動力學造就更好的解碼器
整條學習軌在此收成。相較於瞬時讀出，建模潛在狀態及其動力學的解碼器能更好地去除單試次雜訊、並在尖峰遺失時內插補齊。這正是運動 BCI 歷史的主線：從群體向量，到速度卡爾曼濾波器，再到意圖修正的 ReFIT——每一步都是對「平滑的動力潛在狀態」更好的建模，而非對每個神經元瞬時放電率更好的猜測。
穩定性：解碼一個（大致）不動的流形
若直接解碼神經元，單神經元調諧會漂移、電極也會來來去去，逼得你天天重校。但流形本身相對穩定：即使個別細胞改變，低維結構依然持存。穩定化潛在空間解碼器利用這點，把每天的活動對齊到一個參考潛在空間，使得只訓練一次的解碼器在幾乎不需重校的情況下持續運作。
LFADS 與逐試次推斷動力學
LFADS 是深度學習與動力系統假說交會之處。它是一個序列自編碼器：一個遞迴生成器體現所假設的動力系統，而推論則為每個試次還原出最能重現觀測尖峰的初始條件與輸入。其成果是異常乾淨的單試次軌跡，且往往能改善動作學解碼——「群體是一個平滑動力系統」這個習得的先驗，替你完成了大部分去雜訊工作。
BCI 作為動力學的因果探針
群體動力學不僅是 BCI 所利用的對象；BCI 也是我們對它進行因果檢驗的手段。擾動解碼器映射後，當新映射仍落在既有流形之內時受試者學得很快，但當它要求網路難以產生的流形外活動時，則學得很慢——甚至學不會。這正是「流形限制學習」的直接因果證據。與此並行，BMI 技能學習顯示皮質會形成穩定、可重現、專用於控制的新活動樣式——流形不是被動的讀出，而是大腦主動塑造之物。
未解問題（誠實清單）
動力觀點重塑了這個領域，但仍有許多未定之事。前沿不是平均資料上的漂亮結果，而是能維持數月的單試次、因果、閉迴路表現。
- 機制還是描述？內部動力學究竟是因果機制，抑或只是同一份資料的優雅再描述，至今仍有真正的爭論。
- 非線性幾何。真實流形可能是彎曲的；線性工具（PCA／FA／jPCA）可能誤導，需要更好的非線性潛在模型。
- 跨腦區與跨個體遷移。流形在不同腦區與個體間各異，因此在其一上訓練的解碼器鮮少能遷移到另一個。
- 動力學對決黑箱深度解碼器。端到端網路有時能追平甚至勝過以動力學為基礎的解碼器——動力先驗是必要的，抑或只是一個好的正則化？
- 低延遲的單試次推論。最豐富的動力模型仍難以在閉迴路控制所要求的延遲下，以因果、即時的方式運行。