语言脑机接口中的开源数据集【脑机接口恢复语言3】

哈喽，我是懿轩。今天和大家聊聊语言脑机接口领域的开源数据集。

开源这词大家肯定都听烂了，但其实开源是有好几种程度的。

我们常说GPT是闭源的， deepseek是开源的，指的是前者没有开放权重，而后者开放。

但开源的另一个意思是要公开训练方法，

有的开放权重的模型，比如GPT-OSS，就没有公开训练方法

除了公开权重、方法之外，还要公开训练数据和训练代码，这才是完全的开源。

有一个模型叫 OLMo，它公开了训练数据和训练代码。

（懿轩注：OLMo来自美国艾伦人工智能研究所，最新一代 OLMo-3.1–32B 于2025年12月发布。可惜的是，今年三月，OLMo的核心团队几乎都被微软撬走，这个项目恐怕再也没有下一代了。）

现在来看看咱们语言脑机接口，这是我第1期视频放的7篇文章。

他们的开源情况如何呢？

简单地说 UCSF 发的文章，只公开方法。BrainGate 发的文章，数据、代码、权重、方法全都公开。

（懿轩注：这里的 UCSF 指的是 UCSF 的 Edward Chang 实验室。这里的 BrainGate 指的是 Stanford 的 Willett 和 UC Davis 的 Stavisky 实验室）

UCSF 的文章会公开绘图数据和绘图代码，它只能让你把文章里的图画出来。

开源除了可以复现之外，还有一个好处是可以打榜。

BrainGate把他们23年和24年的文章做成了两个比赛， Brain to Text 24 和 Brain to Text 25，分别于2024年和2025年举办。

（懿轩注：不知他们今年是否会发布 Brain to Text 26）

这两个比赛里各有10多支队伍超越了原作。

打榜是一件非常重要的事情 — — 2012年深度学习第3次崛起就是依靠 ImageNet 可以让大家公平地竞争；2020年 AlphaFold 2 破圈也是因为蛋白质折叠领域每两年就有比赛。

（懿轩注：很多领域没有这样公平竞争的比赛，给学者们留了偷换概念和暗箱操作的空间）

开源和闭源哪个更好？ — — 从全人类的利益看，开源各个方面都优于闭源。

比如说，我想比较 LSTM，GRU，Transformer 哪个在语言脑机领域最好用，光靠一个人的力量调参是不够的 — — 唯一的办法就是把数据集开源，让擅长各个模型的人分别调参。

我很期待的是，每个学者都把自己的数据拿出来。反正那些数据不拿出来也就是放在服务器的硬盘里面吃灰，还不如贡献出来让大家都玩玩。

参考文献：