漂移的生成式圖像
把記錄到的群體視為一個穩定、低維的意圖訊號，經由一面緩慢變化的透鏡讀出。令 \mathbf z_t 為使用者實際掌控的潛在神經狀態，\mathbf W_t 為從該狀態到量測特徵——單元、頻帶功率、閾值穿越——的映射。
一個穩定的潛在訊號，經由漂移的映射讀出。此處讀出矩陣 W_t 寫成第 0 天映射 W_0 的緩慢旋轉 R(theta_t)——這是「調諧重組、但底層訊號 z_t 不變」的一種風格化替身。
這個因式分解就是整場遊戲的關鍵。若 \mathbf z_t（即流形座標）穩定、只有 \mathbf W_t 漂移，那麼漂移就是一個座標問題：只要透過變動的基底還原出相同的潛在訊號，一個作用於 \mathbf z 的固定解碼器仍然有效。若 \mathbf z_t 本身漂移，問題就深得多。本領域的樂觀，大多建立在一項證據上：對於熟練的動作，前者往往更接近事實。
穩定的流形
抗漂移解碼背後最關鍵的經驗結果是：在刻板化任務中，運動皮質的低維動力學能在數月至數年間出奇地穩定，即使單一單元的調諧看似改變。透過潛在軸跨會話對齊神經流形的研究，還原出近乎恆定的神經軌跡，讓解碼器得以跨時間泛化。流形穩定性是本主題其餘部分所倚賴的經驗基礎。
為何調諧漂移、流形卻不動？一種解讀是：大腦在意的是計算——即軌跡——而非由哪些神經元實作它。冗餘的群體編碼讓個別細胞得以在零空間中游移，同時使與讀出相關的子空間保持不變。流形內對比流形外的擾動研究支持這點：流形內的變化容易補償，流形外的變化則困難。
觀察固定解碼器的衰退
感受這個問題最清楚的方式，就是凍結一個解碼器，任由世界在其底下漂移。
一個風格化模型，而非量測到的定律：若誤差由累積的錯配角 theta_t 決定，解碼品質便隨其餘弦下降；而在漂移的擴散模型下，該角度隨時間的平方根增長。它捕捉的是形狀，而非數值。
即使拿掉這個玩具模型，定性的教訓依然成立：固定解碼器起初優雅地退化，隨後急劇惡化，因為誤差隨累積的錯配而增長。這也意味著，早期施加的一點修正，抵得上晚期施加的大量修正——這個主題會在本篇後續每一種適應方法中反覆出現。
在實務上區分漂移與不穩定
在實務上，先診斷來源，再對症下藥。各種來源的特徵不同。記錄不穩定表現為與特定通道綁定的突變——壞通道、單元遺失——且常與阻抗變化相關。表徵漂移較緩慢、平滑，且分布於整個群體。使用者狀態改變則隨任務難度、疲勞與時段而變。