Tether Evo 三篇同儕審查論文：一個 BCI 模型解碼語言、視覺同音樂，唔同人都用得

2026 年 8 月，Tether Evo 發表咗三篇同儕審查論文，分別被《Journal of Neural Engineering》、《Imaging Neuroscience》同《Neural Networks》接納 。呢批研究一齊展示咗一個跨主體神經解碼器可以喺語言、視覺同音樂三個範疇通用，而唔係要為每個病人由頭到尾重新訓練一個模型 。其中兩篇論文係同羅馬第二大學（University of Rome Tor Vergata）合作研發 。

三篇論文嘅核心發現

1. 語言解碼（Journal of Neural Engineering） — 一個基於 Transformer 嘅解碼器同時用多個 intracortical BCI 參與者嘅數據一齊訓練。呢個多用戶模型嘅平均相對字詞錯誤率比只係用單一參與者數據訓練嘅模型低超過 50%，而且只需幾分鐘嘅校準數據就可以適應一個未見過嘅新病人 。呢項研究係建基於 Tether Evo 之前嘅 BrainWhisperer 系統，佢哋喺 Brain-to-Text '25 Kaggle 比賽入面達到 1.78% 嘅字詞錯誤率 。

2. 視覺解碼（Imaging Neuroscience） — 呢個模型用靈長類動物嘅神經放電數據重建視覺影像，同樣用跨主體訓練方法而唔係逐個人重新訓練 。個模型可以喺幾千個選項入面，用僅僅 20 毫秒嘅腦數據就準確辨認出目標影像，準確率高達 70% 。

3. 音樂解碼（Neural Networks） — 呢個模型可以從腦活動解碼出歌曲同音樂類型，展示咗同一套跨主體通用原則都可以應用喺聽覺同音樂範疇 。

單一模型運作原理

呢三篇論文嘅核心技術突破係：一個共享嘅 Transformer 架構同時用多個主體嘅神經數據一齊訓練。呢種聯合訓練方法令個模型可以學到共通嘅神經特徵——即係大腦編碼語言、視覺同音樂嘅模式喺唔同人之間係一致嘅——而唔係依賴每個主體嘅獨特差異 。當呢個模型遇到一個新病人嘅時候，只需要短短幾分鐘嘅微調過程（唔係幾個星期）就可以適應，唔需要成個訓練流程從頭再做一次 。Tether Evo 喺 2026 年 5 月發表嘅一篇 preprint 關於跨主體神經到音素解碼，已經顯示一個同時用兩個最大 intracortical 語言數據集訓練嘅模型，表現可以等同甚至超越只係用單一主體數據訓練嘅基準 。

點解對 BCI 普及咁重要

而家大部份 BCI 解碼器都要為每個用戶逐個校準，呢個過程可能要幾個星期嘅數據收集同模型訓練。Tether Evo 嘅方法解決咗臨床同消費級 BCI 普及嘅一個最大障礙：個人化嘅設置成本。呢項研究展示咗一個模型可以喺唔同人之間通用，甚至跨越唔同嘅神經記錄方式，意味住將來有可能做到即插即用嘅神經義肢，用家一裝就用得，唔使花太多時間設置 。

簡單嚟講，呢個突破唔係一個模型同時解碼晒三個範疇，而係一個通用嘅方法論——跨主體聯合訓練加高效微調——分別應用喺語言、視覺同音樂解碼，每個範疇都有自己嘅同儕審查論文驗證。