Neuralink 公佈了一項圍繞資料積累的進展：自臨床試驗啟動以來的兩年裡，參與者累計上傳了超過 5 萬小時的無標註、自由形式的腦神經資料，公司已開始把這些此前基本閒置的資料用於訓練模型，並藉此重新整理了腦機介面的效能紀錄。

具體做法是「按人預訓練」。Neuralink 為每位參與者單獨訓練神經編碼器，輸入是這個人此前數千小時的腦訊號記錄，再把訓練好的模型用於游標控制。這樣系統不必每次任務都從零開始，而是能從歷史記錄中學習該參與者腦活動的重複模式。公司稱，這類編碼器能把隨時間漂移、噪聲較大的神經訊號轉換成更穩定的「嵌入」表示，從而讓解碼更準確、更耐久。

最直接的收益體現在校準負擔上。此前參與者平均每週要花 55 分鐘重新校準系統，通常相當於每天約 10 分鐘；現在部分人已把這一時間壓縮到每週約 10 分鐘。有參與者連續 5 天使用同一個解碼器，期間速度保持在 10 BPS（位元每秒）；部分解碼器的有效表現維持超過 3 周，還有一位參與者在 1.5 年以上仍能繼續用同一個解碼器完成控制。

速度指標上，6 位參與者重新整理了個人 BPS 紀錄，參與者中位數約為 10 BPS，其中三人超過了此前 10.39 BPS 的紀錄，一位參與者達到 11.32 BPS，被公司稱為新的腦機介面紀錄。參與者 P9 形容新模型比舊模型更順滑、方向更準、用起來不費力；P15 則表示控制手感更好，點選在遊戲中更快更靈敏，並稱靈敏度稍作調整就能輕鬆達到 11 BPS。

點選解碼也有改進：誤點選減少，對平滑、低速抑制等軟體修正手段的依賴下降。一個實驗性的「游標瞬移」系統——直接預測使用者想點的目標位置——在測試中同樣越過了 10 BPS。

這些結果建立在 Neuralink 不斷擴大的臨床工作上。今年早些時候已有 21 位參與者入組，公司稱其為「Neuralnauts」，此前在 2025 年夏季更新中也披露過相關進展。更長期的目標是把多位參與者的資料匯入一個共享的、抗漂移的神經基礎模型。在一項實驗中，公司把模型從 P9 遷移到 P2，並凍結了 99% 的權重，該模型的表現仍優於 P2 原有的解碼器。

下一步，Neuralink 表示正在探索「一次性校準」與「零校準」，以及一個共享的「運動皮層 API」。其意圖是擺脫為每位參與者分別訓練模型的模式，轉向一個能把已學到的能力更多遷移給其他使用者、同時長期保持穩定的系統。

從行業視角看，這條訊息的重點不在單點速度數字，而在方法論：腦機介面長期受制於訊號漂移和頻繁校準，誰能把「資料規模」轉化為「跨使用者、跨時間的穩定性」，誰就更有條件擴大植入規模、降低日常使用成本。Neuralink 目前展示的仍是小樣本、以游標控制為主的階段性結果，共享基礎模型和零校準能否在更多參與者身上覆現，是後續需要觀察的關鍵。