NeuroAI

NeuroAI 不是一个单一模型名，而是一组双向研究路径：用 AI 模型理解神经系统，也用神经科学问题约束 AI 模型。当前 wiki 已观察到两种可沉淀模式：Concept2Brain 代表“语义/情绪刺激 -> 脑电反应预测”，AI 与大脑情绪系统代表“深度网络 -> 情绪条件作用模拟”。

两条活跃路径

概念到脑反应：Concept2Brain 使用 CLIP 等语义表征，把图片或文本映射到电生理潜空间，目标是预测/生成 EEG 或 ERP 反应。这是 Information -> Brain Response，不是传统 Brain -> Information 的解码路线。
人工模型模拟神经学习：AI 与大脑情绪系统使用视觉模块、情绪价度模块和快速通路，模拟中性刺激与情绪刺激配对后形成的条件作用和表征重塑。

观察

脑数据正在从被动测量对象变成可建模对象：一个方向生成脑反应，一个方向模拟脑内学习机制。它们与脑电与具身智能相邻，但不应被直接归入机器人训练数据路线；更准确的定位是神经科学建模、合成脑数据和可控计算实验。

语言神经表征把这条路线推进到自然语言理解和生成：LLM/NLP 表征可以被用来解释单神经元尺度的语义、句法、短语结构和上下文编码。这里的重点不是把大脑等同于 LLM，而是用可计算语言表征测量人脑语言系统的组合式结构。

NeuraInsight 显示 NeuroAI 也有数据基础设施路线：围绕脑电、场景和公开数据集做采集与对齐，试图把神经数据从研究材料变成可复用平台资产。

EEG 数据注册库把这条数据路线推进到开放科学基础设施：统一元数据和可发现性是脑电基础模型的前置条件，尤其是在跨任务、跨设备、跨被试训练和评测中。

视觉注意力预测说明相邻的商业路径也在扩展：眼动和注意力热图被训练成快速预测服务，用于广告、包装、网页和产品设计。它比 NeuroAI 更偏 HCI/消费者研究，但共享“人类状态可被模型近似”的前提。

计算决策神经科学则把建模对象从脑反应和注意力扩展到选择、学习、价值和解释，连接行为经济学、心理学、神经科学和 AI for Social Science。

情绪计算把人类状态建模推进到情绪识别、情绪概念和多模态可靠性问题；它与 NeuroAI 相邻，但很多工作更偏 HCI、教育技术或模型解释。

EMOTIV 把 NeuroAI 的硬件入口显性化：脑反应建模和 BCI 算法不只是模型问题，还依赖可穿戴 EEG 设备、真实场景采集、通道配置、信噪比和数据授权。

多模态心理健康理解把相邻问题推进到心理健康 AI：它不直接建模神经机制，而是用语音、面部/视频和文本生成情绪-认知画像，说明人类状态建模正在从脑反应扩展到行为和交互信号。

MME-Emotion 提供了评测侧补充：多模态模型的情感智能不仅要识别情绪标签，也要解释情绪线索，这与 NeuroAI 中“可解释的人类状态建模”形成相邻问题。

可测量意识把 NeuroAI 的边界推到意识科学：模型可以帮助分析脑复杂性和扰动响应，但“是否有主观经验”仍是临床、伦理和理论争议共同约束的问题。

元控制把 NeuroAI 与决策神经科学连接起来：深度神经网络可以被用来模拟人类如何估计环境可控度，以及这种估计偏差如何映射到不同心理症状样行为。

开势潜脑从创业和设备侧补充 NeuroAI：脑电采集、智能解码、工业设计和 UI 共同决定 BCI 产品能否从算法 demo 进入真实使用场景。

植入式脑机接口临床转化把 NeuroAI 推到医疗设备层：神经接口是否可用，不只看解码模型，也看电极材料、植入路径、长期稳定性、监管试验和临床终点。

E2-LLM 把脑电信号接入 LLM 推理：它不是预测脑反应，而是让语言模型消费 EEG 表征并生成情绪解释，提示 NeuroAI 正在向多模态 foundation model 接口扩展。

Conduit 把 NeuroAI 的 Brain-to-Information 路线推进到非侵入式 thought-to-text：目标是从神经数据预测与参与者表达在语义上相近的文本。

Conduit 的数据规模、zero-shot 示例和 scaling-law 趋势均来自公司第一方，尚不能当作逐字解码、通用意图读取或临床有效性的独立证据。

EgoBrain 则把第一视角视觉与 32 通道 EEG 用于 29 类受控日常动作分类，官方数据页另含 IMU。

EgoBrain 的公开模态没有 EMG 或 ECG。它是多模态动作理解数据集，不是意图识别数据集，也不能从分类增益推出神经中介机制或因果方向。

需要保留的边界

预测脑反应不等于解释大脑机制。
合成 EEG 可以补充实验设计和教学，但不能替代真实数据的伦理、真值和跨个体验证。
用 CNN 模拟情绪学习仍是计算模型，不等于模型拥有主观情绪。
人脑语言表征与 LLM 表征相似，不等于两者机制相同，也不等于临床小样本覆盖了完整语言网络。
把脑电数据平台化不等于解决标准化、授权和跨场景泛化问题。
数据注册库降低发现和筛选成本，但不自动提供统一格式、统一标签或完整伦理授权。
注意力 heatmap 只能说明“哪里更可能被看见”，不能直接推出喜欢、理解、信任或购买意图。
可穿戴 EEG 设备能扩展采集场景，但不自动消除设备异构、伪迹、隐私和跨人群泛化问题。
心理健康画像不是临床事实；多模态模型输出越像自然语言解释，越需要保留不确定性和人工复核。
意识测量不等于读取意识内容；PCI/IIT 等路线需要专业临床和理论解释，不能被 AI 产品营销化。
元控制模型不能替代临床诊断；把抑郁、焦虑或强迫症简化为单个可控度参数会误导现实干预。
BCI 招聘和产品宣传只能作为方向线索，不能直接证明医疗设备有效性或临床合规状态。
植入式 BCI 的早期临床进展不能外推为广泛治疗能力；精神和情绪症状方向尤其需要严格临床终点和长期风险评估。
EEG-LLM 对齐结果不能被解释为模型直接读取主观体验。
Conduit 自报的 10k 小时与 zero-shot 示例没有完整公开数据、模型或独立复现；公司使用“mind-reading”营销措辞不能替代任务定义和误差分析。
EgoBrain 的任务是受控动作分类；gated、非商业数据发布也不等于所有研究者可无条件复用，更不等于真实机器人闭环已经验证。