串接與資料處理不等式
訊息必須依序熬過兩個帶雜訊的階段：先解碼大腦 A，再編碼入大腦 B。資訊理論給出一個硬性上限。由資料處理不等式可知，大腦 B 最終與大腦 A 共享的資訊，既不能超過訊息 m 已經捕捉到的，也不能超過寫入階段所能傳遞的。
資料處理不等式：端到端的交互資訊被兩階段中較弱的一端封頂——而較弱的那一端幾乎總是寫入。
這是讀寫不對稱的資訊理論版重述。無論在發送端做多聰明的解碼，都救不了一條上限由「你幾乎難以寫入的那個光幻視」所設定的通道。
串接誤差會累加
兩個二元對稱通道串聯（讀取錯誤 p1、寫入錯誤 p2）合成為單一錯誤 p。誤差會累加；只要有一半糟糕，整體就糟糕。
以實際上粗糙的解碼與寫入，p_1 與 p_2 都遠離零，合成錯誤很快就朝著無用的 $0.5$ 上限攀升。經典的補救是「帶重複的碼本」：每個位元多送幾次再投票，以速率換取可靠度。這正是那些二進位詞語的人體展示所做的——這也正是它們如此緩慢的原因。
真實展示中的位元率
誠實的數字令人謙卑，我們應給出範圍而非虛假的精確。二進位詞語的人體展示大約以每分鐘數個位元的量級運作；BrainNet 則在數分鐘的遊玩中傳遞了少數幾個「轉或不轉」的決定。這些是每分鐘幾個位元，而非每秒。
Wolpaw 資訊傳輸率（每次選擇的位元數），對應 N 個可能符號、準確率 P。乘以每分鐘的選擇次數，即可將不同系統放在共同基準上比較。
接著是發人深省的比較。一般說話跨語言大約以每秒數十位元傳遞資訊。因此已展示的 BBI 大約比說話慢上三到四個數量級。這道鴻溝——介於腦對腦通道的資訊率與我們在對話中視為理所當然的資訊頻寬之間——正是「展示」與「思緒分享願景」之間的真實距離。
用更多大腦換取可靠度
如果一條通道太吵，別去造一條更好的——造好幾條然後投票。以多數決結合的獨立解碼器會把錯誤壓下去，這就是熟悉的群體智慧效應。這是多腦系統背後誠實的引擎，也直接指向下一篇的共識解碼。
對 N 個獨立解碼器（各自錯誤 p 小於二分之一）的多數決錯誤，隨 N 增大而趨近於零——以冗餘換取可靠度。