为什么每个会话都从训练开始
想象一位调音师，他只能为某一个特定的人在某一个特定的下午调音。这大致就是脑机接口所面临的处境。在它能读懂你的意图之前，它会先做一段简短的校准：它会要求你按提示产生已知的信号——“现在想象移动你的左手”，“现在右手”，“现在休息”。由于系统已经知道你被要求做什么，它就能把这些标签和它记录到的脑活动对应起来，从而为此时此刻的这个大脑拟合出一个解码器。
为什么不直接保存上周的解码器重复使用呢？因为没有两个大脑是完全相同的，而且即便是同一个大脑，今天和昨天也不尽相同。电极究竟贴在哪里、你有多清醒、喝了多少咖啡——这些都会让信号模式发生偏移。一个用别人数据训练出来的“通用”解码器，就像把按陌生人脚型做的鞋递给你穿。
非平稳性与漂移
这正是让整个领域夜不能寐的难题：脑信号是非平稳的。你所记录到的信号其统计特性并不是固定不变的——它们会分分钟、日复一日地变化。在单次会话里，你会疲劳、注意力会游移、情绪会波动；跨会话时，电极的贴合方式会不同，电极周围的组织也会变化，于是阻抗不再是原来的样子。一个在某小时开始时还很利落的解码器，到结束时可能就变得马虎了；而昨天还好端端的解码器，今天可能就会出错。这种缓慢的滑移就叫做漂移。
问题在于，解码器本质上是一张快照。它学到的是校准当时大脑与意图之间的关系。当现实逐渐偏离那张快照，预测就会退化——不是突然崩溃，而是一种悄无声息、令人沮丧的准确率侵蚀。这个领域的大量工程努力，其实就是一场对抗漂移的持久战：定期重新校准、在使用过程中不断微调解码器，或是设计那些依赖于信号中较为稳定部分的特征。
两个学习者，一个回路
接下来要讲的，正是让脑机接口真正既奇特又美妙的地方。在大多数机器学习场景中，被测量的对象是被动的——一张照片不会反过来研究正在看它的分类器。但大脑会。当你操控一个光标并看着它做出反应时，你也在学习。你的神经可塑性会重塑解码器正试图读取的那些信号，于是随着练习，你产生的脑活动会变得更干净、更容易被分类。两个学习者处在同一个回路里：解码器在适应你，而你的大脑也在适应解码器。
这就是协同适应，而它之所以能行得通，正是因为整个系统是一个闭环：你能看到每一次尝试的结果并当场调整，就像你通过感受自行车的摇晃来学会骑车一样。做得好时，两边的适应会相互强化，技能提升的速度比任何一方单打独斗都更快。做得不好时，它们就会互相追逐——解码器恰好在你大脑变化的同时也在变，于是你们俩不停地为彼此的修正再做修正。这门手艺的关键，是让双方都安顿到一种共享而稳定的策略上。
缩减校准负担
如果每天都要坐着完成按提示的想象是一种“税”，那么梦想就是把它降下来。最被看好的思路是迁移学习：与其让每个解码器都从一张白纸开始，不如从一个已经被其他会话和其他用户塑造过的模型出发。人们寄望于：尽管大脑千差万别，但它们共享着足够多的共同结构，使得一个有了起跑优势的模型只需用你自己的一点点数据快速补一补——甚至完全不用——就能在今天表现良好。
不过，要诚实地看待它现在的处境：它确实有帮助，但还没能让校准彻底消失。恰恰是上一节讲的那种非平稳性，让迁移变得困难——从另一个大脑或另一天借用，意味着引入了一张略有偏差的快照，而这个差距总得想办法弥合。眼下现实的目标不是“零设置”，而是更少的设置：更短的校准、能在使用中通过在线解码不断自我调整的解码器，以及把二十分钟的苦差变成两分钟的共享模型。