頻寬不等於通道數
腦機介面的資訊頻寬，是使用者每秒實際能傳達或控制的量，以位元計——而非電極數目。經典的純量指標是資訊傳輸率（ITR），它綜合了選項數、正確率與選擇速度。
Wolpaw 的每次選擇位元數，適用於 N 個等機率目標、正確率為 P 的情形。乘上每分鐘選擇次數即得 ITR。請注意，它完全不提通道——若正確率與速度未提升，你可以無止盡地增加電極，卻絲毫不改變 B。
這重新框定了整個規模化故事。通道是輸入；頻寬是輸出；而使用者實現的吞吐量，受限於新增通道實際承載了多少與任務相關的資訊。本篇其餘部分要談的，正是為何這會停止增長。
為何通道會飽和
神經元並非彼此獨立的感測器。它們共享相關的變異，而特定行為下的群體活動棲身於一個低維的神經流形上——例如伸手時運動皮質活動的維度，量級約為十，而非數百。一旦你取樣到那些維度，更多的通道多半只是重新量測它們。
高斯群體資訊：訊號共變異 \Sigma_s 對雜訊共變異 \Sigma_n。當兩者皆為低秩、且雜訊沿資訊方向被共享時，增加通道幾乎不改變此行列式——這正是飽和的數學面貌。
一條示意性的飽和律：資訊以特徵尺度 C_0 趨近上限 I_{\infty}。它是漫畫式的刻畫、而非推導——但它捕捉到一個定性真相：越過數個 C_0 之後，額外通道換來的資訊趨近於零。
這就是資訊隨通道數飽和，它並非硬體的失敗——而是大腦自身低維編碼的性質。它決定了你在第一篇看到的高原，也說明了為何原始通道數是個糟糕的宣傳數字。
冗餘：浪費還是穩健？
若額外通道是冗餘的，它們就白費了嗎？並不全然。空間過取樣換來的是穩健性：當個別電極失效、漂移或被包封隔離時，冗餘的陣列會優雅地退化，而非完全失能。對一個意圖延續數年的慢性植入體而言，即使冗餘所增資訊甚微，仍可增添關鍵的可靠性。
雜訊底線
在飽和曲線之下，還有一道更深的極限。即便擁有完美、無限多的通道，解碼仍受限於神經運算本身的不可化約變異——那種逐次試驗的波動，並非量測雜訊，而是大腦每一次確實在做略微不同的事。再多的電極數也無法穿透這道底線。
其實際後果，是優先順序的重排。若資訊高原已近、雜訊底線又真實存在，前沿的報酬往往不在於更多通道，而在於更好的模型——能萃取出既有資訊中更多成分的解碼器。這正是為何神經基礎模型與潛在動力學兩個主題，在某種意義上是頻寬故事的另一半。