第196章 信號解碼
濾波模塊穩定運行了一周後，沈一鳴把第一批訓練數據導入解碼模型。
志願者是研究院的一名行政助理，叫小何，二十六歲，健康狀態良好。實驗流程很簡單，他戴上一頂嵌有電極的腦電帽，按照屏幕提示想像不同的動作，系統採集他的神經信號，解碼模型嘗試識別他的想像內容，屏幕上實時顯示識別結果。
最開始的準確率是百分之六十二。
沈一鳴對這個數字不滿意，但也不意外。通用模型的起點就是這個水平，接下來要靠數據驅動模型往上走。他調整了網絡結構，增加了訓練輪次，重新跑了一遍。準確率升到了百分之七十八。又調了兩輪，卡在了百分之八十七附近，推不動了。
問題出在個體差異上。每個人的神經信號特徵不一樣，同樣是想像握拳，不同志願者的腦電波模式存在顯著差異。通用模型學到的是所有人的平均特徵，而不是某個具體個體的特徵。
沈一鳴讓唐寧增加了個體標註數據量，又收集了三名新志願者的數據，重新訓練。準確率爬到了八十七點三，依然在這個區間徘徊。
左城在旁邊坐著，看著沈一鳴一遍遍調參，沒有說話。他在觀察問題的結構。
通用模型的天花板本質上是一個遷移學習的困境，不同個體之間的信號分布差異太大，單純靠增加數據量很難突破。需要換一個思路，讓模型在推理階段也能持續適應當前用戶的信號特徵，而不是用一個固定的權重去應對所有人。
左城打開系統面板。
當前積分662分。他在AI枝幹里調出強化學習模塊，把它和腦電波解碼任務進行融合分析。思路是讓解碼模型接受實時反饋信號，每當志願者確認或否認識別結果，模型就基於這個反饋調整參數，持續收斂到當前用戶的信號特徵。
系統提示：融合可行，消耗5積分，生成自適應強化學習解碼框架，支持在線個體化校準，預計個體化準確率提升至92%以上。
左城確認。積分從662降到657。
他把思路告訴沈一鳴。
沈一鳴聽完，眼神亮了，說，在線學習，模型邊跑邊更新？
左城說，對。傳統方法是離線訓練好了再用，遇到新用戶就要重新收集數據、重新訓練，周期長，成本高。換成強化學習框架，每次識別之後模型都能獲得一個反饋，不斷更新權重，對當前用戶的適應速度會快很多。
沈一鳴說，反饋信號從哪來？
左城說，兩種來源。一種是顯式反饋，志願者主動確認或糾正識別結果。另一種是隱式反饋，通過監測後續的神經信號來推斷上次識別是否準確。第一種簡單，第二種精度高，先做第一種，跑通了再加第二種。
沈一鳴花了三天把框架搭起來，第四天開始測試。
測試現場有十幾個人圍觀，鄭教授、陳明輝、唐寧都在，幾名博士生站在後排。大家都清楚今天的意義，準確率能不能突破九十，決定了這套系統有沒有資格走進臨床。
小何重新坐到測試椅上，戴上腦電帽。屏幕上出現提示，想像向上抬起右手。
模型給出識別結果，向上抬起右手。小何點了點頭，表示正確。
提示換成了想像向左移動。
模型顯示，向左移動。正確。
連續十次，九次正確，一次錯誤。
沈一鳴記錄下來，切換到第二名志願者。第二名志願者的起點準確率只有百分之七十一，但經過二十次校準輪次，準確率爬到了百分之八十九。
左城問，還需要多少輪次才能到九十？
沈一鳴說，按照當前的收斂速度，再跑三十到五十輪，應該能到。
他們繼續跑。
屏幕上的數字一點一點往上走，八十九點一，八十九點七，九十點二。
沈一鳴抬起頭，說，過了。
數字停在九十點二，繼續跑，爬到了九十一點三，然後趨於平穩。
實驗室里沒有人說話，所有人都盯著那個數字。沈一鳴長出了一口氣，把椅背壓得吱了一聲。
鄭教授走上前，看著屏幕上的數字，說，九十一點三。這個數字意味著什麼？
唐寧說，意味著在運動想像解碼這個任務上，我們的系統達到了全球領先水平。目前公開報導的最高記錄是國際頂尖實驗室的百分之八十九點五，我們超過了。
鄭教授沉默了一下，說，這可以進臨床了嗎？
左城說，技術指標夠了。接下來要準備臨床申報材料，走倫理審批流程。
鄭教授點了點頭，說，我來協調華夏大學醫院。他們的倫理委員會我熟悉，審批周期大概需要三個月。
左城說，三個月之後就可以招募第一批志願者了嗎？
鄭教授說，審批通過之後，還需要招募符合條件的志願者。第一批我建議招募脊髓損傷導致運動功能障礙的患者，病程在一年以上，常規康復手段已經無效的。這類患者需求最迫切，臨床證據也最有說服力。
陳明輝在旁邊說，硬體上我們已經做好了準備，NX-30的植入程序已經標準化，手術配合流程也和鄭教授這邊確認過多次了。
左城說，那就推進臨床申報。鄭教授，你們這邊啟動，韓露跟進審批進度。
鄭教授說，好。
人群開始散去，沈一鳴把測試數據整理進文檔，唐寧在旁邊幫他核對格式。
左城站在測試椅旁邊，看著旁邊那台顯示屏，屏幕上的數字還定格在九十一點三。
唐寧站在他身後，輕聲說，左總，我們真的做到了。
左城說，這只是開始。
幾個月後，這套系統就要在真實的患者身上運行了。那時候屏幕上的數字，背後就不只是一組測試數據，而是一個具體的人，一雙想要重新動起來的手。他看著那個數字，心裡清楚，接下來每一步都比今天這一步要難。但他同樣清楚，沒有比今天這一步更重要的了。
志願者是研究院的一名行政助理，叫小何，二十六歲，健康狀態良好。實驗流程很簡單，他戴上一頂嵌有電極的腦電帽，按照屏幕提示想像不同的動作，系統採集他的神經信號，解碼模型嘗試識別他的想像內容，屏幕上實時顯示識別結果。
最開始的準確率是百分之六十二。
沈一鳴對這個數字不滿意，但也不意外。通用模型的起點就是這個水平，接下來要靠數據驅動模型往上走。他調整了網絡結構，增加了訓練輪次，重新跑了一遍。準確率升到了百分之七十八。又調了兩輪，卡在了百分之八十七附近，推不動了。
問題出在個體差異上。每個人的神經信號特徵不一樣，同樣是想像握拳，不同志願者的腦電波模式存在顯著差異。通用模型學到的是所有人的平均特徵，而不是某個具體個體的特徵。
沈一鳴讓唐寧增加了個體標註數據量，又收集了三名新志願者的數據，重新訓練。準確率爬到了八十七點三，依然在這個區間徘徊。
左城在旁邊坐著，看著沈一鳴一遍遍調參，沒有說話。他在觀察問題的結構。
通用模型的天花板本質上是一個遷移學習的困境，不同個體之間的信號分布差異太大，單純靠增加數據量很難突破。需要換一個思路，讓模型在推理階段也能持續適應當前用戶的信號特徵，而不是用一個固定的權重去應對所有人。
左城打開系統面板。
當前積分662分。他在AI枝幹里調出強化學習模塊，把它和腦電波解碼任務進行融合分析。思路是讓解碼模型接受實時反饋信號，每當志願者確認或否認識別結果，模型就基於這個反饋調整參數，持續收斂到當前用戶的信號特徵。
系統提示：融合可行，消耗5積分，生成自適應強化學習解碼框架，支持在線個體化校準，預計個體化準確率提升至92%以上。
左城確認。積分從662降到657。
他把思路告訴沈一鳴。
沈一鳴聽完，眼神亮了，說，在線學習，模型邊跑邊更新？
左城說，對。傳統方法是離線訓練好了再用，遇到新用戶就要重新收集數據、重新訓練，周期長，成本高。換成強化學習框架，每次識別之後模型都能獲得一個反饋，不斷更新權重，對當前用戶的適應速度會快很多。
沈一鳴說，反饋信號從哪來？
左城說，兩種來源。一種是顯式反饋，志願者主動確認或糾正識別結果。另一種是隱式反饋，通過監測後續的神經信號來推斷上次識別是否準確。第一種簡單，第二種精度高，先做第一種，跑通了再加第二種。
沈一鳴花了三天把框架搭起來，第四天開始測試。
測試現場有十幾個人圍觀，鄭教授、陳明輝、唐寧都在，幾名博士生站在後排。大家都清楚今天的意義，準確率能不能突破九十，決定了這套系統有沒有資格走進臨床。
小何重新坐到測試椅上，戴上腦電帽。屏幕上出現提示，想像向上抬起右手。
模型給出識別結果，向上抬起右手。小何點了點頭，表示正確。
提示換成了想像向左移動。
模型顯示，向左移動。正確。
連續十次，九次正確，一次錯誤。
沈一鳴記錄下來，切換到第二名志願者。第二名志願者的起點準確率只有百分之七十一，但經過二十次校準輪次，準確率爬到了百分之八十九。
左城問，還需要多少輪次才能到九十？
沈一鳴說，按照當前的收斂速度，再跑三十到五十輪，應該能到。
他們繼續跑。
屏幕上的數字一點一點往上走，八十九點一，八十九點七，九十點二。
沈一鳴抬起頭，說，過了。
數字停在九十點二，繼續跑，爬到了九十一點三，然後趨於平穩。
實驗室里沒有人說話，所有人都盯著那個數字。沈一鳴長出了一口氣，把椅背壓得吱了一聲。
鄭教授走上前，看著屏幕上的數字，說，九十一點三。這個數字意味著什麼？
唐寧說，意味著在運動想像解碼這個任務上，我們的系統達到了全球領先水平。目前公開報導的最高記錄是國際頂尖實驗室的百分之八十九點五，我們超過了。
鄭教授沉默了一下，說，這可以進臨床了嗎？
左城說，技術指標夠了。接下來要準備臨床申報材料，走倫理審批流程。
鄭教授點了點頭，說，我來協調華夏大學醫院。他們的倫理委員會我熟悉，審批周期大概需要三個月。
左城說，三個月之後就可以招募第一批志願者了嗎？
鄭教授說，審批通過之後，還需要招募符合條件的志願者。第一批我建議招募脊髓損傷導致運動功能障礙的患者，病程在一年以上，常規康復手段已經無效的。這類患者需求最迫切，臨床證據也最有說服力。
陳明輝在旁邊說，硬體上我們已經做好了準備，NX-30的植入程序已經標準化，手術配合流程也和鄭教授這邊確認過多次了。
左城說，那就推進臨床申報。鄭教授，你們這邊啟動，韓露跟進審批進度。
鄭教授說，好。
人群開始散去，沈一鳴把測試數據整理進文檔，唐寧在旁邊幫他核對格式。
左城站在測試椅旁邊，看著旁邊那台顯示屏，屏幕上的數字還定格在九十一點三。
唐寧站在他身後，輕聲說，左總，我們真的做到了。
左城說，這只是開始。
幾個月後，這套系統就要在真實的患者身上運行了。那時候屏幕上的數字，背後就不只是一組測試數據，而是一個具體的人，一雙想要重新動起來的手。他看著那個數字，心裡清楚，接下來每一步都比今天這一步要難。但他同樣清楚，沒有比今天這一步更重要的了。