腦機介面、PB 級儲存焦慮與 AI 可解釋性：Neuralink 話題背後真正的前沿瓶頸

這篇 Threads 把腦機介面、神經訊號採樣、PB/EB 級科學資料、矽光子與 AI 可解釋性串在一起。重點不是簡單判斷 Neuralink 是否落後，而是看見前沿科學正在被儲存、通訊、實驗動物成本與模型不可解釋性共同限制。

2026年6月21日5 分鐘閱讀👁 10

Brain-Computer Interface × Storage Bottleneck × AI Interpretability

這篇 Threads 從「Neuralink 在學術界不一定被視為技術領先」切入，但真正值得保存的是後半段：腦機介面研究不是只有植入晶片與手術機器人，還牽涉神經訊號採樣、PB/EB 級資料儲存、光通訊、實驗動物成本，以及 AI 內部機制不可解釋的共同問題。

核心判斷：這篇不該被讀成「Neuralink 落後」的八卦文，而應該被讀成一張前沿科技成本地圖。當感測、晶片、AI 模型都往前推進時，真正卡住進展的可能是儲存、傳輸、實驗材料、倫理與可解釋性。

這篇在講什麼

原文轉述一場與神經醫學研究者的對話。對方正在做腦機介面研究，提到生醫圈對 Neuralink 的評價並非單純崇拜：Neuralink 擅長工程整合、媒體敘事與商業化，但學術界早已有大量侵入式神經紀錄、神經調控、植入晶片與動物實驗的長期研究。

更有價值的是，文章把腦機介面拆成幾個實際瓶頸：

1. 晶片與低功耗類比設計

研究團隊可自行設計晶片，並找歐洲代工廠客製 22 奈米版本。原文稱 22nm 是低功耗類比晶片的合適節點，可在 0.5V 下運作，適合植入式神經紀錄。

2. 神經訊號的資料爆炸

神經訊號需要高頻採樣，例如每個電極每秒 3 萬次，才可能捕捉約 1 毫秒尺度的神經脈衝。單點資料很小，但乘上多電極、全天候紀錄與多動物實驗後，資料量會快速進入 PB 級。

3. 科學研究的儲存焦慮

原文提到研究可能需要 10PB 儲存空間，長期維護 PB 級系統五年可能花上百萬美元。這種壓力不只存在於神經科學，天文學 SKA、CERN 高能物理也都面臨類似問題。

4. AI 也需要自己的「腦科學」

文章把神經科學與 AI 可解釋性連在一起：人類看不懂大腦，現在也看不懂大型模型內部為何做出特定回答。這就是 Anthropic 等公司投入 mechanistic interpretability 的背景。

投資與產業觀察角度：如果資料量本身變成科學進度的天花板，受益的不只會是「AI 算力」公司，也會包括企業級儲存、資料中心網路、光通訊、CPO、資料壓縮、實驗資料管理與科學運算平台。