2012年，一项关于抑郁症的脑影像研究报告了94.3%的分类准确率：研究者利用全脑静息态功能连接，在24名患者和29名健康志愿者之间做区分。2026年，同一研究脉络的一项更大规模研究，使用33个采集站点、3335人的数据，进行跨站点迁移分类，平均准确率是70.14%。

两篇论文的研究设计、样本和验证协议不同，数字绝不能直接作“技术退步”的比较。但把它们放在一起，会看到一个比“识别率有多高”更重要的问题：当实验室里漂亮的模式走向不同医院、不同设备、不同人群，AI究竟抓住了疾病信号，还是抓住了实验条件？

这恰好是理解胡德文院士最好的入口。在当下的AI叙事里，人们习惯问机器能否像人一样推理、写作、行动。胡德文院士长期研究的，却是方向几乎相反的一组问题：人脑活动能否被可靠测量？这些测量怎样变成关于认知状态的有限判断？判断又如何接入机器，使人和机器一起完成任务？

这不是“把人的思想下载出来”，也不是“用脑信号造一个大模型”。其研究路径，沿着脑功能连接图谱—脑认知模式识别—脑机协同感知与控制逐步展开。这三个环节分别回答“脑中有哪些可观察的关系”“这些关系在特定任务中意味着什么”“由谁据此采取行动”。

如果用一套分析框架概括其研究面对的门槛，我认为是四个依次变难的问题：

• 可观测性
  脑内状态能否在信号中留下足够稳定的痕迹？
• 可辨识性
  算法抓住的是目标状态，还是年龄、头动、设备等混杂因素？
• 可控性
  把判断接入外部装置后，动作是否仍能被预测与纠正？
• 可治理性
  即使技术上能控制，谁有权发令、否决和追责？

这四个问题不是胡德文院士提出的固定术语体系，而是本文用控制科学的眼光，对其研究与产业边界所作的重构。先校准一个称谓。胡德文院士任教于国防科技大学，2025年当选中国科学院信息技术科学部院士，并担任中国人工智能学会认知系统与信息处理专委会主任。他同时参与中国认知科学学会的学术组织工作。

一、他的学脉，不是一位名师的姓名，而是一种问题的转向

谈学脉，最容易写成“师承某某大师”。目前能够核实的公开材料，足以说明胡德文院士的教育经历和研究方法如何形成，却不足以确认其本科、硕士和博士阶段每一位正式学位导师的姓名。不能因为后来同谁合作、在同一领域发表论文，就倒推“师承”。可确认的履历是：1983年毕业于西安交通大学信息与控制工程系，1986年在该校获硕士学位，1999年在国防科技大学获博士学位。其学科出身是自动控制，而非今天意义上的大模型或纯粹神经科学。国防科技大学记载，他在1995年出国访学时接触认知科学，随后于1996年前后把研究重心由控制理论转向脑科学与认知科学。

这个转向的思想意义，远比履历上的专业变化大。控制理论研究一个系统如何在干扰中维持目标：有一个难以直接看见的内部状态，有传感器给出不完美的观测，有控制器据此作出判断，还要把行动后的结果送回系统修正。脑研究面对的困难惊人地相似。研究者看不见“注意力”“抑郁”或“行动意图”本身，只能看到脑电波形、血氧信号等间接痕迹；这些痕迹又混杂着噪声、个体差异和环境变化。

因此，我更愿意把胡德文院士的学脉写成四个相互接续的环节，而不是编造一条人名谱系。

第一层是控制科学。它让研究始终关心“测得准不准”之外的另一个问题：测量能不能支持实时决策和反馈。

第二层是信号处理与模式识别。它把杂乱的脑电、脑成像数据变成可分析的时空特征，并检验某种特征能否区分特定状态。

第三层是认知神经科学与脑网络研究。它不把大脑看成由一个个孤立区域组成的器官，而把区域之间随时间变化的协同关系纳入研究。

第四层是与医学、康复及实际任务场景的协作。它迫使算法离开单一实验室，接受跨设备、跨人群、跨时段的检验。

这四层并非他本人发表过的“官方四层理论”，而是对其履历、著作与研究序列的分析性概括。2019年，胡德文院士与曾令李合著的《Pattern Analysis of the Human Connectome》，从抑郁症与精神分裂症的脑连接模式、多站点分类、动态功能连接，一直讨论到稀疏表示、低秩学习和深度判别网络，清晰呈现了这条由“脑网络表征”走向“可检验识别”的方法路线。他真正继承的不是某一种AI模型，而是控制科学对“观测—判断—行动—再观测”的执念。这也解释了为什么他的团队既做脑影像分类，又做脑控轮椅、脑控汽车：后者不是前者的商业包装，而是在追问算法输出进入现实之后是否仍然成立。

二、第一个基本假设：认知不是一个点，而是一种关系

早期谈大脑，常说某个区域“负责”某种功能。这种说法适合科普，却容易遮蔽真正的问题：许多认知和疾病现象，可能并非单一区域失灵，而是多个区域之间的协作方式发生变化。脑功能连接研究采用一个简洁而强大的想法：比较不同脑区的活动时间序列，看它们是否同步变化。如果把脑区当作城市，把共同起落的活动当作城市之间往来的迹象，就可以得到一张“关系图”。研究者再用统计学习方法，判断哪些关系模式与特定疾病或状态相关。

2012年的抑郁症研究，正是用全脑静息态功能连接进行多变量分类。研究发现，具有区分作用的连接分布在默认网络、情绪相关网络、视觉皮层及小脑等区域，并非一个“抑郁症按钮”。这项研究提出了脑连接作为潜在生物标志物的可能性，胡德文院士是该论文的通讯作者之一。

但“关系图”有一个必须写在结论旁边的边界：功能连接通常是统计相关，不等于两个脑区之间存在直接解剖连线，更不等于一个脑区导致了另一个脑区的变化。扫描时头部轻微移动、预处理方法、药物使用、年龄结构和成像设备，都可能改变这张图。通过脑网络发现“可区分的模式”，与证明“疾病的因果机制”，中间还隔着很长的路。

这也是为什么胡德文院士团队后续越来越重视多站点验证。2018年，一项针对精神分裂症的合作研究使用来自七类影像资源、共734人的有效样本；在跨站点留出测试中，分类准确率约81%。研究者试图学习不同站点相对共享的功能连接特征，而不是只记住某家医院扫描仪的“口音”。

2026年的抑郁症研究则更值得企业界读：33个站点、3335人，跨站点迁移分类平均准确率70.14%。这不是2012年那项53人研究的同一道考题，因此不能拿94.3%减去70.14%来评判模型进退。但在研究逻辑上，考题确实变难了：从“在受控样本里能不能分”，走向“换一批采集条件后还能分多少”。

这里有一条对整个AI产业都重要的认识：模型把训练集分开，只证明它抓住了某种差异；只有跨场景仍能工作，才开始接近抓住了问题本身。在脑影像里，“场景”可能是医院和扫描协议；在企业里，可能是不同工厂、不同客户、不同业务周期。二者并不等价，但共同面对分布变化问题。

三、第二个基本假设：智能不是识别对了，而是知道何时、如何让机器行动

如果一个算法说某段脑电“像左转意图”，下一步怎么办？这里的难度骤然上升。诊断分类中的一次误判，首先是一个统计错误；让车辆转弯或轮椅移动中的一次误判，可能立刻成为物理世界的风险。于是脑机接口不再只是“解码竞赛”，而是包含意图识别、动作授权、环境感知、路径规划、异常处置的控制问题。

2016年，胡德文院士参与的团队论文提出以运动想象脑电实现自定节奏的车控：使用者想象左手或右手运动，系统将不同模式映射为启动、前进、转向、后退和停止等操作。五名健康受试者在实验环境中完成预设路线；表现最好的一个人达到与手动控制相近的效果。论文摘要明确把它定位为实验性验证，并讨论未来对行动障碍者的潜在用途。五人、预设路线、单名最佳受试者，不能被改写成“脑控汽车已经能安全上路”。

到了2022年，另一项与临床机构合作的脑控轮椅研究把问题推进一步：十名严重脊髓损伤受试者，在预定义任务中使用基于P300脑电反应的系统。论文报告平均识别准确率94.8%、信息传输率4.2比特/分钟，并评估了实验前后的生理指标和主观任务负荷。更重要的是，系统把使用者的目标选择与机器视觉、自动导航和机械臂操作结合起来：人不必逐厘米“遥控”轮椅，机器承担一部分路径与操作负担。

请注意这组数字的真正含义。94.8%的识别准确率，不等于轮椅在开放环境中94.8%的安全率；4.2比特/分钟，也不能拿去和普通键盘输入速度简单比较。对严重运动障碍者，少量可靠的“目标选择”可能已具有价值；但它能否成为长期可用的辅助设备，还要继续回答佩戴便利、疲劳、家庭环境障碍、误触发、维护和监管等问题。

在这里，胡德文院士研究脉络中一个容易被忽略的洞见浮现出来：脑机接口最重要的不是把全部控制权交给大脑，而是重新分配人与机器的控制权。人提供目标和许可；机器负责感知环境、规划路径、执行细部动作；人或保护机制保留中止、纠错和接管的能力。这不是把“人”作为机器旁边的装饰，而是把人的意图、机器的精密操作和安全边界设计为同一个系统。

这一判断是基于论文系统结构的作者归纳，并非胡德文院士的原话。它同时有严格边界：不同脑机接口方案差别很大，有的强调连续控制，有的强调目标选择；不能把一项轮椅研究提升为所有脑机产品的通行架构。

四、第三个基本假设：真正稀缺的，是穿过噪声仍然有用的表征

脑电数据看似随时可采，真正可用的数据却很难积累。电极位置不统一，肌肉活动和环境振动会污染波形，同一个人今天与明天的信号也可能不同。若每换一个人、一次佩戴、一个任务，模型都要从头训练，脑机接口就难以规模化。

胡德文院士团队2025年发表的DMAE-EEG研究，尝试把自监督预训练用于脑电：利用大量未标注EEG，通过掩码重建和去噪任务学习跨时空的表征，并引入脑区拓扑先验以处理不同数据之间结构不统一的问题。论文在14个公开数据集上进行研究，目标是提高跨时段、跨受试者和跨任务迁移能力。

这意味着他的路线并不“反大模型”或“反深度学习”。恰恰相反，团队使用深度学习的新工具，处理脑电这个比互联网文本更脏、更稀缺、更受身体差异制约的数据世界。

不过，论文中的“可迁移”，仍须接受更硬的检验：未见过的新医院或新设备、连续数月使用、不同疾病人群、传感器移位，是否还保持性能？公开数据集上的跨任务进步，是迈向这些目标的一步，不是这些目标已经完成的证据。

同一逻辑也延伸到认知负荷测量。团队2023年一项研究，不仅看脑电频谱，也结合通道间关系和短时间内变化的微状态，预测不同层级的认知负荷。实验有12名成人受试者，在记忆、计数、视觉搜索混合任务中取得较好的分类表现；该论文后来获得IEEE相关学会最佳论文奖。

如果把“注意力下降”“负荷过高”用于实际工作，问题就不再是能否画出一条漂亮曲线，而是：模型会不会把疲劳、焦虑、设备松动误当成“能力不足”？是否会诱导组织对员工进行过度监测？从认知测量到人的评价权，是脑机智能最容易发生治理越界的地方。

五、他对产业的影响，必须分成三本账

人物文章喜欢写“打通产学研”，却常把三种完全不同的证据揉成一团。评估胡德文院士的产业影响，应当分开看。

第一本账是学术与方法账。脑连接模式识别、跨站点迁移、自监督脑电表征和脑机协同控制，形成了持续的研究序列。国家自然科学奖二等奖的两项成果，分别对应神经生物信息模式识别与时空分析，以及脑功能连接机理研究。它们说明该研究方向获得重要学术认可，但奖项本身不能证明某个产品已被广泛使用。

第二本账是人群与场景验证账。2016年的车控实验是五名健康受试者的概念验证；2022年的脑控轮椅研究进入十名严重脊髓损伤受试者的预定义任务。再看团队成员刘迎欣的公开报道，国防科技大学称其认知评估系统已在多家单位应用，并披露了800余小时实地采集、现场噪声远超实验室的经验。这里可确认的是校方对应用的披露；我们没有公开的第三方长期效能评估，不能擅自写成“规模化产业验证”。

第三本账才是产品与市场账。是否形成获得许可的医疗器械、稳定的商业销售、可复制的售后服务与长期真实世界结果，需要监管文书、产品资料、销售与随访数据分别支持。就本次核查到的公开材料而言，不能把实验、临床研究和单位内部应用直接合并成“已经产业化”。

但不夸大产业化，不代表没有产业意义。胡德文院士团队展示的，更像是脑机智能的系统集成路线：传感器采集只是入口，信号预处理、模型迁移、环境视觉、导航控制、人员负担和授权机制必须共同成立。未来谁能把这些环节做成可靠系统，谁才有机会把脑机接口从演示推进到公共产品。

六、放进全球AI思想谱系，他究竟站在哪里？

如果用“做不做大语言模型”来给人分类，胡德文院士很容易被放进“非主流”一栏。这种分类过于粗糙。全球AI研究至少有四种不同的入口：

一类从语言和互联网数据出发，研究知识、推理与生成；一类从视觉和物理环境出发，研究空间、动作与世界模型；一类向生物大脑内部追问，研究神经活动如何组织认知；还有一类站在人与机器之间，研究生物信号如何可靠地成为机器的输入，而机器行动如何回到人的控制之下。

胡德文院士的研究，位于后两类的交叉处，而且带有鲜明的控制科学底色。他既不是在宣称“脑网络图直接揭示通用智能算法”，也不是仅仅为算法找一个新的分类数据集。他做的核心工作，是把大脑作为一个难以直接观测、持续变化、必须与外部装置形成反馈的系统来研究。

这使他与当下几种流行说法保持距离。

“脑启发AI”不等于给神经网络加几个生物学名词。真的要从脑科学获得AI启示，先得弄清哪些信号是稳定现象、哪些只是测量产物。

“具身智能”也不一定从机器身体开始。脑控轮椅提示我们，人的身体受限时，机器可以成为行动能力的延伸；具身问题既包括机器如何在世界中行动，也包括人怎样借助机器重新获得行动能力。

“人机协同”更不是演示台上人说一句、机器做一步。协同的实质，是面对不确定信号和现实风险时，设计谁有意图定义权、谁有动作执行权、谁有最后否决权。

团队2025年发表、2026年见刊的“并行脑机接口”论文，甚至把单人与机器的配对扩展到多人协作：让不同参与者分别承担目标定位或环境危险感知的任务，再合并结果。论文报告，在其特定实验中，协作拼写的信息传输率由55.17提高到146.35比特/分钟，协作感知的响应时间由1696毫秒降至1130毫秒。它提示一个更大的研究问题：复杂任务不一定要求一个人脑或一个模型独自完成，任务本身可以重新分解。但这些数字仍只适用于该论文的实验范式，不能外推为多人脑机系统已可普遍部署。

由此，我给他的思想位置一个概括：他处在“测量人的智能”与“组织人机共同行动”的接口上。这不是对其学术地位的排行榜判断，而是对研究问题的定位。与其问“胡德文院士是不是中国的某位国外AI科学家”，不如问：当AI从生成内容进入医疗、康复、驾驶、工业和其他高后果任务时，怎样把不确定的人的信号转化成可追责、可中止、可修正的系统行为？

七、最值得尊重的，恰恰是这条路线尚未解决的难题

真正深的研究，不应由赞美结束，而应由能否被证伪结束。胡德文院士的研究路线，至少面临五道长期考题。

其一，解释力。功能连接能够用于预测，不代表已发现稳定因果机制。若换预处理方案、年龄结构或药物状态，关键连接就改变，理论解释便需要重写。

其二，迁移力。跨受试者、跨设备、跨机构和长期使用的表现，是比单次实验得分更硬的指标。33站点研究所暴露出的性能限制，值得像方法进步一样认真对待。

其三，闭环安全。脑电意图可以成为候选输入，却不应天然成为高风险动作的充分授权。机器须能识别不确定性、限制动作空间、要求确认，并保留人或独立保护装置的接管权。

其四，真实效用。对行动障碍者，技术价值不能只算“识别率”，还要算每天能否佩戴、任务完成时间、疲劳感、护理负担与意外事件。对认知评估，价值不能只看分类对不对，还要看是否改变了错误决策。

其五，神经数据治理。脑信号可能含有与健康、注意、意图有关的敏感信息。谁可以采集，如何限定目的，如何防止“为了辅助而采集的数据”转而用于监控与惩罚，应与算法性能一道进入设计，而不是上市前补上一份同意书。

对企业家而言，这条路线还有一个重要的跨界对标：在高后果AI系统里，识别模型、行动权限和责任主体必须分层设计。模型可以建议“此人可能疲劳”，不能据此自动认定“此人不适任”；系统可以规划轮椅路径，不能因此取消使用者的中止权。AI越能接近人的状态，组织越不能偷懒，把概率输出当成可直接执行的命令。

结语：胡德文院士的思想形状

如果把他的研究压缩成一句话，那不是“让机器读心”，而是：从不可靠的脑信号出发，经过可检验的模式识别，把人、机器与环境组织成一个可以反馈和纠错的行动系统。

这句话里，最重要的词不是“脑”，而是“可以反馈和纠错”。

语言模型让我们看到，机器能够从海量外部数据中获得惊人的表达和推理能力；胡德文院士的研究提醒我们，人的认知活动本身也可能成为智能系统的一部分，但这条路受到测量误差、身体差异、真实场景和行动后果的层层约束。它不会因为“脑科学”三个字就天然更接近通用人工智能，也不会因为一辆车能够受脑电控制，就自动成为成熟产业。

恰恰相反，它的价值在于让一个常被技术热潮省略的问题重新出现：当AI足以影响人的行动时，怎样让人仍然拥有目标、边界与纠错的权力？

这既是胡德文院士研究最值得理解的地方，也可能是下一阶段AI走出聊天框、进入真实世界时，最难绕过的一道题。

说明：“控制科学学脉”“四道门槛”“三本账”和“全球AI思想位置”是本文的分析框架，不是胡德文院士原话。正式学位导师姓名未获可靠公开材料确认，故未指认。论文实验、校方披露的实际应用与商业化之间，也作了区分；本文不为个人、机构或具体产品背书。

少数派 · 共同体成员登记

我们准备把 i少数派 从一个读的地方，变成一个深度思考的地方。

它不会很大——同侪之间的真实讨论有规模上限，超过这个数，讨论就会退化成转发。

这份表里有两道需要动脑子的题（第 9、10 题）。它们是这份表真正的内容，其余都是背景信息。请认真写那两题，我们会认真读。

3分钟填完。——i，是那个不肯被简化的我。

参考信息

〔1〕中国科学院学部与院士，《胡德文院士简介》。

〔2〕西安交通大学电子与信息学部，《电信学部校友胡德文当选中国科学院院士》。

〔3〕国防科技大学，《驭智前行，探秘脑机｜记胡德文院士科研长征路》。

〔4〕国防科技大学，《国防科大举行胡德文院士专场报告会》。

〔5〕Dewen Hu、Ling-Li Zeng，《Pattern Analysis of the Human Connectome》，Springer，2019。

〔6〕Ling-Li Zeng等，《Identifying major depression using whole-brain functional connectivity: a multivariate pattern analysis》，Brain，2012。

〔7〕Ling-Li Zeng等，《Multi-Site Diagnostic Classification of Schizophrenia Using Discriminant Deep Learning with Functional Connectivity MRI》，EBioMedicine，2018。

〔8〕Jianpo Su等，《Multi-Site Transfer Classification of Major Depressive Disorder: An fMRI Study in 3335 Subjects》，Advanced Science，2026。

〔9〕Yang Yu等，《Toward brain-actuated car applications: Self-paced control with a motor imagery-based brain-computer interface》，Computers in Biology and Medicine，2016。

〔10〕Xin Chen等，《Clinical Validation of BCI-Controlled Wheelchairs in Subjects With Severe Spinal Cord Injury》，IEEE Transactions on Neural Systems and Rehabilitation Engineering，2022。

〔11〕Yifan Zhang等，《DMAE-EEG: A Pretraining Framework for EEG Spatiotemporal Representation Learning》，IEEE Transactions on Neural Networks and Learning Systems，2025。

〔12〕Yingxin Liu等，《Fusion of Spatial, Temporal, and Spectral EEG Signatures Improves Multilevel Cognitive Load Prediction》，IEEE Transactions on Human-Machine Systems，2023。

〔13〕IEEE Systems, Man, and Cybernetics Society，2025年学会获奖名单。

〔14〕2024全球人工智能技术大会官网，中国人工智能学会。

〔15〕中国认知科学学会，《理事：胡德文》。

〔16〕国防科技大学，《“高地星火”奖学金学员风采（2）｜用脑机接口为战士大脑“保驾护航”》，2026。

〔17〕Zeqi Ye等，《Parallel Brain–Computer Interface: Collaborative Control and Perception Based on Multibrain Division of Labor》，IEEE Transactions on Cognitive and Developmental Systems，2026。