23岁OpenAI女研究员离职 带 scaling law 杀进脑机接口新赛道

你敢信，玩了几十年的脑机接口，全行业都在往硬件堆资源的时候，刚从OpenAI出来的23岁姑娘，直接把大模型吃饭的核心逻辑搬来了。她放话脑机接口根本不是医疗器械问题，本质就是机器学习问题。这波操作直接给行业掀了桌子，到底是年轻敢想的狂言，还是真能颠覆整个赛道的新方向？

Naomi本身就是个开了挂的主，5岁摸国际象棋，15岁不玩职业的时候，已经拿了世界校际锦标赛13岁以下女子冠军、北美20岁以下女子冠军，还拿下了国际棋联女子国际大师称号。十年职业棋手的经历，给她练出了超强的模式识别和复杂决策能力，这底子可不是一般人能有的。

18岁她进哈佛读计算机，接触到GPT-3和《超级智能》之后，直接就把研究方向钉死在AI安全对齐上。后来进了OpenAI，她除了做核心的模型安全对齐研究，还牵头做了给新人的内部AGI培训材料，还给OpenAI基金会的相关部门提专业建议。在她看来，AI对齐最终目的不是约束人，是找到人和AI最高效的协作方式。

做对齐研究久了她慢慢想明白，现在让用户抠破脑袋想精准提示词，调半天指令格式，本质就是人为给人和AI之间造了堵通信的墙。与其费劲巴拉打磨越来越复杂的对齐规则，不如直接开一条带宽更高的通道，让AI直接读懂人脑子里的真实想法。

过去几十年脑机接口圈的主流玩法，全在拼谁的电极更精密，谁的成像设备更贵，谁的信号解析算法更准。不管是得克萨斯大学奥斯汀分校2023年发在Nature Neuroscience的fMRI语义重建研究，还是Meta推出的两代Brain2Qwerty系统，走的全是硬件优先的路子。

Naomi加入的旧金山初创公司Conduit，抛出了一个完全反常识的思路。他们说脑机接口哪里是什么医疗器械问题啊，本质就是个机器学习问题，大模型行业验证了十年的scaling law增长逻辑，直接拿过来用就行。

刚好Meta 2026年发布的Brain2Qwerty v2数据，给这个思路盖了个可行的章。这套用9名受试者累计22000个完整句子MEG信号训练出来的系统，平均单词准确率达到61%，表现最好的受试者准确率能到78%，解码准确率跟训练数据量明明白白呈对数线性正相关。

Conduit从2025年就启动了大规模数据采集计划，照着这个方向猛冲。半年时间他们就攒了差不多一万小时的神经语言配对数据，覆盖几千个不同背景的参与者。参与者戴他们自研的多模态头戴设备做打字、对话任务，系统同步记录神经信号、输入文字和语音，搭建脑活动和语言的对应映射。

这套采集设备是自己攒的，用了多种传感器加3D打印组件，重量大概4磅，设计的时候全往数据采集效率靠，暂时完全没考虑消费级产品要做轻的需求。为了不让模型过度拟合少数人的脑信号特征，团队还严格限制同一个参与者的实验次数，数据采集设备每天连续跑20小时不歇。

Naomi把这个思路跟机器学习经典的“The Bitter Lesson”理论绑在了一起。长期来看，靠海量数据、算力堆出来的通用方法，最终肯定会超过靠人工精心设计规则的专用系统。他们内部的实验数据也能对上，随着训练数据时长不断增加，模型预测结果跟目标语义的相似度一直在稳步涨，到现在都没出现明显涨不动的情况。

现在Conduit把自己的发展阶段，定义成脑机接口的GPT-2时代。模型能力还有明显局限，但扩展曲线一直往上走，后续增长空间几乎没边。

很多人刚听到“想法转文字”，第一反应就是怕隐私泄露，担心这东西能把自己脑子里所有想法都读走。但Conduit从一开始就没打算做绝对精准的逐字解码，他们的类比特别直白好懂。脑信号本身就像城市里的GPS信号，单独拿出来误差挺大，但结合导航地图、实时路况这些信息，最终出来的定位结果足够精准好用。

这套系统实际跑起来，神经信号只要输出用户意图的大致方向就行，剩下的交给大语言模型，结合用户当前的操作场景、历史交互记录、正在处理的任务上下文，自动推出最符合用户真实想法的操作指令。比如你盯着代码编辑器，脑子里闪过“这里逻辑好像有问题”的模糊念头，系统不需要解码出完整句子，就能直接get到你想要检查修改这段代码的核心诉求。

按团队的落地时间表，2027年普通用户就能戴上轻便的神经头带。你看代码、刷图表的时候脑子里冒出的模糊念头，直接就能转成修改图例、重写段落、解释公式这些具体指令，自动传给AI干活。到2030年，系统甚至能直接传输视觉想象这种很难用文字说清楚的信息，彻底打破文字输入的带宽限制。

这个技术是非侵入式的，完全不需要做开颅植入手术，普通用户日常戴着就能用。它也不会窥探你脑子里随便瞎想的私密想法，只有你主动聚焦到特定任务场景的时候，它才会帮你把模糊意图快速转成可执行的AI指令，彻底解放双手和语音输入的多余操作。

过去整个脑机接口行业的竞争核心，一直都绕着硬件技术迭代转。植入式电极的精度、非侵入式传感器的信噪比、脑磁图设备的小型化程度，几乎所有头部团队的研发资源都砸向了硬件端。Conduit的出现，给整个行业抛了一个全新的问题。

未来决定脑机接口性能上限的核心，会不会不再是硬件精度，而是神经数据集的规模和质量？这条全新的技术路线，当然也有一堆待解的难题。非侵入式神经信号自带的噪声，真的能靠不断扩大数据规模完全抵消吗？当大模型承担的推断占比越来越高，系统输出的结果里，多少来自真实脑信号，多少来自模型的上下文脑补，这些边界问题都还需要更多公开实验数据验证。

Naomi对这条赛道的长期价值非常乐观，她预判这项技术最终撬动的产业价值，未来很可能超过1万亿美元。这真不是没根据的狂想，一旦我们把人和AI之间的通信带宽，从每秒几个字符的键盘输入，直接提升到接近人脑思考速度的意图直连，整个人机协作的生产效率都会发生量级跃迁。

大模型过去十年走过的scaling路径，已经把太多原本属于前沿专业领域的技术，靠着海量数据和通用算力推到了普通用户面前。脑机接口的GPT-3时刻，说不定比我们所有人预想的都来得更快。真正值得琢磨的是，当人和AI之间不再需要键盘、语音这些中间媒介，我们定义自己意图和创造力的方式，会不会也悄悄发生改变？

参考资料：新华社 全球脑机接口技术发展观察