Neuralink 公布了一项围绕数据积累的进展：自临床试验启动以来的两年里，参与者累计上传了超过 5 万小时的无标注、自由形式的脑神经数据，公司已开始把这些此前基本闲置的数据用于训练模型，并借此刷新了脑机接口的性能纪录。

具体做法是「按人预训练」。Neuralink 为每位参与者单独训练神经编码器，输入是这个人此前数千小时的脑信号记录，再把训练好的模型用于光标控制。这样系统不必每次任务都从零开始，而是能从历史记录中学习该参与者脑活动的重复模式。公司称，这类编码器能把随时间漂移、噪声较大的神经信号转换成更稳定的「嵌入」表示，从而让解码更准确、更耐久。

最直接的收益体现在校准负担上。此前参与者平均每周要花 55 分钟重新校准系统，通常相当于每天约 10 分钟；现在部分人已把这一时间压缩到每周约 10 分钟。有参与者连续 5 天使用同一个解码器，期间速度保持在 10 BPS（比特每秒）；部分解码器的有效表现维持超过 3 周，还有一位参与者在 1.5 年以上仍能继续用同一个解码器完成控制。

速度指标上，6 位参与者刷新了个人 BPS 纪录，参与者中位数约为 10 BPS，其中三人超过了此前 10.39 BPS 的纪录，一位参与者达到 11.32 BPS，被公司称为新的脑机接口纪录。参与者 P9 形容新模型比旧模型更顺滑、方向更准、用起来不费力；P15 则表示控制手感更好，点击在游戏中更快更灵敏，并称灵敏度稍作调整就能轻松达到 11 BPS。

点击解码也有改进：误点击减少，对平滑、低速抑制等软件修正手段的依赖下降。一个实验性的「光标瞬移」系统——直接预测用户想点的目标位置——在测试中同样越过了 10 BPS。

这些结果建立在 Neuralink 不断扩大的临床工作上。今年早些时候已有 21 位参与者入组，公司称其为「Neuralnauts」，此前在 2025 年夏季更新中也披露过相关进展。更长期的目标是把多位参与者的数据汇入一个共享的、抗漂移的神经基础模型。在一项实验中，公司把模型从 P9 迁移到 P2，并冻结了 99% 的权重，该模型的表现仍优于 P2 原有的解码器。

下一步，Neuralink 表示正在探索「一次性校准」与「零校准」，以及一个共享的「运动皮层 API」。其意图是摆脱为每位参与者分别训练模型的模式，转向一个能把已学到的能力更多迁移给其他用户、同时长期保持稳定的系统。

从行业视角看，这条消息的重点不在单点速度数字，而在方法论：脑机接口长期受制于信号漂移和频繁校准，谁能把「数据规模」转化为「跨用户、跨时间的稳定性」，谁就更有条件扩大植入规模、降低日常使用成本。Neuralink 目前展示的仍是小样本、以光标控制为主的阶段性结果，共享基础模型和零校准能否在更多参与者身上复现，是后续需要观察的关键。