盤點：已證實、萌芽中、未解決
一份誠實的領域現況，分為三欄。已證實：長達數月的自我重新校準游標與打字；在動物與有限人類資料中跨會話的流形穩定化控制；作為穩健、已部署之緩慢漂移追蹤器的 ReFIT 與 CLDA。萌芽中：跨受試者的基礎模型與對比嵌入；基準上的非監督式零樣本遷移；無須完全重新訓練即可加入新會話的持續學習。未解決：跨越數年、歷經重大記錄變動的免校準高自由度解碼；可證明安全的自主適應；對離開已知流形之活動的有原則處理。
更尖銳的穩定性—可塑性兩難
每一個終身解碼器都必須同時記住舊有、仍然有效的結構，並適應新的漂移——而這兩者相互拉扯。推進適應，你就冒著災難性遺忘的風險：昨日的能力被今日的更新覆蓋。凍結以保存它，你又完全無法追蹤漂移。持續學習正是直指這股張力的子領域。
一種彈性權重式的懲罰項：讓對過去會話重要的參數（費雪資訊 F_i 高者）不致遠離，同時仍擬合今日的損失。這是抵禦災難性遺忘的一條有原則的防線。
保護重要參數的正規化、在儲存或生成之舊資料上重新訓練的複演或回放，以及模組化或可擴充的架構，是主要策略。對神經資料而言，尚無公認的勝出者——而且它們全都繼承了腦機介面特有的一份額外之痛：出於心智隱私的理由，你往往無法長期儲存原始神經資料。多數持續學習方法從未在此約束下被設計。
共適應上限與評估的陷阱
當使用者與解碼器都在適應時，兩者能沉降到一個聯合最佳點——但也存在一道上限，越過它之後，推進解碼器的適應只是在與使用者的學習相抗。這道上限落在何處、現有系統是否已接近它，尚未被充分刻畫。這是本整個主題環繞的、真正未解問題之一。
閱讀各種宣稱時，當心兩個陷阱。第一，逐日調校過的結果並非免校準，無論摘要如何措辭。第二，一個在穩定運動任務上出色的方法，對一個漂移中的認知任務可能毫無說明力——運動、語音、記憶與情緒的漂移方式極為不同。永遠要把宣稱對應到其情境。
未來走向
對未來十年一種合理的解讀：穩定化與自我監督或基礎模型逐漸匯流，使新會話多半只需對齊而非重新訓練；植入體上的邊緣適應，為了隱私與延遲而把迴路搬到裝置本身；評估則轉向跨數月、跨場域的保留式基準，獎勵穩健度勝過峰值準確度。獎品是一個使用者完全無須費心的解碼器——它在夜裡悄悄重新對齊，早晨便就這樣運作。
更深層的開放問題是理論性的：原則上什麼是可穩定化的？穩定流形內的漂移是可補償的；而增添了真正新結構的漂移，若無來自某處的新資訊，或許就不可補償。判斷某個訊號——運動、語音、記憶、情緒——落在哪一種情形，正是將決定每項應用能多接近「永不重新校準」的研究。誠實地說，這就是本主題把你留在其上的前沿。