“脑机接口，也开始卷Scaling law 了。

脑机接口的下一场竞争，可能不只是谁的电极更多，而是谁先拿到足够多的神经数据。

8月6日，23岁的前OpenAI研究员娜奥米·巴什坎斯基（Naomi Bashkansky）在X上公布了自己的新去向。

两周前，她刚刚离开OpenAI。现在，她加入了一家只有数人的脑机接口初创公司Conduit，担任创始研究员。

这位前OpenAI对齐研究员的新工作，指向一个听起来颇为科幻的方向：Thought-to-text，思想转文字。

更具体地说，这是一条脑机接口的非侵入式“读心”路线。

不开颅、不植入电极。Conduit想通过非侵入式神经信号，让AI在一个人真正说出或打出一句话之前，提前捕捉其准备表达的语义。

为了验证这件事，这家只有数人的公司已经攒下约1万小时神经—语言数据。

而Naomi对现在所处阶段的判断更激进：“还在GPT-2阶段。”

如果Scaling Law真的能够从大语言模型延伸到神经解码，那么1万小时，可能只是开始。

01.

为什么离开OpenAI

去一家只有几个人的脑机创企？

Naomi的履历本身就不太普通。

她5岁开始参加国际象棋比赛，15岁获得国际棋联女子国际大师头衔，后来进入哈佛学习计算机科学。2025年1月，她从哈佛休学，以驻留研究员身份加入OpenAI对齐团队。

除了核心研究，她还参与制作OpenAI内部AGI培训材料，并为OpenAI基金会AI Resilience相关工作提供建议。进入OpenAI前，她研究的也是大模型指令偏移、神经网络可解释性等问题。

一年半后，她选择离开，并在自己的博客《为什么我离开OpenAI去打造心灵感应》中给出了直接的理由。

Conduit的愿景足够大，团队足够小，而且大量研究问题仍处于几乎没有标准答案的“greenfield”状态。

相比在成熟的大模型体系里解决一个相对具体的问题，受到现有技术架构的限制，加入早期创业公司意味着她可以从数据采集、模型训练一路参与到技术体系的搭建。

她选择的是，一个具有更大自由度的研究空间。

具体来看，她加入的Conduit也不是一家典型脑机公司。

公司2024年成立于旧金山，核心团队只有数人。联合创始人Rio Popper幼年失明，后来就读于牛津，长期不同于普通用户的人机交互经历，让她持续思考怎样绕过键盘、鼠标这些传统输入设备；另一位联合创始人Clem von Stengel则有数学和AI研究背景，关注复杂系统与生物智能。

一个寻找更直接的人机接口，一个研究人工与生物智能。最终，他们把答案落在了“脑信号+AI”上。

但Conduit没有走Neuralink那条先提高植入带宽的路线。它想验证的是另一个假设：非侵入式信号虽然嘈杂，但如果数据足够多、模型足够强，能不能依然从里面读出人的意图？

Naomi甚至已经把这条路线的未来排到了十年后。

她预测，2027年，神经头带可能首先进入编程等高上下文场景，让用户少敲甚至不敲完整Prompt；2030年，大模型或可跳过“思想转文字”，直接处理神经表征；到2035年，AI可能变成类似人的“第六感”和“额外肢体”。

02.

脑机接口

也开始卷Scaling law了

Conduit并不是唯一一个把大模型方法搬进脑机接口的玩家。

事实上，到2026年，这已经是一条越来越清晰的路线。

最近，Hemispheric公布了60亿参数的NeuroAI模型Descartes 1.0，称其训练数据达到25万小时、覆盖10万+参与者，并明确提出脑解码同样存在Scaling Laws，希望模型能够跨用户、跨任务泛化。

今年2月，AI公司Zyphra则发布了380M参数的EEG基础模型ZUNA。第一版汇集约200万channel-hours的公开EEG数据，7月更新到ZUNA 1.1后，训练语料继续增加至约350万channel-hours，目标之一同样是让一个模型适应不同设备、不同电极数量和更加混乱的真实脑电数据。

扎克伯格的Meta也在往这个方向走。

其6月底公布的Brain2Qwerty v2使用9名参与者、每人约10小时MEG数据，共约2.2万句话训练模型，平均单词准确率达到61%。

他们共同指向了一件事：脑机接口的竞争变量，正在从“电极有多少根”，增加到“模型见过多少人的大脑”。

Conduit真正不一样的，是它把这件事做得尤其彻底。

它甚至没有等别人把数据集建好，自己先造了一座神经数据工厂。

03.

旧金山地下室里

一座“神经数据工厂”开了起来

Conduit用大约半年时间，攒下了这1万小时数据，方法甚至有点“不像脑机公司”。

它把神经数据采集做成了流水线。

在旧金山的一处地下空间，参与者戴上头戴设备，在两个小时里与大语言模型自由聊天。的人听和说，有的人阅读和打字。系统同时记录神经数据、语音和文字，并做好时间对齐。

也就是说，他们真正生产的是一组【表达前的大脑活动——随后说出或打出的内容】的数据对。

为了把数据规模做起来，Conduit几乎把互联网公司的增长运营方法搬进了脑机接口实验。

他们在Craigslist上长期招募实验参与者，两小时最高支付50美元；数据采集中心每天运行约20小时、一周7天；为了避免数据集中在少数“熟练被试”身上，公司还限制同一个人的参加次数，因为训练跨用户模型需要的不是几十个人贡献几千小时，而是尽可能多不同人的大脑。

连预约系统都被他们自己重写了。

冷门时段动态提高补贴，热门但爽约率高的时段动态超额预约；后台根据历史记录预测不同参与者的到场概率。甚至“每获得一小时有效神经数据需要多少钱”，都变成了Conduit内部重点优化的指标。

2025年5月至10月，公司称其每小时有效数据的边际成本下降约40%；其中一次数据后台重写，就让边际成本下降约30%，可用数据量提升至原来的约1.5倍。

如果说GPT时代最重要的基础设施之一是Token，那么Conduit正在尝试回答：脑机接口的“Token工厂”，究竟应该怎么建？

04.

数据超过4000小时后

他们把电重新打开了

更反常识的一幕，发生在数据采集过程中。

脑电有多怕噪声，几乎是做EEG的人都知道的事情。人体动作、电极接触、周围电子设备，甚至美国电网的60Hz交流电，都可能污染信号。

Conduit最初也把消噪当成头等大事。

团队给设备增加绝缘措施、尝试更干净的供电方案，后来甚至直接关闭采集区域的市电，用几十磅重的电池轮流供电。

结果反而出现了新问题。一些设备很难完全依赖直流供电，大约10%的数据帧可能因此丢失。

然后，数据量继续增加。到大约4000—5000小时时，他们观察到一个变化：模型已经见过足够多的人、不同房间、姿势和采集环境之后，对这些变化的鲁棒性开始提高，一些极端降噪措施带来的收益反而越来越小。

最后，他们干脆把电重新打开了。

放在整个行业里来看，这个细节值得关注——过去非侵入式脑机接口的典型思路，是尽可能把信号处理得“纯”，Conduit提出的却是一种完全不同的工程哲学：与其花巨大代价构造一个完美实验室，不如让模型提前见过真实世界里足够多的“不完美”。

但它至少说明，在非侵入式脑机接口里，“以前数据实在太少”本身，可能就是一个被低估的问题。

而这正是Naomi所说“GPT-2阶段”的背景。今天看到的能力，可能还只是Scaling曲线的前半段。

05.

所谓“读心”

更像一次带着语言模型的超级补全

不过，1万小时数据之后，Conduit真的已经能“读心”了吗？

距离这个词给人的科幻想象，还差得很远。

公司公开过几组对新参与者的zero-shot结果。例如真实表达的大意是“房间似乎更冷了”，模型预测出了与“微风”接近的语义；另一个关于“最喜欢的网站或App”的表达，被模型预测到了“喜欢的机器人”附近。

它们有一个共同特征：意思靠近了，文字还没有完全对上。

Conduit目前想做的，是利用神经信号判断这个人此刻的意图，大概落在哪个语义区域，然后再让语言模型接手。

这也是大语言模型加入以后，非侵入式脑机接口最值得关注的变化。

过去，脑信号必须自己承担大量信息。现在，语言模型本身已经掌握庞大的语言和世界先验。

再加上用户正在看的屏幕、上一轮对话、当前软件状态以及任务环境，候选答案本来就可以被压缩得很小。

这和科幻电影里的“窥探思想”，是两件完全不同的事。但在AI Agent时代，它可能已经足够有商业价值。

今天人和AI之间还有一个很原始的瓶颈：机器几秒就能执行任务，人还得先把脑子里的意思整理成Prompt，再一个字一个字敲出来。

如果脑机接口能够跳过其中一部分过程，哪怕最开始只是少敲几个词，它争夺的就已经不仅是医疗康复市场。

而是下一代人机交互入口。