Один мозок — не проблема: Tether Evo доводить, що BCI-модель може працювати для всіх

У серпні 2026 року Tether Evo опублікував три рецензовані статті, прийняті до журналів Journal of Neural Engineering, Imaging Neuroscience та Neural Networks . Усі три дослідження разом доводять, що єдиний крос-суб'єктний нейродекодер може узагальнюватися для різних людей у сферах мовлення, зору та музики, не вимагаючи побудови моделі з нуля для кожного пацієнта. Дві з трьох статей розроблено у співпраці з Університетом Тор Вергата в Римі (UniTOV) .

Що показали три дослідження

1. Декодування мовлення (Journal of Neural Engineering) — Декодер на основі трансформера навчався спільно на даних кількох учасників із внутрішньокірковими BCI. Багатокористувацька модель декодувала мовлення в середньому на понад 50% краще (нижчий відносний рівень помилок) порівняно з моделями, навченими на одному учаснику . Вона також могла адаптуватися до нової, незнайомої людини лише за кілька хвилин калібрування — для досягнення рівня помилок нижче 7% знадобилося менше ніж 200 речень . Це продовження попередньої системи Tether Evo BrainWhisperer, яка досягла 1,78% рівня помилок у конкурсі Brain-to-Text '25 Kaggle .

2. Декодування зору (Imaging Neuroscience) — Модель відновлює зорові зображення з нейронних даних мавп (spiking neural data), використовуючи той самий підхід крос-суб'єктного навчання . Декодер визначав потрібне зображення з тисяч варіантів із точністю 70%, маючи лише 20 мілісекунд мозкової активності .

3. Декодування музики (Neural Networks) — Модель розпізнає пісні та музичні жанри з мозкової активності, демонструючи той самий принцип крос-суб'єктного узагальнення в слуховій/музичній сфері .

Як працює підхід з єдиною моделлю

Головна технічна ідея всіх трьох статей — спільна архітектура трансформера, що навчається на нейронних даних, об'єднаних від кількох суб'єктів одночасно. Таке спільне навчання дозволяє моделі вивчати загальні нейронні патерни — те, як мозок кодує мовлення, зір та музику однаково у різних людей, мінімізуючи вплив індивідуальних особливостей . Коли модель стикається з новим пацієнтом, їй потрібне лише коротке доналаштування (fine-tuning) протягом хвилин, а не тижнів, як у випадку повного перенавчання .

Попередній препринт Tether Evo (травень 2026) з крос-суб'єктного декодування нейронних сигналів у фонеми показав, що модель, навчена на двох найбільших наборах внутрішньокіркових мовленнєвих даних, відповідає або перевершує базові рівні, отримані в межах одного суб'єкта .

Чому це важливо для впровадження BCI

Більшість сучасних BCI-декодерів потребують індивідуального калібрування для кожного користувача — процес, який може тривати тижні збору даних та навчання моделі. Підхід Tether Evo вирішує одну з найбільших перешкод для клінічного та масового впровадження BCI: високі витрати на персоналізацію. Демонструючи, що єдина модель може узагальнюватися для різних людей і навіть різних типів нейронних записів, дослідження прокладає шлях до нейропротезів, які працюють одразу після встановлення .

Отже, прорив полягає не в одній моделі, яка одночасно декодує всі три модальності, а в загальній методології — крос-суб'єктному спільному навчанні з ефективним доналаштуванням — окремо застосованій до декодування мовлення, зору та музики, кожне з яких підтверджено власною рецензованою статтею.