8 月 6 日，前 OpenAI 研究员 Naomi Bashkansky 发布文章称，自己已于 7 月 23 日从公司辞职辞职，并在第二天加入旧金山初创公司 Conduit，担任创始研究员。Conduit 正在试图制造一种人类与 AI 之间的“心灵感应”——利用非侵入式神经数据训练“思想转文字”（thought to text） 模型。
这里的“心灵感应”并不是通过玄学去读取一个人的内心想法。Conduit 目前设想的技术，更接近一种脑机接口：用户戴上神经信号采集设备，系统判断其正在形成的意图，再将这种意图转换为文字或直接传递给 AI。
Bashkansky 预测，几年后，人类与 AI 交流的主要方式可能不再是键盘、语音或触摸屏，而是思想。AI 也不再只是一个需要不断输入指令的外部工具，而会逐渐成为人的认知延伸。
在她的技术博客中，她描绘了这项技术成熟后的未来：在 2027 年，用户只需要戴上一条的神经头带，在查看代码和图表时产生的模糊念头，会被系统识别成修改图例、重写段落或者解释公式等具体指令，并自动发送给 AI 编程。到了 2030 年，AI 模型甚至可能直接接收经过编码的神经表征，不必先把思想翻译成文字；视觉想象等难以用语言描述的信息，也可能由此传给计算机。
从国际象棋棋手到 OpenAI 研究员
Bashkansky 今年仅 23 岁，在加入 Conduit 之前，她在 OpenAI 主要从事模型安全与对齐研究。
但她还有另一重身份：国际象棋棋手。Bashkansky 从 5 岁开始参加比赛，15 岁停止职业性竞赛时，已经获得国际棋联女子国际大师，即 WIM 称号。公开报道显示，她曾获得世界学校国际象棋锦标赛 13 岁以下女子组冠军和北美女子 20 岁以下冠军。
18 岁时，她进入哈佛大学学习计算机科学。在接触 GPT-3 和尼克·博斯特罗姆的《超级智能》后，她开始关注先进 AI 的安全问题，随后进入 OpenAI 对齐团队。
她并不是传统意义上的神经科学研究者。恰恰相反，她所接受的训练来自计算机科学、大模型和 AI 对齐。这一点也解释了她为何会被 Conduit 吸引：这家公司不认为脑机接口是一个电极或者医疗器械问题，而是把它视为一个可以通过数据、算力和模型规模解决的机器学习问题。
在 OpenAI，Bashkansky 研究的是如何使越来越强的 AI 保持可控；在 Conduit，她关心的仍然是人与 AI 之间的控制关系，只是解决方式发生了变化。与其不断要求用户学习如何向 AI 发出更精确的指令，她希望建立一条带宽更高的通道，让 AI 更直接地理解人的意图。
把 scaling law 搬进脑机接口
不过，利用脑信号恢复语言并不是一个新方向。
2023 年，得克萨斯大学奥斯汀分校团队在 Nature Neuroscience 发表研究，证明可以利用功能性磁共振成像（fMRI）重建受试者听到或想象的连续语言。系统虽然无法逐字读取思想，却能够在一定程度上恢复语言的语义。不过，这项实验仅涉及少数受试者，每个人都需要接受长时间的个体化训练，而且依赖体积庞大、价格昂贵的 fMRI 设备。
Meta 也在推进类似研究。其 Brain2Qwerty 系统尝试利用脑电图（EEG）或脑磁图（MEG）解码受试者正在输入的句子。2025 年公布的第一代研究显示，MEG 的平均字符错误率约为 32%，明显优于 EEG 的 67%；2026 年更新后的系统进一步扩大了训练数据规模，并实现从连续 MEG 信号中实时生成句子。在表现最好的受试者身上，单词准确率最高达到 78%。
但在 Conduit 看来，这些研究真正说明的，并不是脑信号能否被解码，而是现有研究的数据规模仍然太小。它因此提出了一个更大胆的假设：或许脑机接口也会遵循与大语言模型类似的 Scaling Law。
过去，大模型能力的提升，很大程度上来自持续增加数据、算力和模型规模，而不是不断设计更复杂的算法。Conduit 希望把这一思路引入脑机接口：如果能够收集足够多的神经数据，再训练足够大的基础模型，那么模型就有可能学会不同个体之间共享的神经表征，从而摆脱传统脑机接口对个体校准的依赖。
基于这一判断，Conduit 从 2025 年开始大规模采集神经数据。
公司称，他们仅用 6 个月便收集了约 1 万小时神经与语言数据，覆盖数千名参与者。实验中，参与者佩戴公司自行组装的多模态头戴设备，在旧金山办公室与 AI 对话或打字，系统同步记录神经信号、输入文字和语音，以建立脑活动与语言之间的对应关系。
为了避免模型过度学习少数人的脑信号特征，公司还限制同一参与者的实验次数，并让数据采集系统每天运行长达 20 小时。目前使用的训练设备由多种传感器和 3D 打印组件组成，重量约 4 磅，其设计目标首先是提高数据采集效率，而不是打造一款消费级产品。
正是这样的技术路线吸引了 Bashkansky。她在博客中将这一思路与机器学习中的“The Bitter Lesson”（苦涩的教训）联系起来。她认为，长期来看，持续利用更多数据和算力的通用方法，最终会超过依赖人工设计规则的系统。对于脑机接口而言，真正需要扩展的对象，不只是模型规模，更是神经数据本身。
她还透露，Conduit 的内部实验发现，随着训练数据小时数增加，模型预测结果与目标语义之间的相似度持续提升，目前尚未出现明显的平台期。因此，她把公司目前所处的发展阶段形容为“GPT-2 时代”：模型能力仍然有限，但扩展曲线看起来仍在持续向上。不过，这些结果目前仍来自公司内部，尚未经过独立验证。
从目前公开的演示来看，Conduit 距离逐字解码仍有很长距离。例如，面对一名此前未参与训练的用户，系统可能将“房间似乎变冷了”预测为“有一阵微风，甚至只是轻微的风”。两句表达方式完全不同，但语义相近。
在 Conduit 看来，第一代产品并不需要准确还原每一个词。Bashkansky 将脑信号比作城市中的 GPS。单独来看，它存在较大误差；但结合地图、导航路线等上下文信息后，仍然能够准确定位。对应到思想解码中，神经信号只需要提供一个大致方向，语言模型再结合用户当前的任务、历史操作和上下文，推断出最可能的真实意图。
如果 Conduit 的产品未来问世，它更可能是一套帮助用户控制 AI 的“意图接口”，而不是传统意义上的读心术。它未必知道用户此刻在自由思考什么，却可能判断用户面对一段代码时，是想解释、修改还是继续运行，再由 AI 自动补全剩余指令。
脑机接口的另一场赌局
因此，Conduit 的特别之处，并不在于它想实现“思想转文字”。这一方向过去几年已有不少团队探索，无论是马斯克创办的 Neuralink，还是 Meta 等公司的研究，都希望利用脑信号恢复人的语言或操作意图。
它更大的目标，或许是重新定义脑机接口的发展路径。过去，这一领域更多关注如何获得更高质量的神经信号；Conduit 则把重点放在数据规模上，希望建立足够大的神经数据集，再训练能够跨不同个体泛化的基础模型。换句话说，它试图把大模型的发展逻辑复制到脑机接口领域。
不过，这条路线仍面临不少挑战。非侵入式神经信号存在噪声，而数据规模是否足以弥补信号质量的不足，目前还缺乏公开证据。此前，Meta 等团队的研究已经表明，在语言解码任务中，精度更高的 MEG 明显优于更便携的 EEG，这意味着硬件能力仍然是影响性能的重要因素。
另一方面，当语言模型承担越来越多的推断工作时，系统输出究竟来自脑信号本身，还是来自模型结合上下文作出的预测，也将成为评价这类系统的关键问题。它或许能够帮助用户更自然地控制 AI，但距离真正意义上的“读懂思想”仍有不小距离。
截至目前，Conduit 公布的成果主要包括约 1 万小时神经数据、少量演示案例，以及一条尚未经过同行评议验证的模型扩展曲线。它还没有证明，非侵入式神经数据能够像互联网文本一样，持续支撑基础模型能力的提升。
而且 Conduit 目前仍是一家极为“神秘”的初创公司。公开信息显示，公司成立于 2025 年，总部位于旧金山，团队规模仅数人，至今尚未公布融资情况
但无论结果如何，这家公司确实提出了一个与传统脑机接口不同的问题：如果过去十多年，脑机接口行业竞争的是更好的电极、更精准的传感器和更成熟的植入技术，那么未来，决定竞争力的是否也可能是神经数据集的规模，以及建立在其上的神经基础模型。
1.https://naomibashkansky.com/blog/telepathy/
2.https://condu.it/thought/10k-hours
3.https://runtimewire.com/article/naomi-bashkansky-left-openai-for-conduits-telepathy-bet
4.https://www.calcalistech.com/ctechnews/article/sy8o42w8fe
5.https://www.nature.com/articles/s41593-023-01304-9
运营/排版：何晨龙
注：封面/首图由 AI 辅助生成
热门跟贴