前言：为什么我们要谈论“轻量化”？
大概在一年前，我写了一篇关于Transformer在fMRI信号上做解码的综述。那时候的共识是：脑机接口（BCI）是AI的终极传感器，而AI是BCI的终极翻译官。
但那个共识有个致命的缺陷——延迟。
传统的BCI范式（比如经典的P300拼写器）需要你盯着闪烁的字母看很久，EEG信号经过放大、滤波、分类器推理，最后输出一个字符。整个过程像是用摩斯密码跟外星人打电话，慢得让人抓狂。我们想要的是意念驱动——我想“你好”，电脑就打出“你好”。这要求解码环路必须在毫秒级内完成。
这就引出了一个看似矛盾的技术命题：我们需要在边缘端（头戴设备上）运行一个大模型（LLM）来理解模糊的神经信号，但我们的算力和电池只够点亮一个灯泡。
于是，轻量化LLM（Lightweight LLM）走进了这场游戏。它不是为了写诗，而是为了在功耗<5W的ARM芯片上，把一团混乱的电压波动，翻译成人类的意图。
第一章：硬件的残酷现实与“脏数据”哲学
我不打算用那些昂贵的Neuroscan或者BrainProducts设备。那些设备虽然采样率高达1000Hz，但一套系统够买一辆小汽车。我选择的是OpenBCI Cyton加上一个8通道的干电极帽。
为什么是干电极？
因为我受够了导电膏。那种黏糊糊的凝胶不仅会弄脏我的头发，还会在阻抗下降的过程中让我产生一种“我
