AI 可能缺的不是更多参数，而是另一条控制通路

一、Feedforward 是 data，feedback 可以是 modulation

eLife 的工作把皮层 top-down feedback 的一个关键生理特征写入人工网络：bottom-up input 负责 drive，top-down input 则经过独立非线性后，乘性调节已有 activation 的 gain。参考人脑视听层级关系的 recurrent ANN 因此形成更稳定的视觉归纳偏置与区域功能专门化。

工程上更重要的抽象是，高层控制不一定要生成另一份高维内容。它可以是一条很窄的 control plane，只传 gain、threshold、plasticity、memory write gate 或 time constant。

高带宽内容信号与低带宽调制信号，不一定应该走同一条计算路径。

二、有些具身智能应该留在局部闭环

斑马鱼 schooling 研究把一个实时同步机制定位到脊髓本体感觉回路。局部神经元既能感知自己游动造成的身体弯曲，也能感知邻鱼涡流造成的机械弯曲，并直接调整 locomotor timing。相同回路进入 neuromechanical model 和实体 robotic fish 后，仅靠局部 feedback 就形成 vortex phase matching，并降低游动能耗。

这说明宏观行为复杂，不代表每个控制环都应该进入中央 world model。机器人更合理的结构可能是 fast local loop、medium-timescale state／policy 与 slow world model／planner。

三、BCI 不一定追求高带宽，prediction error 可能更有杠杆

Neural Value Alignment 使用人类 EEG 解码 reward prediction error 和 state prediction error。模拟结果显示，即使 decoder 不完美，这两类内部学习变量的组合仍能加快 value alignment。

这给 BCI-to-NeuroAI 一个不同的接口定义：不必完整输出用户想做什么，而可以输出少量高价值学习变量，去调 AI 的 learning rate、memory write、uncertainty update 或 exploration。

四、Brain foundation model 先回答：对什么 invariant

INCEPT 在超过 11,000 小时未标注临床 EEG 上做 invariance-oriented pretraining，主动压低 montage、reference、device 等 nuisance variation，同时保留与 subject、state 和 condition 有关的有效结构。它挑战了 reconstruction-centered 的默认假设：局部容易恢复的成分，不一定是最值得迁移的神经信息。

MORGOTH 使用 18,677 名患者数据开发，并在 48 家机构、1,573 名患者上做外部验证。对 Neural Observatory 而言，foundation model 必须接受 cross-subject、cross-session、cross-device、cross-site，最终最好还有 cross-modality 的验证。

五、Cortical column 的难点可能在 column 之间

eNeuro 的 barrel-cortex 工作显示，相邻 barrel 主要通过 L4→L2/3→neighboring L4 的兴奋性 relay 传播，同时存在 inter-barrel inhibition。不同方向的 amplitude 和 velocity 接近，但 latency、paired-pulse depression 与恢复时间存在方向性偏置。

因此可扩展的 cortical-column-inspired AI 不应只是复制很多 canonical columns；模块之间的 transfer function 本身就是计算，有效连接应随方向、近期活动、时间与相位变化。

w(i,j) = f(direction, recent activity, time, phase)

六、从 representation similarity 转向 transition geometry

Platonic Representation Hypothesis on World Models 提出，不同 world model 如果都优化同一个 state-transition prediction，可能逐渐形成几何相似、可以 stitching 的 latent structure。

它给 NeuroAI 一个可验证的问题：不要只比较静态 representation，而要比较 brain state transition geometry 与 AI world-model transition geometry，包括状态 A 到 B 的方向、prediction error 后的 trajectory，以及 action-conditioned transition 是否兼容。

七、Ultrasound BCI 是平台信号，不是科学结论

Gestala 近期集中披露 ultrasound readout、neuromodulation 与 AI brain model 的路线，以及前六个月两轮合计人民币 5.7 亿元融资。现阶段这首先是平台战略信号，而不是全脑读写已经实现的科学证据。

真正需要跟踪的是深度、时空分辨率、安全边界、跨个体校准、closed-loop latency，以及 read／write 能否在同一系统里稳定闭环。

八、Architecture synthesis

把这些结果拼起来，一台候选 NeuroAI system 更像一组分层但可互相调节的计算平面。这不是已经被脑科学证明的芯片图，而是一组可以被工程实验逐项证伪的 architecture hypotheses。

• Data plane：高带宽感知、语言与 world model。
• Modulatory control plane：低维 gain、threshold、plasticity 与 time constant。
• Local embodied loops：不等待中央模型的高速闭环。
• Brain-to-AI learning interface：RPE／SPE 等低带宽、高杠杆变量。
• Shared latent observatory：主动定义 invariance，并接受跨站点、跨设备验证。
• Dynamic inter-module graph：模块间有效连接随方向、历史和时间变化。