当智能开始重塑智人与智能本身

我最近一直在想，如果准备把很多年的时间投入一件事，我究竟想做什么。

最开始，我想从第一性原理出发，找出二十个人类未来非常重要、非常急迫的需求。它们应当能够改变人的生活、加速人类进步、维持文明、守护安全，或者改变生产力、生产关系乃至社会形态。我也希望这些方向还处在探索阶段，大家正在做尝试、做验证，尚未发展成一个已经被充分竞争的成熟行业。

电动车、能源、太空、基因编辑、脑机接口，都是会让我产生这种联想的方向。其中，脑机接口尤其让我有热情。越往下想，我越觉得它可能影响的不只是输入设备，还包括人的表达、学习、思考，以及人与外部智能之间的关系。

但我的思考也没有停留在脑机接口。顺着它往后推，会不断碰到 AI、脑科学、材料、能源、工程能力和社会组织。它们相互关联：某个问题的解决，可能改善解决另一个问题的条件；另一个问题取得进展，又可能反过来推动最开始的方向。

于是，我开始觉得，讨论未来时有一个非常重要的变量，容易被我们放在背景里：解决问题的能力本身，也会变化。

这里的能力，既来自人的智能，也来自人工智能。我关心它们怎样协作、怎样推动科学与工程，也关心这些进展怎样反过来改变人和智能本身。

我们今天问一个目标能不能实现，通常是在用今天的知识、工具、研究人数、工艺和资源计算。但如果这些条件都能够继续发展，甚至能够相互推动，我们就不能只拿今天的能力，去决定未来值得追求什么。

这也是我希望完整说清楚的事情。我对一些方向有很强的信念，对很多连接有自己的直觉，也知道其中还有需要验证的部分。我想把这些推演放在一起，看清楚自己为什么这样想，以及它们究竟怎样连起来。

一 以物理极限为边界的工程信念

我很认同一种工程思维：遇到一个看起来极难、极贵、几乎不可能完成的问题，先回到物理规律，问它到底需要什么条件，是否存在能够成立的过程。

如果它需要违反这个宇宙的运行规律，那当然是另一回事。但如果它在真实的物理条件下有可实现的路径，只是我们现在缺少知识、材料、工艺或者资源，那么我不愿意因为今天做不到，就把它当成一个永远做不到的问题。

我的直觉很直接：既然它已经在这个宇宙的运行逻辑里面“跑通了”，世界又是依照这套逻辑运行的，那么为什么不能把它做出来？这就是我希望从理论走向工程时，能够抓住的依据。

要判断它是否真的“跑通了”，构造需要的前提也要一起推导：从什么初始条件出发，需要什么材料性质，控制要达到怎样的精度，这些条件本身能不能在物理世界中实现。判断一条路是否走得通，也包括判断怎样走到它所要求的起点。

把这些前提放进去，我想表达的推理就更完整了：从已有的物理定律出发，把我们要做的东西放进一个具体系统，推导它需要的状态、过程和条件。如果在理论适用的范围内，能够证明这个构造过程成立，所需的条件本身也能够实现，而现实中的这个系统又遵循这些规律，那么我们就有了在现实中把它做出来的依据。

这就是我的工程信念：在真实路径存在、充分条件能够满足的前提下，不管工艺多复杂、问题多难、需要付出多大代价，我相信它最终能够实现。 具体做一件事时，还需要逐项找出这些条件。接下来我希望追问的始终是：怎样把条件创造出来，怎样把这个过程真正实现。

理想模型中的一个解、现实中能够构造的过程，以及今天能在某个成本和期限内交付，仍然是不同层次。我不会把它们混在一起，也不会因为最后一层暂时做不到，就否定前面两层值得继续研究。

分清这几个层次以后，具体做一件事时，就要追问我们现在究竟缺少什么：是还没有理解相关机制，还是机制已经知道，但控制能力不够？是材料性能不满足，还是工艺无法稳定复现？是实验做得太慢，还是我们还没有找到有效的设计？这些问题都很困难，但困难的性质并不相同。只有分开看，才知道应该把工作投入在哪里。

我最不愿意接受的推理，是把一个当下的障碍直接变成永久的上限。现在制造不了的东西，就去研究新的制造方法；现在代价极高的过程，就去找新的能源、材料和工艺；现在研究人力不足，就继续想怎样获得更强的智能与实验工具。这些条件本身，也在我们可以探索的范围里。

工程信念对我的意义，就在于支撑我去寻找、计算、实验和修正。具体方案出了问题，就重新检查具体方案；发现遗漏了约束，就把约束补进去。某条路走不通，我会改路。我不会因为这一次没做成，就直接认定那个目标永远做不到。

把这套想法用到脑机接口上，也是一样。人与人、人与机器的表达不一样，我的第一反应会是：能不能通过学习、校准和共同训练形成映射？需要什么样的可观测信号？怎样确认双方理解的是同一件事？我会把这些当作可以继续拆解的问题，而不是停在“每个人都不同，所以做不了”。

这会决定我面对困难时先问什么，也会决定我敢把目标放多远。

二 未来想象不该受限于当前技术

有一种关于 AI 产品的思路让我很有共鸣：构建应用时，要考虑未来模型能够做到什么，而不只是围绕今天模型的限制设计一切。

我想把这个思路再向外推。想象未来的科学、技术与人的生活时，我们也应该允许那些今天尚不存在的能力进入推演。人可能怎样学习、表达和协作？智能可能以什么方式思考？这些问题值得先展开，看看今天习以为常的形式中，有哪些其实可以改变。

这对 AI 相关的方向尤其明显。如果我想象十年后的人机协作，却把今天的模型架构、对话界面、输入方式和响应速度全部保留下来，那我的推演已经在一开始固定了很多本来可能变化的东西。脑机接口也是一样。不能因为今天的一种设备只能完成某个有限任务，就直接拿这个任务范围去定义整个方向的未来。否则，我们就会一边承认技术会进步，一边又在判断未来时，把技术默认成静止的。

我希望想象力可以走在实现能力的前面。从物理规律和人的长期需求出发，把未来可能出现的新条件也放进来，我们才能继续想，人和世界之间的关系还可以怎样变化。那些看起来遥远的图景，恰恰可能需要我们先创造新的工具、材料、工艺和交互方式。

当某种未来让我向往，也让我愿意投入时，想象就会进一步连接到目标：我希望参与创造什么，实现它缺少哪些条件，以及现在能够从哪里开始。目标可以从这样的想象中逐渐形成，而不必在最开始，就用现有的实现能力筛掉那些值得探索的可能性。

如果一条路线需要尚未出现的材料或测量手段，就把这个依赖写清楚，研究怎样补齐，或者寻找可以先走的另一条路径。未来能力什么时候成熟仍然需要判断。把这些条件看清楚，也能让我们知道，一种未来的想象需要怎样一步步成为现实。

这样，目标可以很远，中间的技术路线可以随着知识改变，现在的入口则可以很基础。先做一个局部问题，先学会一套方法，先积累能够用于后续工作的经验。它们的距离很大，但只要这些工作在帮助我们创造缺少的条件，眼前的行动就能够和远处的想象联系起来。

三 超越人类：从第一性原理理解智能的形成

我以前和一位老师讨论过 AI。他的一个看法是，AI 的东西都是向人学习的，所以它永远不能超过人。我对这个推论一直有疑问。

因为如果继续往底层问，人又是怎样学会的？

人会向其他人学习，也会和外部环境不断交互。我们尝试一件事，看到结果，发现原来的理解不够，再调整做法。一个人的经验、直觉和熟练程度，很多时候就是这样逐步形成的。

往最底层想，人脑也是一团物质，是一大团相互连接的神经元。它为什么能够学会这么多东西？我的一个粗略直觉是，它在和世界交互时，把复杂、高维的物理现象组织、概括和压缩成能够使用的内部表示。我们用很短的一句话表达一件复杂的事情，也让我想到这种从丰富的经验中提取结构的过程。

顺着这个直觉，我就会继续想，交互的方式是否也在影响学习。人、狗、蚊子能够区分什么，能够做出哪些动作，动作又能组成多少种行为？这些差异会不会影响它们能学到什么？这不是给动物智能排一个简单顺序，但它让我注意到，系统通过什么方式接触世界，可能与它最终形成什么能力有很深的关系。

要具体看这种交互怎样让能力增长，我会拿编程来举例。一个人怎样学会解决工程问题？他读代码，写代码，运行程序，遇到错误，修改，再运行。编译器、测试和真实的运行结果不断告诉他，哪些理解是对的，哪些地方有遗漏。知识和经验并不是只靠把别人的文字记下来就全部获得的。

AI 也可以进入这样的环境。对它来说，环境可以是一个编译器、一个 Linux 容器。代码能不能运行、结果对不对，会给它真实反馈。再把这个想法往外推：让机器人在模拟的物理环境中尝试动作，也是让系统面对环境的规则，学习哪些做法有效。运行时的搜索与通过训练改变模型参数是不同机制，但它们都能利用人没有逐条写进示范里的结果。

例如，在算法发现与优化中，AlphaEvolve 将模型提出的程序交给自动评估器验证和评分，再用评估结果推进后续搜索。“提出方案—验证—继续改进”，在这里已经是一套具体的工作过程。AlphaEvolve 项目介绍

这让我看到，只要反馈不只是把人原来写过的内容重新交给它，它就有机会发现人没有逐条示范过的方法。因此，“最初从人类数据起步”本身，不足以推出“最终能力只能到人类示范为止”。

获得经验的来源可以扩展，规模也可以扩展。你想，一个人这辈子能写多少代码、调多少次程序、遇到多少种错误？假如 AI 能在大量环境里不断生成、运行、检验和修改代码，它积累有效经验的规模，就可能远远超过一个人一生能够经历的范围。起点都包含向人学习，后面获得的经验却可以完全不是一个量级。

这里真正起作用的是有效探索：反馈要对，尝试要能够产生新的认识。而当推理能力也在变强时，它既可以尝试得更多，也可以更好地判断下一步该试什么。这两件事一起变化，是我乐观的重要原因。

对我来说，这一点会直接改变对未来的判断。如果智能可以持续从环境和反馈中获得新的能力，我们就不应该先把某一代人的知识与能力，当作所有后续智能的固定上限。

四 科学与工程的加速飞轮

沿着前面这个想法，我会继续问：科学和工程为什么经常推进得很慢？

当然，有些问题确实极难，需要非常深的理解。但我觉得还有一个同样实际的原因：能够做这件事的人有限，他们的时间也有限。

就拿数学来说。世界上总共这么多数学家，再分到每个细分方向，还剩多少人？即使他们都非常厉害，每人一天也只有二十四小时。阅读已有成果、尝试思路、推导、检查、走错了再重来，都要真正花时间去做。一个问题可能既需要很强的智力，又需要大量工作。光有一个很聪明的人，也不能凭空把这些工作省掉。

工程里也有类似的情况。一个方案为什么失败，可能要经过很多轮计算和实验才能看清。找到一个可行方案之后，还需要处理材料、加工、可靠性和规模化。我们通常把这些困难合在一起说成“这个技术很难”，但其中有些困难，确实与我们能够投入多少高质量探索有关。

而在扩大研究工作量这件事上，人和 AI 还有一个很重要的差别：一个已经积累了丰富经验的数学家，不能像一套模型那样，直接复制成一万个同时工作的自己。我们可以培养更多数学家和工程师，但每个人都需要经历自己的学习过程。一套已经具备研究能力的 AI，则可以在算力允许的条件下运行很多个实例，同时尝试不同思路、推导和检验不同方案。

假设一万个实例各运行二十四小时，一天就累计了二十四万实例小时。一个人的一天仍然只有二十四小时，但同一套已经获得的研究能力，可以同时投入许多份工作。实例运行时间不能直接等同于有效的研究成果，还要看任务能不能并行、探索有没有价值、结果能不能验证；不过，这种可复制性确实为扩大研究规模提供了不同于培养更多人类专家的路径。

所以我当时反复讲的是：既要有足够的智能，又要有足够的工作量。 更强的系统可以判断更复杂的问题，同一套能力又可以通过并行部署用于更多有价值的尝试。以后这套能力继续提高，进步也可能被用于大量同时开展的研究。原来只能依靠少量专家长期投入的认知工作，就有机会以更大的规模展开；过去因为研究力量不足而放着没动的问题，也可能获得新的投入。

我所说的 AI for Science，就包括把这些能力投入科学理论、数学和工程，也包括设计、实验、工艺与制造。知道世界怎样运行是一种知识，知道怎样稳定地制造出一个东西，同样是一种知识。两边如果都得到推进，作用会叠加起来。

而当这些工作取得成果以后，有些成果又会回到研究过程本身，改善下一轮探索的条件。

比如，材料卡住了某种设备的性能，AI 可以帮助探索材料；材料和工艺改善了，设备又可能提供更好的计算或实验条件。实验太慢，就继续研究怎样让实验做得更快、更可靠。科学理论帮助我们看清规律，工程把认识变成能够使用的东西，两边一起往前推进。

这也关系到大规模认知工作怎样变成真实发现。提出和分析方案的成本可以下降，但真实实验仍然要消耗材料、仪器、时间和能源，可靠发现也需要验证。实验太慢、设备太贵、工艺太复杂，就继续把这些困难作为研究对象。这样，探索规模的增长才有机会与实验和制造能力的改善接在一起。

AI 本身也可以进入这个过程。让 AI 参与算法、模型和训练方法的研究，产生的改进又可能帮助下一轮研究。未来参与工作的智能，不一定一直停留在今天这个水平。

我所说的飞轮，大致就是这个意思：智能帮助科学与工程取得进展，其中一部分进展又改善智能与研究工具，然后继续支持新的探索。它不是一个只向外输出结果的过程，结果还可能反过来改变产生结果的能力。

这也是为什么我不愿意仅用过去的研究速度外推未来。如果一个领域过去受限于少量专家的时间，而以后高质量探索的供给发生很大变化，我们就需要重新看它真正被什么限制。我说“会继续加速”，想表达的正是：我们正在用更强的能力，研究怎样获得更强的能力。这个过程需要实际突破一轮轮接起来，不会在每个领域都以同一种速度发生；可一旦接起来，过去用固定人数、固定工具估算出来的时间，就值得重新计算了。

五 资源条件与工程能力的相互促进

要让更多研究和工程同时开展，支撑它们的物理条件也得跟上。计算需要能源，制造需要材料，实验需要设备。于是自然会遇到另一个问题：就算智能足够强，资源够不够？

我会用同样的思路来看这件事。今天的资源约束非常真实，但可获得的资源范围、获取方式和使用效率，也受到技术能力影响。

比如，能源问题既有理论问题，也有工程问题。我会想到更强大的核电站，想到更好的发电、储能和利用方式。我们能够运行多少计算、建设多少设备、承担多少实验，都与这些能力有关。与此同时，更高效的计算又可以降低完成相同工作需要的能量。

如果把时间拉得很远，我还会继续往太空想。我当时说得很直白：地球上的资源不够，那能不能去其他星球拿？能不能建设更大规模的能源设施，甚至探索戴森球这样的远期设想？

这些想法都需要极强的建设、运输、维护和散热能力。我把它们放进推演，就是因为这些能力本身也可以继续发展。我不认为地球上今天可开采、可运输、可利用的那部分资源，必然就是人类未来永远能够接触的全部。

我想保留的判断是：当科学和工程能力增长时，资源条件本身可能随之改变；资源条件改变，又可能支持更大的研究和建设。这是前面那个循环向物理世界的延伸。

顺着这个过程往后想，如果获取知识、完成工程和取得资源的能力都发生了巨大变化，今天昂贵到难以启动的一些研究和建设，到了那个阶段，可能已经不再是同等程度的负担。这不需要宇宙提供字面上的无限资源。探索与生产的成本大幅下降，可用资源显著增加，就足以让许多今天看起来遥不可及的事情进入能够承担的范围。我不愿意拿今天的稀缺程度，去固定那个阶段的人类能做多大的事。

然后这些新增的能力又回到前面的过程里，支持更大的研究、更复杂的工程。顺着往下想，你会发现，它们又接成了飞轮。

六 脑机接口：一种可学习的全新表达方式

如果科学、计算与资源条件能够这样发展，人会怎样使用这些越来越强的外部能力？前面我们在想怎样造出更强的工具，现在我想继续往人这边走：我们怎样把想法交给这些工具，怎样接收它们的结果，这些过程会不会反过来改变我们自己？

马斯克在 2026 年 9 月的央视财经访谈中谈到 Neuralink，正是我开始思考这个方向的重要动机之一。他提出，即使 AI 非常友善、愿意帮助人，我们与它交流的速度依然可能太慢。他用人类输出约每秒 100 比特与计算机之间每秒万亿比特的通信作比较，把 AI 等待人的回应比作人与树交流。央视财经访谈配文

这些是他在访谈中的量级估计，描述的是对外通信，不能当成人脑的物理上限；机器传输比特也不等于理解含义的速度。我在意的是它所指向的落差：大量数据可以在机器之间高速交换，人却仍然需要通过说话、打字，一点点把想法交出去。外部能力越来越强，这种信息交换节奏的巨大不对等，就让我更想追问，人与它连接的方式能不能一起改变。

这也是脑机接口对我有很直接吸引力的地方。计算机、互联网和 AI 已经积累了大量外部能力，我会把脑机接口想成一种可能的“人类超级加强”：它可以站在这些能力上面，让人以一种新的方式使用它们。这个连接一旦有了实质变化，受影响的就会是一整片能力。所以在我的推演里，脑机接口占着一个很有杠杆的位置。

先把今天的表达过程拆开看。我们要向别人讲清楚复杂的概念、关系和推理，最常依靠的仍然是语言。说出来是声音，写下来是文字，背后都要先把想表达的内容组织成语言。在我看来，语言之所以如此重要，就是因为它已经是我们用来表达丰富语义最成熟、最通用的媒介之一。

但这些内容要传到脑外，还得经过具体的表达通路。神经活动驱动发声器官和手部的肌肉，说成声音、写成文字，或者变成键盘、鼠标上的操作，对方或工具才能收到。工具返回结果，我们又通过视觉、听觉接收，理解之后再继续思考。在说话和打字这样的通路里，许多已经形成的结构被迫按词句的顺序展开；口舌和手指能输出多快，也限制了内容传出去的速度。

这里面绕了很多弯，摩擦很大。只是我们每天都处在这个过程中，太习惯了，就容易觉得表达本来就应该这样，甚至把这套器官与媒介共同形成的限制，当成人表达信息的上限。我想探索的，就是怎样缩短或者重新设计这些环节，找到更直接、更少损失的表达路径。

要寻找这样的路径，我尤其想分清脑中的内容和外部表达。有时候你突然有一个灵感，并没有感觉自己先在脑中一句一句说完，然后才得到它。它像是“整个浮上来了”，带着一种全貌的感觉。但要把它讲给另一个人，可能又需要很长时间。我举过哲学家的例子：一个思想已经有了，要讲清楚，可能得演讲三个小时；写成书，更要一个字一个字地写。这里面有多少时间是在继续形成思想，又有多少是在把已经形成的内容翻译成别人能够接收的形式？

一个思想的整体感里，也会混着尚未想清楚的部分，写出来时才逐渐补齐。但对于那些已经形成、能够明确区分的内容，我仍然想问：能不能找到更合适的表达形式？

而且，内部形成想法的方式本来就不总是一样。有时是一步一步推出来，有时先有整体轮廓，有时是画面，有时是许多关系同时浮现。我希望未来接口能够兼容这些方式，而不是一开始就规定所有思考必须采用某种形式。

这些不同形式的内容，让我想到一个更底层的问题：借用计算机的说法，一个概念、一组关系，也可以被看作有结构的信息。它的内部组织方式，未必就是一条等待逐字输出的句子。我们习惯一个词接一个词地表达，并不意味着这些信息只能这样编码。语言在现有表达通路中的优势，也不能直接替未来所有的表达方式画出边界。

沿着这个想法，我就会问：如果人能学会在脑中主动组织、激活某种更适合被读取的形式，能不能让这些内容更有效地传出去？这就是我所说的，在设备能够采集的带宽之内，提高表达的信息量和效率。

这里需要分清几层：设备记录了多少数据，从中能可靠辨认哪些区别，人能够主动表达多少内容，以及对方最终理解和使用了多少信息。我关心的是这条通路实际能用来表达什么：在一定时间里，能稳定组织和传递多少有区别的内容，需要多少准备和纠错。带宽仍然有限，但怎样把可用的部分用好，本身就有可以学习和改进的空间。

要探索这种学习，就得继续看：我们准备读取什么信号，使用者又是怎样产生它的？

比如，如果我们读取的是一个人原本准备通过肌肉动作表达的信号，再把它翻译成机器指令，相当于在已有的表达链条上接入了设备。嘴巴或者手脚后面要完成的动作，可以被新的末端替代。

而我还想追问：中间那套“我想表达什么、我怎样让它成为信号”的方式，能不能也发生变化？如果能够直接从脑部取得有用信息，人能不能在脑中塑造一套适合这条通路的表达？这就是我为什么会从替换表达器官，继续想到学习一种新的表达方式。

这个过程让我想到一个新的器官。最开始不熟悉，也不知道怎样使用，但通过反馈和练习，逐渐掌握它能够做什么。“新器官”在这里是功能上的比喻：人获得了一条新的、能够主动使用的通路。

打字就给了我一个很具体的参照。一个人可以小时候就学会说话，直到十年、二十年以后才接触键盘、开始学打字。当他逐渐熟练以后，键盘也可以成为很自然的表达工具。至少对我自己来说，打字时，我通常不会先想这个字从嘴里说出来是什么样子，也不需要逐字想着应该怎样拆成拼音、再按哪个键。想表达的内容会随着手指的动作出来，主观上就像在说话一样。原来需要学习的转换和动作，已经熟练到不必每一步都专门去想。

打字仍然要把意思编码成语言，再通过手指和键盘表达出来。但它让我看到，表达的末端确实可以后天学习，并且练到像一种自然掌握的能力。沿着这一点，我会继续往前推：从想法到信号，中间怎样组织和编码表达，是否也有可以学习的空间？打字还不能直接证明某种新的神经编码一定能学会，却给了这个推演一个真实的起点。我们已经会学习新的表达技能，我想继续探索的是，这种学习能够往前走多远。

把这种学习的可能性放回脑机接口，我设想的就是人和机器一起学习：人学习组织和控制一种新的表达，机器学习辨认和理解这种表达。双方共同向一种更适合交流的信号形态接近，在反馈和练习中，把这条通路逐渐用起来。未经训练的人，现在自然产生什么样的信号，并不一定就是他以后唯一能够用于表达的信号。

这里面，我希望研究三个相互作用的学习过程：机器学习从脑电中提取信息，人学习怎样与机器建立稳定、可区分的表达对应，人也在练习内部图形的构想、维持和操控。随着任务变复杂，我期待后两方面都能够进步，并进一步研究这些进步能否用于其他形式的想象和表达。它们各自改变了多少，需要分别观察，不能只凭机器识别得更准就认定人的想象能力已经提高。

具体来说，假如两种状态在设备的观测中混在一起，人能不能通过反馈学会另一种方式，让原来想传递的差别变得更清楚？我们除了改进解码器，还可以研究怎样让使用者更有效地表达，把设备与人能够共同学会的东西放在一起看。

这样，人的表达能力就成为了可以继续探索的变量。一次交流能传出多少新的信息，也取决于使用者主动表达了多少。有带宽，并不意味着人一直在把它用满；我希望人能学习怎样表达得更多，也能决定什么时候表达、什么时候停下来。

这与前面“新器官”的比喻是连着的。大脑里可以同时存在很多活动，人也会走神，而使用一条表达通路，需要有意识地构造和维持准备传递的内容。机器则需要逐渐分清，人是在表达某个目标、暂时没有表达，还是这一次没有表达清楚。怎样开始、维持和停止使用，都应当成为这项能力的一部分。

所以我才想到那些脑电游戏。最初可以只放一个推子，先看它的图像，再闭上眼睛，在脑中构想它向上、向下，尝试让机器从脑电中辨认这些区别。一个能够稳定表达以后，再试两个，逐步分清各自的状态和变化。之后可以扩展到四个开关或者推子，让前两个向上、后两个向下。使用者要在脑中组织出这个组合，看反馈，再调整。四个掌握熟练了，再试八个，看看能不能把更多位置的细节一起维持住。

还可以换一个组合：让第 1、3、5、7、9 个向上，第 2、4、6、8、10 个向下。我希望探索的，是使用者能否在脑中形成这一整组区别，并让设备分辨出来。在这个整体里，还能不能只改变第二个推子，让其他推子保持原来的状态？能不能把练过的局部重新组合，表达另一个目标？这些变化会让我们逐步看清，每个对象的区别能否被分别维持和使用。

因此，增加数量也意味着继续学习对象之间的关系和局部变化。练习可以先逐个构想，再分组组织，或者先形成整体、再调整局部，也可以探索并行与层级策略。刚开始可能很费力，要绞尽脑汁想该怎样做；逐渐熟悉以后，再看怎样保持原有区别，并增加新的复杂度。

七 从表达训练到想象能力的重塑

为了把这些组合表达清楚，人也在反复练习形成、保持和改变脑中的对象。于是，这些游戏除了让人学会使用一条通路，还可能为内部想象和操控本身创造训练条件。

比如，你在脑中想象两支笔：左边顺时针画圆，右边逆时针画方。你没有真的拿着两支笔，而是在脑子里让两套动作同时发生。能不能让它们各自保持形状、方向和节奏？再换成几个球，让不同的球朝不同方向移动，也是同样的想法。

然后我会继续往下想：两支笔熟练了，能不能试四支？再试八支、十六支？假如一个人原来只能维持两个对象，后来真的能够稳定地处理十六个，这一方面的能力就已经发生了很大的变化。他实际能够想象和处理的东西增加了。

我甚至把例子推到过一百二十八个。数字用来表达逐步探索的方向；实际能走到哪里，要由注意力、干扰、学习时间和大脑的生物学条件决定。我想知道训练能让人走多远，再逐步接近这个真实边界。

还有视频的例子。看完一段视频，把眼睛闭上，再试着在脑中把它重新播一遍。顺序是什么，物体怎样移动，哪些细节还在，哪些已经模糊了？如果反馈能够帮助人更准确地完成这件事，我们训练的就已经包括内部想象和信息处理本身。

这些设想之所以让我兴奋，是因为日常生活中，我们不容易对某些内部过程获得清楚反馈。一个人说自己想象出来了，到底维持了多少细节？同时处理几个对象时，哪些东西真的保留下来，哪些只是感觉上好像都在？如果缺少区分这些情况的方法，练习也就比较难以推进。

缺少这样的反馈，也让我想到我们平时怎样练习不同的能力。考试、做题可以检查显性的知识，System 1、直觉和隐性知识也能通过演奏、运动和各种练习得到训练。我想再往里走一点：对于那些在日常生活中缺少直接、细致反馈的内部过程，能不能创造出以前没有的练习条件，让费力地同时想象、维持和操控内容的能力，也获得自己的训练方式？

如果脑机设备能够可靠地告诉我们，脑中究竟维持住了几支笔、哪些细节丢了，并给出能够据此调整的反馈，这些内部活动就有机会变成可以反复练习的对象。我期待的，就是通过这样的反馈，让人能够有针对性地训练自己的想象和处理能力，把过去缺少直接反馈的练习真正展开。

要判断这种训练做成了什么，就需要分清接口操作变熟练、某项内部能力得到改善，以及改善能否带到其他任务。视频在脑中变得更鲜明，也要检查细节是不是真的更准确。这些区分能帮助我们看清人实际学会了什么。

这些例子也把我带回前面关于智能与学习的想法：如果智能能从交互和反馈中学习，那么给大脑一条以前没有的反馈通路，又会让它学会什么？开关、球、笔、视频，都是为了把这件事说具体；表现形式还可以有很多种，我真正想知道的是，那些现在很难直接练习的能力，会不会在新的学习环境里逐步长出来。

再往深处想，IO 变了，思考的方式会不会也跟着变？大脑是一套会学习的系统。如果它能够使用新的表达、接收新的反馈，并且在其中长期练习，我很难把它只想象成原有思维外面接了一个输出口。我真正期待的，还包括它内部处理信息、组织想法的方式随之改变。多对象想象和视频训练，就是我试着把这个设想说具体的例子。

因此，我看好脑机接口时，想到的不只有一个硬件设备。围绕它还可以研究训练方法、软件、反馈系统和各种应用。接口让新的交互成为可能，后续的学习与使用方式，又会继续塑造它能给人带来的能力。

八 思维的传递、对齐与重建

新的表达与反馈，可能改变人自身的能力；而当表达真正传出去以后，还需要把另一端接起来：我表达出来的东西，对方怎样才能接住，并理解成我真正想说的意思？这里的对方可以是 AI，也可以是另一个人。

我会想到这个问题，也与现在和 AI 合作的体验有关。我和 AI 讨论出来的东西，可以直接保存成文件。换一个新的 session，让它把相关文件读进上下文，就能很快接着往下做。相比向另一个人重新解释几十分钟甚至一两个小时，这种交接方式给我的感觉是，效率高了很多。

再把积累的规模放大：如果是一份十万字、甚至几十万字的文档，把它交给另一个人，对方需要花很长时间阅读、理解，并把不同部分联系起来。很难要求一个人在这样长的阅读里始终保持同样的专注，更不用说一次就把所有关系和侧重都对齐。

而对能够容纳这些材料的模型来说，准备好的文档可以作为一次输入，通过 prefill，也就是输入处理阶段，编码成后续推理可以使用的上下文。它可以利用并行计算，不必照着人阅读的节奏一个字一个字地接收。这样的处理已经有快到以秒计算的研究实例：YOCO 论文在 3B 规模模型、H100-80GB GPU 的测试条件下，报告了 512K tokens 上下文不到六秒的 prefill 耗时。YOCO 论文

这里的 token 不等于汉字，具体速度取决于模型和硬件；完成输入处理，也不保证对所有内容都理解正确。但这样的输入处理速度，加上我实际使用中快速恢复背景、接续工作的体验，让我看到了信息交接可以有多大的差别。人需要长时间阅读的一整份积累，机器可以用完全不同的速度接入后续工作。

这就是我所联想到的“把知识整个抬过去”。它仍然是语言和文件，但我不需要从第一句话重新讲起，也不需要逐段等待对方听完。同样一段积累，换一个接收和处理它的系统，交接方式就能发生这么大的变化。我自然会继续想，人与人之间有没有机会获得更好的通路？

而且，慢还不是我最在意的。慢，有时候可以忍受；偏差才是更大的问题。 同样一句话，有人注意这个部分，有人注意另一个部分；不同经历、理解方式和关注点，会让双方以为自己已经对齐，实际上想的仍然是两件事。信息传得更快，只有连同这些偏差一起改善，才真正接近我想要的协作。

所以我说，能不能把脑中当前想的东西“整个抬过去”，关心的是让对方接收到已经形成的结构、关系和侧重。前面那个哲学家的例子，也是在问这个问题：如果一些内容可以作为结构来交流，我们能不能减少把它拆成很长的句子、再由对方重新拼起来的负担，并且减少这中间的偏差？

要实现这样的交流，我觉得应该先想清楚，这一次究竟需要传什么。就像现在我和 AI 讨论，我只说出一些关键点，它已经有世界知识，也有前面的上下文，就可以接着理解。我不需要把每个词的定义、每个概念的背景，全都重新讲一遍。

放到脑机接口里，也可以这样想：使用者表达关键内容，AI 或者中间的转换器利用已有知识补足其他部分，再形成适合接收方的表示。两边已经有的东西，可以被重新利用。让对方得到完整的意思，未必需要把原始表示的每一个细节都搬过去。

这让我想到一张 BMP 图像。它可以按像素存储，也可以通过编码压缩。我举卷积和反卷积网络的例子，就是想说：编码器能不能学会把图像表示得更紧凑，再由解码器重建出来？已有的学习式图像压缩就在研究通过训练得到编码与重建变换，同时权衡所需比特和重建误差。学习式图像压缩研究

模型已经从大量图像里学到了某些规律，这些规律保存在参数里，于是不必在每张图里从头交代。对于图像，这首先是学到的统计结构；对于更复杂的交流，还可以包括概念、关系和世界知识。重建出来的像素或文字更多，不等于凭空增加了关于原件的新信息，而是短一些的编码与已有知识一起产生了更丰富的表达。

这里说的“反卷积”并不自动保证无损还原；采用降维和量化的编码，要看允许什么误差。对应到交流，我更关心的是哪些差异必须保留下来：一次交流可能只需要准确保留某个意思、某组关系，而不需要复制原始信号的全部细节。

要保住这些关键差异，就得知道哪些内容不能省略。如果同样的几个关键点，还可能对应两个不同的原意，模型就需要得到能区分它们的信息。世界知识可以帮助理解，却不能把我没有表达出来的独特意图自动变成已知。这正是前面所说的偏差问题：补全要保住我想表达的区别，不能只生成一个听起来合理的版本。

因此，我想借助的是新表达与已有知识的配合：需要区分的内容准确传递，双方已经具备的知识则尽量复用。这也与我前面关于智能的直觉接上了——系统从复杂经验中学到结构，把一些高维的表现组织成更紧凑、能够使用的表示。我希望 AI 帮助人用更少的新表达，调动更多已经具备的知识，同时保住这一次真正想传达的意思。

接下来才是，怎样把需要传递的内容转换成对方能够使用的表示。这又让我联想到不同的 AI 模型。它们可以有不同的 tokenizer 和 embedding，也就是不同的文本切分方式和内部向量表示，但今天仍然能够通过语言这个共同媒介交换内容。内部表示不相同，并不妨碍我们继续研究它们之间的转换。

那么，人和人之间能不能也建立一个中间层？假设先把我想传递的那部分脑内信息采集并表示成一个向量，再用一个神经网络映射到共同表示，最后通过另一个网络，映射成适合另一个人理解的表示。为了先抓住结构，我可以把两边都简单想成一个 MLP：

我的表示 → 映射网络 → 共同表示 → 另一套映射网络 → 对方的表示

这个共同表示未必需要是语言，也不要求两个人的大脑采用相同编码。各自保留各自的表达方式，学习怎样接入共同空间。这就是我想探索的连接方式。

对于其中需要精确恢复的表示，我还想到可逆性。如果映射能够逆向求回输入，信息经过共同空间到对方，再传回来，就可以检查表示在转换中是否丢失。普通 MLP 并不自动可逆；如果可逆是目标，就需要专门设计或约束这种映射。“一个输入能算出一个输出”还不够，不同输入还必须能够被区分，才能唯一地还原。

可逆性保证的是编码可以恢复。对方赋予编码的含义，也需要对应起来。比如一个编码在两个人那里恰好有相反含义，即使往返原样恢复，中途仍然可能理解错。这一层不会因为用了共同向量就自动完成。

因此，共同表示、已有知识和可逆映射，可以分别解决交流中的不同问题。已有知识让我们不必每次从头表达一切，映射让不同的表示有机会接起来，可逆性则适用于需要精确保留的编码。它们最终都要服务于同一个目标：让对方真正得到我想表达的内容。实际采集与反馈的通路、双方对内容的理解，需要一起建立可靠的对应。

建立这种对应时，人的学习和外部设备的适配也可以共同承担工作。人练习怎样稳定表达，转换器学习怎样接住这些表达，再映射到共同空间。我希望技术能把更多计算、编码和适配放到外部，减少使用者必须重新练习的部分，让接入这条通路变得更容易。

要让这套转换真正可用，还需要把学习和适配的负担考虑进去。即使每个人都能建立对应，如果每次使用都需要很长的定制和校准，负担仍然很大。怎样复用已有模型、缩短校准，怎样让同一个人的对应跨时间保持可用，都会影响它能否成为日常的交流方式。

我想先从某种内容、某个任务做起，研究哪些必须传，哪些可以依靠共同知识恢复，再继续扩大能够交流的范围。在可靠的范围里，就有机会减少每次都重新解释、逐句复述确认的负担。

这也是我所说的“认知同步率”。这个说法还很粗略，我想表达的是：合作双方能够更快、更准确地把正在处理的问题、已经知道的条件和想推进的方向对上。信息怎样编码、经过什么中间层，最终都要回到这样的协作里。

九 拥有智能外挂的超级人类

如果人的意图能够被外部系统准确接住，外部系统的结果也能返回，人与机器之间的交流就可以进一步连成实际的行动。这让我很兴奋：人脑能不能像 Agent 一样调用工具？

我现在使用 AI 时，就已经会想到这个问题：如果它产出得越来越快，人写 prompt、解释自己的意图、读懂结果、逐项审核，会不会越来越跟不上？模型能力在提高，人把意图交给它、把结果接回来这一段，也值得一起改进。

你想，假如我戴着这样一个设备，正在思考某个问题，突然需要算一下三加二，或者两个很大的质数相乘。我在脑中发出请求，外部系统把它算出来，再把答案返回到我当前的思考中。就像 Agent 有 tool call，人也有了自己能够熟练使用的工具调用。

现在我们已经可以使用计算机和 AI 做这些事。我想继续缩短和改变的是中间的交互过程：从产生请求，到外部系统理解，再到结果进入当前思考，能否变得更自然、更低负担，甚至像一种熟练使用的能力？

要把这个过程真正连起来，就得顺着请求到返回，一步步把它做通。先看请求：题目已经在电脑上，可以指向它说“算这个”；如果两个大整数只在脑中，系统就还要准确得到这两个数。识别调用意图、取得参数、完成计算和返回结果，都是这条链上具体要做的事情。

再看结果怎样返回。我说把结果“写回来”，并不专指把知识直接写进长期记忆。我更多想表达的是，让返回的信息进入人当前的状态、感觉或者正在进行的信息处理。人能接收到，并且继续使用它，这就是我关心的方向。

最初的返回可以借助视觉和听觉。只要输出能够可靠地被接住，结果又能通过屏幕或声音回来，就已经可以研究这一来一回怎样被人学习和使用。输出端的探索，不必把直接神经写入全部做成，才开始获得反馈。

在这个基础上，还可以探索新学会的感觉编码。例如，把空间信息编码成触觉刺激，研究人能否通过训练理解和使用它；更远处，也可以继续寻找直接神经输入的路径。已有感官、在感觉通路上学会的新编码，以及直接神经接口，可以作为不同路线逐步研究。读取与写入各自需要工程路径，我希望把它们接成可用的往返，让外部能力进入人的思考过程。

这一来一回也可以是异步的。我抛出一个问题，不必停下所有思考等结果。外部系统处理它，我继续做其他事情；结果返回后，再把它接入当前的过程。计算只是最直观的例子，类似的方式也可能用于检索、检查或者协助某一部分推理。

这种连接越深入，我也越在意使用者对它的控制。表达哪些内容、交给谁，允许哪些结果返回，以及怎样开始或停止连接，都应当是使用者能够决定的事情。连接可以在选定的规则下熟练、自动地运行，选择怎样使用这些外部能力的空间也应当保留。

如果未来能够读取更丰富的内部信息，数据由谁获得就会更加重要；如果外部系统能够影响人的内部状态，又需要考虑允许什么作用进入，以及怎样拒绝或中止。这些问题要随实际能力具体分析，并进入接口与使用方式的设计。我的期待是让人能够掌握更多能力，同时保留对表达、接收和使用过程的主动权。

如果人能够熟练地这样调用工具，他能使用的能力就会向外扩展。训练可能改变人自身的表达和内部处理能力，接上工具以后，人又能够调用外部系统的计算、知识和存储。两种变化可以一起发生。

这也让我联想到《三体》中关于大脑演化与未来挑战的讨论。眼前这个能谈论复杂思想的哲学家，仍然依靠生物演化形成的大脑在思考。文明在改变，工具在改变，大脑并不会随着每一代技术升级，就同步获得一套新的生理结构。

而如果未来的接口能扩大人的 IO 能力，让人更顺手地调用外部智能和存储，扩展能力就有了另一条路径。新的计算可以加入，新的知识可以接入，外部存储可以继续增长。人可以在自己的生活和学习过程中掌握这些能力，不必等待后代的大脑通过生物演化逐渐获得它们。

我关心的是这个差异：一个生物脑自身能承担多少计算、记住多少信息，和它连接外部系统之后能调用多少能力，可以是很不一样的事情。自然演化要多久、能不能走出同样的路径，我不知道；但工程让我们有机会直接去构造这样的连接。

十 连续表征推理与类脑 AI 的探索

沿着这些连接继续想，我还有一个直觉：未来与人连接的 AI，本身也不必一直保持今天常见的形态。前面说人的表达方式可以学习、人与人之间可以研究共同表示，那么机器内部怎样思考、怎样接收这些信息，也可以继续改变。

我接触的很多 Agent，工作过程都围绕文本和结构化工具调用展开。模型输出一段内容，系统解析 JSON 调用，工具返回结果，再进入下一轮。这样的 Harness 已经能支持很多工作，但往后看，智能一定要一直以这种循环的形式运行吗？

人类留下的大量知识以文字和代码存在，因此模型从这些材料起步很自然。可是，当我们继续研究智能内部如何表示、推理和行动时，也可以探索其他载体与组织方式。

我想探索的是，推理能不能更多地直接在连续表征或潜在空间中进行，围绕其中的意图、关系和状态继续迭代。今天的模型内部本来就有连续向量计算，编译器也有语法树和中间表示。再往前走，需要研究哪些推理步骤能直接在内部表示中完成，以及内部推进与外部表达能否采用不同的节奏。

我们讨论过的 Coconut，把模型的隐藏状态直接反馈为下一步输入，探索连续潜在空间中的推理；LaDiR 则将推理步骤编码为潜在向量块，再进行迭代生成与细化。这些工作与我设想的“直接在内部表征中继续推理”有相近之处，也让我更加关心：思考过程和对外表达，能不能以不同的方式、不同的节奏进行？Coconut 论文；LaDiR 论文介绍

我自己的 Hydria 构想也与这条线有关。我关心持续更新的内部状态，关心内部计算与语言、动作表达怎样分开，以及系统怎样在输出时继续接收信息。要让这些内部状态承担思考的过程，就需要进一步验证其中的表示能否支持可靠的推理与交互。前面谈到把信息压缩进去、再还原出来，到了这里，还要研究怎样直接在这些表示上继续工作。

把这个方向与脑机接口放在一起，两边之间的映射就可以重新研究。人的表达方式在变，机器处理和组织信息的方式也在变，我们不必先假定未来的人机交流永远只能经过今天的某一种界面。

我的直觉是，如果 AI 能借鉴人脑组织和处理信息的方式，我们也许能找到更适合承接人的思维表达的架构。双方的高维状态不会天然一一对应，但这种映射本身，就是我希望通过学习和工程去解决的问题。

要寻找可以借鉴的处理方式，脑机接口本身也可能提供帮助。更好的接口，可以让我们获得更好的脑活动观测；更好的观测可能推进脑科学；脑科学的一些认识，又可能给 AI 架构和高效计算提供启发。

效率就是其中一个让我好奇的方向。人脑表现出的很多能力，让我想知道它的信息处理方式能不能给人工系统带来启发。直接拿一个人脑的功耗与某个大型 AI 系统相比，并不能证明二者在相同任务上的效率关系，但它提出了一个值得研究的问题：有没有我们尚未掌握的高效计算方法？这也接回前面的能源问题——增加能源供给与改进计算方式，都可能扩大我们能够完成的工作。

沿着这种对内部处理方式的研究，我也会想到，脑科学积累的理解方式，能不能帮助我们看懂人工系统？人工模型可以直接读取内部变量，不必照搬生物脑的测量手段，但怎样解释这些内部过程，仍然可以从脑科学中寻找启发。

这样，架构、效率与内部过程的研究，就把脑机接口和脑科学接回了 AI 本身：AI 可以帮助研究脑机接口与脑科学，相关成果又可能改善 AI，支持下一轮探索。

接口还有一条通过人的协作来推动研究的路径。AI 帮助我们做出更好的接口，接口让人更有效地指挥 AI、理解 AI，把双方正在想和正在做的事情对得更快；更好的协作再帮助我们推进研究，继续改进接口和其他工具。

这条循环发生在仍然需要人参与的任务中。未来 AI 完全可以更自主地研究，很多步骤不需要等人，也不必等脑机接口成熟。但在人与 AI 共同工作的地方，改善这段连接仍然有价值。我期待的是，机器在变强，人使用机器、与机器一起思考的能力也能向前走。

前面是科学、工程、计算与资源相互促进，现在又接上人的表达、学习和协作。让我兴奋的，正是这些循环有机会相互推动，而且参与其中的每一部分，都未必停留在今天的形态。

十一 人类学习与生活方式的重塑

这些变化如果逐步接起来，再把它们放回日常生活，我们会怎样学习、工作，怎样与别人相处？这也是我觉得脑机接口可能远远超出一种输入设备的原因。

如果人能够练习怎样维持和操控脑中的内容，学习本身就会多出一层。前面那些多支笔、多个球和视频重播的例子，让我想到的就是：我们可以继续学习新的知识，也可能通过新的反馈，练习怎样想象、怎样处理信息。

工作时，人可以把局部计算或信息核对交给外部系统，同时继续想其他部分，再把返回的结果接进来。和别人合作时，原来用来解释背景、反复校正理解的精力，也可能更多地用在共同推进问题上。这会改变人怎样组织一段连续的思考，以及怎样一起把事情做完。

创作时，脑中已经形成的一些构思，也可能通过新的表达方式，更直接地进入作品或交流。前面那个需要演讲三个小时的哲学家，让我想到的就是这件事：形成想法与传达想法之间，能不能少绕一些弯，让别人更准确地接住自己想表达的内容？

这些活动本来就是日常生活的一部分。顺着往后想，我甚至会觉得，那时候的人类看起来会不会已经像“另一种物种”？我说的是能力和生活形态的巨大差异：一个学会了新的表达、能够训练自己的内部能力，又能调用外部智能和存储的人，他学习、工作、创作和与人相处的方式，可能已经和今天很不一样。

而且，这些变化也不必在同一天到来。某种表达方式先在有限任务里有用，某种训练先改善特定能力，某种反馈先让协作更顺畅，后面才可能有新的组合。正因为今天很难预先列出这些组合，我才觉得这个方向可能像互联网和 AI 一样，出现许多在早期无法完整想象的应用。

十二 从生产力跃迁到生产关系与社会形态的变化

我最初就提到生产力、生产关系和社会形态，因为我认为，如果前面这些变化足够大，影响不会只停留在个人使用工具的效率上。

从生产力看，前面这些能力如果能在实际任务里结合，同样的人力和时间，就可能完成过去难以完成的事情。这里既有把已有工作做得更快，也有扩大能够做什么：原来缺少人力的研究可以展开，探索成本太高的工程有了尝试的条件，受限于表达和协作的想法也可能得到落实。

能够做的事情变了，怎样共同完成这些事情，也就值得重新考虑。我们现在的分工，一部分与不同人掌握的知识和技能有关，也与沟通、协调和执行的成本有关。如果一个人能够调用更多外部能力，和别人交换信息的方式也改变，那么原有的分工就可能需要调整。

以前需要一个人先解释、另一个人再理解和执行的环节，可能有新的配合方式；以前被人的时间卡住的工作，可能交给更多自动化系统推进。人负责什么、机器承担什么、人与人如何合作，都可能随可用能力发生变化，原来围绕这些分工形成的组织方式，也就有了重新调整的理由。

生产关系还涉及组织方式、所有权与收益分配，技术不会自动指定唯一一种社会结果。但如果知识获取、工程实现与协作方式都发生很大变化，今天的一些生产组织方式，会不会已经不再适合新的能力条件？哪些关系会延续，哪些需要重新形成？我觉得，不能默认所有技术条件都变了，社会组织却会完整保持原样。

讨论这些组织变化时，也要把物质条件的变化放进来。如果能源、材料和制造能力得到改善，原来难以获取的产品与服务可能变得更容易获得；如果认知和研发工作能够以更大的规模展开，形成这些产品和服务的过程也会随之改变。资源更充裕的意义，最终也在于人的生活与生产能获得怎样的条件。

这些变化会沿着技术真正成立、被人使用的过程逐步发生。我现在无法把最后的社会图景全部画出来，可这恰恰是我认为值得往远处想的原因：当人的能力和人与人之间的连接都可以改变，我们要讨论的东西就已经远远超出一个产品。

这也对应我最初寻找这些方向的动机。我希望做的事情，最终能改变人的生活、加速进步，并对维持文明和守护安全有意义。技术上的成就只是其中一层，它给人类带来的能力与生活变化，才是我愿意长时间关注它的原因。

十三 让沿途的商业化成果支撑长期理想

讨论到这里，问题还会回到我自己：如果我相信这些方向值得探索，我现在应该怎样参与？

我很认同自己所理解的马斯克式创业思路。先有一个理想和目标，它看起来可能非常困难、非常花钱；在推进的过程中，逐步做出有用的东西，把其中一些成果商业化，再让这些成果支持后面的工作。

并不一定要等最后那个庞大的目标全部完成，才第一次产生价值。沿途获得的技术、产品和经验，都可能有自己的用途；把其中有用的成果商业化，又可以反过来支持同一个方向。收入让工作继续，实际使用暴露问题，技术积累减少下一步的困难，这就是我想要的飞轮。

每一步都可以很具体，同时朝着一个更长期的目标推进。我会关心阶段性产品与这个目标之间的实际联系：这一步做完之后，我是不是更有条件继续向前？

回到自己的起点，我现在就在创业，也有独立做软件产品的经历。在 AI 软件工程能力不断提高的背景下，我一直在思考，怎样从纯软件走向软硬件结合，积累更难被复制的技术壁垒。脑机接口恰好连接了我对 AI、工程和人的能力的兴趣，所以我愿意考虑长期投入。

除了兴趣和已有经历，我也会看这个方向处在什么阶段。AI 已经吸引了很多关注和投入，脑机接口给我的感觉则更像某种爆发前夜：大家已经开始做尝试、做验证，但很多重要的应用和使用方式还在探索。正是这种尚未被充分定义、又可能影响很广的感觉，让我想参与其中。

要真正参与，里面也有很多可以逐步进入的环节。设备、信号处理、识别、反馈、训练和应用，都有各自需要解决的问题。我不需要一开始就做出完整的人机交流系统，可以先弄清楚其中一个环节怎样工作，哪些地方可靠，哪些地方仍然困难，再从中积累后面用得上的能力。

我现在能够联系到一位有脑机接口项目的导师。我想先跟着做，即使项目比较基础，也可以帮助我获得真正的行业经验和人脉。这件事和我的长期想象并不矛盾。前面的目标可以很远，而现在的入口可以是一项基础工作。

我的热情需要落到具体工作里，才能变成经验。真正做过，才能知道哪些地方可以推进，哪些设想要修改，自己的能力还缺什么。我想从这里开始进入这个方向。

这又回到了开头：目标不必局限于今天能够完成的事情，今天的行动则需要有可以落实的起点。跟着做一个项目、理解一套设备、完成一个具体应用，都可以是这样的起点。关键是这些工作能否持续增加我对这个方向的理解，以及下一步能够做的事情。

结语 我希望保持的工程信念

这些推演放在一起，让我对未来产生了很强的期待。

AI 可以帮助探索科学和工程，科学和工程又可能改善 AI、计算、实验与资源条件。脑机接口可能在其中形成一条直接影响人的路径，让人学习新的表达，探索新的内部能力，更有效地使用外部智能，也改变人与人之间的交流。它们之间有很多值得继续研究的连接。

具体会走哪条路、多快发生，要在探索中逐步看清。但我不想因为今天还缺少一些条件，就把未来的目标压缩到今天的能力范围里。我们本来就可以把创造这些条件，作为要做的事情。

我希望一直保持这样的工程信念：从物理规律出发，认真判断路径和条件；在真实路径存在、充分条件能够满足时，相信它能够实现，并持续去找实现的方法。我们会失败，会改方案，会发现以前不知道的限制，但解决问题的工具、知识、智能和资源也在发展。它们应该一起被放进对未来的推演。

对我来说，脑机接口是其中一个非常重要、也确实让我有热情投入的方向。但我真正关心的，是这些变化合在一起之后，人能够做到什么，人怎样学习、协作和生活，以及我们能够把文明推进到什么地方。

我愿意从现在能够做的事情开始，朝着那些今天还没有能力完成、却值得认真追求的目标走。

本文从我的头脑风暴与后续讨论中整理而成，AI 协助梳理结构、起草和润色文字。文中的观点与判断由我确认。