神经科学与认知科学
突破级
暂无讲解视频
收录解读
这篇工作针对 EEG 预训练领域一个长期存在的瓶颈：已有基础模型虽然能通过大规模预训练学到通用表征，但下游任务往往仍需要分别全量微调，导致任务割裂、资源浪费，也难以形成真正统一的 EEG 基础模型。论文提出 NeuroLM，把 EEG 信号视为一种可被语言模型处理的“外语”，试图把 LLM 式多任务推理能力引入脑电领域。
方法上的关键在于三步结合：先学习一个与文本空间对齐的神经分词器，把 EEG 转成离散 neural tokens；再用多通道自回归方式在 LLM 框架中学习 EEG 的因果结构；最后通过指令微调把不同 EEG 下游任务统一到一个模型中。论文的核心新意不是单独做更大的 EEG 预训练，而是明确把语言建模、tokenization 和 instruction tuning 这套范式迁移到 EEG。
这项工作值得收录，因为它是 EEG foundation model 路线里少见的真正框架级推进。它对脑机接口、神经信号表征学习和多任务基础模型都有明确价值，也对 AI 研究中跨模态 tokenization、低信噪比时序建模和任务统一范式提供了直接启发。对于仓库来说，它比普通 EEG 应用论文更接近可复用的方法论条目。
它还不到更高一级，原因是当前主要验证仍集中在 EEG 任务集合内，跨模态统一和更广泛临床/认知场景泛化还需要后续工作支持。它是很强的 breakthrough，但还没到重排更大范围 NeuroAI 或 foundation model 路线的 disruptive 级别。