志愿者是研究院的一名行政助理，叫小何，二十六岁，健康状态良好。实验流程很简单，他戴上一顶嵌有电极的脑电帽，按照屏幕提示想象不同的动作，系统采集他的神经信号，译码模型尝试识别他的想象内容，屏幕上实时显示识别结果。
最开始的准确率是百分之六十二。
沉一鸣对这个数字不满意，但也不意外。通用模型的起点就是这个水平，接下来要靠数据驱动模型往上走。他调整了网络结构，增加了训练轮次，重新跑了一遍。准确率升到了百分之七十八。又调了两轮，卡在了百分之八十七附近，推不动了。
问题出在个体差异上。每个人的神经信号特征不一样，同样是想象握拳，不同志愿者的脑电波模式存在显著差异。通用模型学到的是所有人的平均特征，而不是某个具体个体的特征。
沉一鸣让唐宁增加了个体标注数据量，又收集了三名新志愿者的数据，重新训练。准确率爬到了八十七点三，依然在这个区间徘徊。
左城在旁边坐着，看着沉一鸣一遍遍调参，没有说话。他在观察问题的结构。
通用模型的天花板本质上是一个迁移学习的困境，不同个体之间的信号分布差异太大，单纯靠增加数据量很难突破。需要换一个思路，让模型在推理阶段也能持续适应当前用户的信号特征，而不是用一个固定的权重去应对所有人。
左城打开系统面板。
当前积分662分。他在AI枝干里调出强化学习模块，把它和脑电波译码任务进行融合分析。思路是让译码模型接受实时反馈信号，每当志愿者确认或否认识别结果，模型就基于这个反馈调整参数，持续收敛到当前用户的信号特征。
系统提示：融合可行，消耗5积分，生成自适应强化学习译码框架，支持在
左城确认。积分从662降到657。
他把思路告诉沉一鸣。
沉一鸣听完，眼神亮了，说，在线学习，模型边跑边更新？
左城说，对。传统方法是脱机训练好了再用，遇到新用户就要重新收集数据、重新训练，周期长，成本高。换成强化学习框架，每次识别之后模型都能获得一个反馈，不断更新权重，对当前用户的适应速度会快很多。
沉一鸣说，反馈信号从哪来？
左城说，两种来源。一种是显式反馈，志愿者主动确认或纠正识别结果。另一种是隐式反馈，通过监测后续的神经信号来推断上次识别是否准确。第一种简单，第二种精度高，先做第一种，跑通了再加第二种。
沉一鸣花了三天把框架搭起来，第四天开始测试。
测试现场有十几个人围观，郑教授、陈明辉、唐宁都在，几名博士生站在后排。大家都清楚今天的意义，准确率能不能突破九十，决定了这套系统有没有资格走进临床。
小何重新坐到测试椅上，戴上脑电帽。屏幕上出现提示，想象向上抬起右手。
模型给出识别结果，向上抬起右手。小何点了点头，表示正确。
提示换成了想象向左移动。
模型显示，向左移动。正确。
连续十次，九次正确，一次错误。
沉一鸣记录下来，切换到第二名志愿者。第二名志愿者的起点准确率只有百分之七十一，但经过二十次校准轮次，准确率爬到了百分之八十九。
左城问，还需要多少轮次才能到九十？
沉一鸣说，按照当前的收敛速度，再跑三十到五十轮，应该能到。
他们继续跑。
屏幕上的数字一点一点往上走，八十九点一，八十九点七，九十点二。
沉一鸣抬起头，说，过了。
数字停在九十点二，继续跑，爬到了九十一点三，然后趋于平稳。
实验室里没有人说话，所有人都盯着那个数字。沉一鸣长出了一口气，把椅背压得吱了一声。
郑教授走上前，看着屏幕上的数字，说，九十一点三。这个数字意味着什么？
唐宁说，意味着在运动想象译码这个任务上，我们的系统达到了全球领先水平。目前公开报道的最高记录是国际顶尖实验室的百分之八十九点五，我们超过了。
郑教授沉默了一下，说，这可以进临床了吗？
左城说，技术指标够了。接下来要准备临床申报材料，走伦理审批流程。
郑教授点了点头，说，我来协调华夏大学医院。他们的伦理委员会我熟悉，审批周期大概需要三个月。
左城说，三个月之后就可以招募第一批志愿者了吗？
郑教授说，审批通过之后，还需要招募符合条件的志愿者。第一批我建议招募脊髓损伤导致