甚至可利用大腦自身的誤差訊號：一個錯誤相關電位或獎勵調節訊號告訴解碼器它剛才做得好或壞，把控制變成一個完全不需顯式校準的強化學習迴路。
把可塑性當盟友，而非只是麻煩
使用者並非被動的訊號源——其皮質會學習解碼器，而你可以為此而設計。一項里程碑結果：使用者能輕易學會停留在既有神經流形之內的重映射，但當所需活動樣式落在流形之外時，學習則慢得多。這種流形內對比流形外的不對稱性說明流形是可塑性的真實約束，並支持一種使用者能掌握並保留的解碼器：一個固定解碼器加上鞏固後的BMI 技能學習，可能比一個在使用者底下不斷適應的解碼器更穩定。
效能實際站在何處
一份誠實的快照。高效能的皮質內游標與手寫展示是真實且確實流暢的——但都是在少數植入受試者身上、由專家設置、且通常透過經皮連接器達成，而全無線系統如今才剛趨於成熟。效能會跨單次漂移；跨任務與跨日的泛化仍屬部分；而通道數雖隨 Neuropixels 這類探針快速上升，相對於皮質仍極其微小。