腦機前沿 | 港中文/清華等多家機構研究者：可信的“腦-智能體”協作：智能輔助技術范式的擴展

過去幾十年，無論是侵入式腦機接口還是非侵入式腦機接口，行業幾乎都圍繞著同一件事情努力——如何更準確、更快速地把腦信號解碼成機器能夠理解的指令。從腦電（EEG）、皮層腦電（ECoG）、局部場電位（LFP），到越來越復雜的神經解碼算法，整個行業不斷提升信號采集能力、優化解碼精度，希望讓人腦能夠更加自然地控制外部設備。

然而，即便今天腦機接口已經取得了大量突破，一個問題依然沒有真正解決：為什么腦機接口始終很難真正走進真實世界？

來自伊利諾伊大學芝加哥分校、香港中文大學、南洋理工大學、清華大學、穆罕默德·本·扎耶德人工智能大學（MBZUAI）、麥吉爾大學等機構研究人員提出了一個新的觀點：腦機接口的發展，也許已經不應該繼續停留在"解碼腦信號"這一層，而應該邁向一種新的范式——Brain-Agent Collaboration（BAC，腦體智能協作）。

研究人員認為，大語言模型和智能體（Agent）的出現，正在讓腦機接口從"人與機器之間的信息傳輸"，逐漸演變成"人與智能體之間的協同工作"。未來，AI 不再只是負責處理腦信號，而是能夠理解用戶意圖、主動協助完成任務，并在整個過程中與人保持持續協作。

如果這一變化真正發生，那么腦機接口的發展重點，也將從"如何解碼"轉向"如何協作"。

從Brain-Computer Interface，到 Brain-Agent Collaboration

過去的腦機接口，更像是一條通信鏈路。

用戶產生腦活動，系統負責采集腦信號，再通過算法將腦信號翻譯成設備能夠執行的指令。整個過程中，AI 的職責基本停留在"翻譯"這一環節，它更像一個性能越來越高的解碼器。

而 BAC 希望讓智能體成為真正參與任務完成的一方。

在這一框架下，智能體不僅能夠解析腦信號，還能夠結合環境信息、歷史上下文以及用戶當前狀態，對用戶真正想完成的任務進行推理，并主動參與后續決策。作者因此重新定義了智能體在腦機接口中的角色：它不再只是一個被動的數據處理器，而應該成為一個主動協作的智能伙伴。

這種變化看似只是幾個概念的調整，實際上改變的是整個腦機接口的運行邏輯。

過去，系統要求用戶盡可能準確地表達自己的意圖；未來，則是系統努力去理解用戶真正想做什么。

例如，一位重度運動障礙患者并不需要連續輸出復雜的控制指令，只需要產生"想看看窗外"這樣的高層意圖，智能體便可以結合當前時間、室內光照、窗簾狀態等環境信息，自主拆解后續任務：是否需要打開窗簾、是否需要調整燈光、是否需要移動床位。當存在歧義時，系統再通過極少量"是/否"式腦信號與用戶確認，而不是要求用戶一步一步完成所有控制過程。

腦活動分析范式的演變

研究人員認為，人類真正擅長的是提出目標，而不是持續發出底層操作命令。腦體智能協作希望做的，就是把這些繁瑣的中間過程交給智能體完成，而把最終決策權始終保留在人手中。

BAC 的重點，不是誰替代誰，而是誰負責什么

很多人在看到 Agent 與腦機接口結合時，很容易產生一種擔憂：如果 AI 越來越聰明，人是否會逐漸失去控制權？

研究人員專門討論了這一問題。

研究人員認為，腦體智能協作并不是讓智能體替代用戶，而是重新劃分雙方各自負責的內容。

在人這一側，最重要的職責始終沒有改變。

用戶負責提出目標、提供個人經驗、糾正系統錯誤，并擁有最終決策權。智能體不能越過用戶直接完成涉及關鍵決策的行為，也不能因為推理能力增強而削弱人的主導地位。

與此同時，智能體則承擔另一部分工作。

它需要持續學習不同用戶的腦信號特點，根據不同人的認知習慣動態調整交互方式；需要結合上下文主動預測用戶需求，而不是等待下一條腦信號；還需要具備長期記憶、工具調用、任務規劃等能力，把復雜任務拆解成多個能夠自動完成的小步驟。

真正優秀的腦體智能協作系統，應當具備三項核心能力：

第一，是個性化自適應能力。系統能夠針對不同用戶持續學習，而不是依賴一次性的離線校準。 第二，是低延遲主動協作能力。智能體不僅能夠快速響應，還能夠根據當前任務主動提供幫助，而不是機械等待指令。 第三，則是倫理風控與數據治理能力。隱私保護、安全約束和合規機制，不應該作為后續補丁加入，而應該成為整個系統最底層的一部分。

換句話說，BAC 并不是簡單地把一個大模型接到腦機接口后面，而是重新設計了整個系統的人機分工。

真正難解決的，不是能力，而是可信

未來腦機接口真的進入 Agent 時代會出現很多新的可能性，但是挑戰卻不容忽視，最大的挑戰可能并不是技術，而是可信。

首先是大語言模型本身存在的幻覺問題。

對于普通聊天機器人來說，一次事實錯誤可能只是回答不準確；但如果這種錯誤發生在腦機接口場景，影響就完全不同。

例如，智能體誤解了腦信號所代表的真實意圖，或者生成了錯誤的執行方案，用戶不僅需要重新確認，還需要不斷糾正系統。這意味著，AI 原本希望降低用戶負擔，卻可能反過來讓用戶承擔更多監督工作。

研究人員認為，這種風險不能依靠用戶不斷糾錯來解決，而應該通過模型本身降低幻覺發生概率，同時讓智能體能夠主動表達自己的不確定性。當系統無法確定用戶真實意圖時，應主動發起確認，而不是直接執行。用戶每一次反饋，又能夠繼續用于優化模型，從而形成持續的人機共同學習過程。

除了模型可靠性之外，更大的挑戰來自神經數據本身。

腦信號并不是普通的數據，它能夠反映人的注意力、情緒狀態、認知過程，甚至可能包含個人并未主動表達的信息。因此，一旦腦機接口與大語言模型深度結合，神經數據的隱私保護將比今天任何互聯網數據都更加敏感。

論文因此提出，未來腦體智能協作需要建立完整的數據治理體系，包括隱私計算、聯邦學習、透明的數據處理流程，以及圍繞"神經權利"建立新的倫理規范，確保用戶始終擁有自己的神經數據控制權。

更進一步，作者認為，人類始終應該保留最終決策權。智能體可以理解、分析、建議，但不能代替用戶做出最終決定。只有當人的主導地位始終存在，人機協作才能真正建立長期信任，而不是演變成人對系統的依賴。

腦體智能協作，需要重新定義整個腦機接口系統

提出 BAC（Brain-Agent Collaboration，腦體智能協作）之后，研究人員進一步討論了一個問題：如果未來腦機接口真的進入這一階段，一套完整的系統應該如何構建？

腦-智能體協作實施指南與評估方案

作者認為，傳統腦機接口的系統設計更多關注信號處理流程，而腦體智能協作則需要圍繞"人與智能體如何共同完成任務"重新組織整個架構。因此，論文提出了一套新的系統框架，由協同交互、多模態數據基礎設施、模型工程化體系以及動態評估體系四個部分組成。

首先是協同交互架構。

在這一架構中，大語言模型智能體成為整個系統的核心。它不僅負責理解腦信號，還負責任務規劃、邏輯推理、工具調用以及反饋管理。論文強調，這里的目標并不是打造一個完全自動運行的系統，而是構建一種"人機共同完成任務"的模式。整個交互過程始終遵循"解讀—溝通—執行"的閉環，智能體負責提升效率，人類負責最終判斷。

與此同時，系統還需要兼容不同類型的腦信號。

未來的腦機接口不會只有 EEG，也不會只有侵入式電極，而是可能同時融合腦電圖（EEG）、功能磁共振（fMRI）、功能性近紅外（fNIRS）、皮層腦電（ECoG）等不同來源的數據。論文認為，只有建立統一的多模態數據基礎設施，并利用 AI 完成信號降噪、特征提取和實時融合，才能真正支撐復雜場景下的人機協作。

模型本身也需要持續演進。

作者提出，未來 BAC 系統中的智能體，不應該是一個訓練完成后長期保持不變的大模型，而應該具備持續學習能力。通過人類反饋強化學習（RLHF）、AI 反饋強化學習（RLAIF）、直接偏好優化（DPO）等方式，模型能夠不斷利用真實交互數據優化自身，逐步縮小低質量腦信號與高層認知意圖之間的語義差距。換句話說，智能體并不是一次性被訓練出來，而是在長期使用過程中不斷成長。

腦機接口未來比拼的，不只是準確率

長期以來，腦機接口領域評價一項技術時，最常使用的指標包括分類準確率、信息傳輸速率（ITR）、識別延遲等。

這些指標仍然重要，但研究人員認為，它們已經不足以評價未來的腦體智能協作系統。

原因在于，當 AI Agent 開始參與任務之后，系統表現的好壞，不再只是"腦信號有沒有識別正確"，而是"人與智能體是否真正形成了高效協作"。

因此，作者提出了一套新的量化評價框架：

第一，是技術性能。系統仍然需要保證腦信號解碼準確、響應及時、運行穩定，這是腦機接口賴以存在的基礎。 第二，是認知協同能力。相比傳統系統，新的評價重點轉向智能體是否真正增強了人的能力，而不僅僅是替代人完成部分工作。 第三，是交互質量。用戶是否能夠自然地完成溝通？反饋是否及時？整個交互過程是否流暢？這些都會成為未來的重要評價維度。

除此之外，研究人員還特別加入了兩個傳統腦機接口很少強調的指標。

一個是用戶主導權。

作者認為，一個優秀的腦體智能協作系統，不應該讓用戶越來越依賴 AI，而應該始終保證人在關鍵決策中的核心地位。因此，系統需要持續衡量用戶是否仍然擁有充分的控制能力，而不是把越來越多的重要決策交給智能體。

另一個則是倫理合規能力。

未來腦機接口不僅需要證明它"能用"，還需要證明它"可信"。數據是否受到保護、模型是否透明、安全機制是否健全，都應成為評價系統的重要組成部分，而不是產品發布之后再去補充考慮的問題。

為了進一步量化這些能力，研究者還提出了 Action Advancement Rate（AAR）、Collaborative Intelligence Potential（CIP）、User-System Match Score（USMS）、Explicit Disagreement Rate（EDR）以及 Ethics Alignment Rate（EAR）等指標，希望從協作效率、人機匹配程度、用戶監督能力以及倫理一致性等多個角度，對未來腦體智能協作系統進行綜合評價。

從"讀懂大腦"，走向"理解人"

實際上，這項工作真正想討論的，并不是一種新的腦機接口算法，也不是一種新的 AI 模型，而是腦機接口未來的發展方向。

過去幾十年，腦機接口的發展始終圍繞著一個目標——盡可能準確地解碼腦信號。從更高密度的電極、更復雜的解碼模型，到更強大的計算能力，整個領域都在努力提升"機器理解腦信號"的能力。

而這項工作提出，隨著大語言模型和智能體的發展，腦機接口或許正在進入另一個階段。

未來真正重要的，也許不再只是提高幾個百分點的解碼準確率，而是建立一種新的協作關系：人負責目標、價值判斷和最終決策，智能體負責理解、規劃、執行和持續學習。腦機接口也將不再只是連接大腦與設備的一條通信通道，而成為連接人類認知與智能系統的一座橋梁。

當然，這一愿景距離真正落地仍有很長的路要走。神經信號解析、模型穩定性、隱私保護、安全對齊、用戶主導權等問題，都仍然是腦體智能協作必須解決的關鍵挑戰。只有在這些基礎能力逐步成熟之后，智能體才能真正成為腦機接口中的可信伙伴，而不僅僅是一個能力更強的數據處理工具。

如果說過去二十年，腦機接口努力回答的是"如何讓機器聽懂大腦"，那么現在是該考慮另一個問題：當 AI 開始真正參與人與機器之間的交互時，我們需要構建的，究竟是一套更強的腦機接口，還是一種全新的腦體智能協作范式？

腦機接口社區是國內首家腦機接口(BCI)產業服務平臺、國內腦機接口新媒體開創者與引領者。主要為企業、科研團隊、投資機構和從業者提供以下服務：

宣傳報道：圖文、短視頻、直播形式報道企業動態、技術解讀、產品介紹等內容，提升曝光和行業影響力。

資源對接：根據需求匹配資本、供應鏈、臨床機構、渠道方等資源，完成真實對接，促進合作。

成果轉化：協助技術團隊尋找產業方、投資人及落地場景，推動技術到產品的轉化。

活動策劃執行：承接線上線下路演、沙龍、論壇等活動的策劃與執行。

其他定制需求：包括報告定制、市場調研、人才招聘支持等個性化服務。

合作洽談，請聯系微信：ZuoLeiLeiya

（備注：姓名-單位-合作）

投稿丨成為創作者，請聯系微信：RoseBCI

不錯過每一條腦機前沿進展

一鍵三連「分享」、「點贊」和「在看」

歡迎在評論區聊聊