全球唯一非侵入穿颅读脑突破！这家中国公司想成为脑科学的“英伟达”

2026 年 9 月，马斯克的 Neuralink 临床试验接受 27 例受试者，计划开启大规模量产。舆论再次沸腾，仿佛脑机接口的未来已到。

但这是一种幻觉。事实上，侵入式脑机接口面临的根本矛盾从未改变：要在颅骨上钻孔、把电极插进脑组织 —— 决定了它只适用于极少数重度以及敢于尝试的患者。而另一面，非侵入式的 EEG 脑电帽虽然安全，但信号分辨率太低，隔着头皮和颅骨根本读不懂大脑。

两条路线，一条太危险、一条又太模糊。有没有中间道路：一种既能无创穿透颅骨、又能获得足够高分辨率的读写技术？甚至，这种技术延伸出来能不能具备通用属性，如同英伟达的 GPU 之于 AI 那样，成为脑科学 AGI 之路上的关键基础设施？

这正是鲲为试图解答的命题。这家深圳公司成立七年，创始人此前十余年都在从事声学空间智能的前沿基础研究，2024 年才将这革命性的理论突破应用于颅脑超声方向 —— 直指行业最深的 “禁区”：穿颅读脑。目前，它是全球唯一实现了非侵入超声穿颅读脑的公司。

有意思的是，虽然实际成果已遥遥领先于国际学术界的 Frontier，但鲲为从不发 Paper，核心技术成果作为商业秘密保护。眼下学术界还在基础理论的漩涡里挣扎，鲲为已经把理论做成了精密复杂的医疗级产品，在完成从理论 - 技术 - 产品 - 量产的长周期闭环后，已经成长为一家进入陡峭商业化增长的声学空间智能 Neo Lab。

这很大程度上归因于鲲为创始人刘家家的基因。他既是一名硬核的硬件工程师，同时也是一名深藏不露的理论 Researcher。

刘家家本硕就读于西安交通大学生物医学工程专业，2003 年就接触到神经网络，在校期间打下了扎实的数学基础，2008 年刚进入超声行业，就从第一性原理出发，思考低频率能不能实现高分辨，而低频恰恰是超声穿颅的关键，从此进入了茫茫基础理论的探索，直到 2019 年创立鲲为，他工作后几乎所有时光，都围绕 “声学空间智能” 这一件事展开。

事实上，无论是以 Neuralink 为代表的侵入式脑电路线，还是以 Merge Labs 为代表的超声，再到脑电、脑磁、近红外等非侵入式技术，不同路线都绕不开一个共同问题：怎么研究大脑 —— 脑科学已经成为 AI 时代最核心的研究热点。而鲲为提供的正是一个非侵入、高分辨的脑科学读写工具。

这条路能走通，也是因为踩在了算力爆发的时间节点 —— 其计算量是传统超声的千倍以上，正是过去几年算力的跃进，让鲲为的空间智能理论变得经济可行。超声穿颅成像，已经是颠覆性的突破，但成为全球脑科学研究的关键 Infra，是鲲为更大的愿景。

Part 01

一位医生的猜想和缺失的 Infra

今年 8 月，数学界发生了一件出人意料的事。

困扰学界 22 年的 Crouzeix 猜想 —— 一个关于矩阵数值域与函数范数不等式的难题，被证明是正确的。康奈尔大学数学家 Alex Townsend 与华盛顿大学教授 Anne Greenbaum 审阅后公开确认，就连猜想的提出者、法国数学家 Michel Crouzeix 本人，也核验成功。

证明者叫金山木，是 2026 年因攻克挂谷猜想获得菲尔兹奖的数学家王虹的师弟，北京协和医院神经外科的一名博士后、住院医师。本科读的是北大地质学，2020 年才转入临床医学。

一个耐人寻味的细节是：他踏入矩阵分析，不是因为数学（他本人的数学功底非常好），而是因为颅脑超声。他在研究中试图让超声波穿透结构复杂的人体颅骨、碰到了实际问题不得不研究矩阵分析，这才 “顺手” 解决了一个数学难题。

这个故事可以从很多角度解读。但在更宏大的叙事里，它其实指向了一个被行业长期忽视的事实：脑科学发展到今天，依然没有解决最底层的问题，那就是缺少一个非侵入、随时读写脑的工具。

金山木的起点恰恰是这个瓶颈本身：颅骨对超声具有极强的衰减和畸变效应，常规超声很难有效穿透颅骨实现高分辨率成像。

传统 TCS 成人颅脑成像

尽管超声功能成像在脑科学研究领域已经掀起热潮，由于其极高的时间 + 空间分辨率，能够分辨 20 微米的极细血流，它有潜力成为性能最优异的大脑功能成像工具，但由于颅骨的天然屏障，使得这项技术仍然停留在 Nature 和 Science 阶段。

所有在超声路线上的脑科学前沿团队，都选择绕开 “颅骨”：Arbor 和 Merge Labs 走开颅或植入 PMMA、PEEK 透声植入物成像；Openwater 用光学测量脑血流、用超声进行调控；Attune Neurosciences 借助 MRI 定位、用超声做深部脑调控。

而鲲为选择了最难的那条路：不绕开颅骨，要正面穿透它 —— 正是基于全球独一无二的超声全栈计算成像能力，鲲为突破了教科书里的衍射极限，让穿颅读脑变为可能。

鲲为 HUS 技术下的颅脑超声图像

鲲为 HUS 技术下的成人颅脑二维及血流成像：https://mp.weixin.qq.com/s/yPi_DeKlQaYpOhY1Wwga4w

最耐人寻味的，是全球超声学术界的反应 —— 一家从来不发论文的公司，做出了学术界长期求而不得的结果。他们的反应不是质疑数据，而是想复现：低频之下，高分辨到底是怎么做到的？

Part 02 低频范式：把频率做低，才是下一代性能的解法

鲲为的反直觉，不在于选择了超声这个成熟技术，而在于对超声做出了一个全行业最反共识的判断。

超声行业过去半个世纪的技术逻辑是 “回声定位”，探头发出声波，声波穿过组织，在边界处反射，设备根据回波重建图像。频率越高，波长越短，分辨率越高，但衰减也越快；频率越低，穿透力越强，但分辨率越差。

于是整个行业的进化方向高度一致：卷频率，在衰减允许的范围内压榨分辨率。5G 通信、芯片制程、超声探头等逻辑都相似 —— 频率提升就是性能提升，是刻在行业基因里的范式。

这个逻辑在大部分医疗超声场景都很好用，直到撞上一堵墙：颅骨。

颅骨是超声成像公认的 “禁区”。高频超声遇到颅骨几乎被完全反射和吸收，低频超声能穿过去，但分辨率退化到失去临床价值。过去几十年，经颅超声唯一被验证的应用是经颅多普勒（TCD）—— 只能测几条大血管的血流速度，谈不上成像。行业由此形成了一个根深蒂固的认知：全脑超声成像，要么开颅，要么无解。

“这是一个从第一性原理出发就值得被重新审视的问题。” 刘家家认为，“所有业内人士都想提高频率，但提高频率已经撞墙了。反过来想：把频率做低，会发生什么？低频有最好的穿透性，唯一的问题是分辨率，而分辨率，能不能不靠物理聚焦、用计算解决？”

这听起来简单，实际等于重写超声成像的整条技术栈。

传统超声的图像质量多半依赖探头的物理聚焦性能，鲲为的路线反过来：把波束合成的难题大规模留给算法，用 GPU 算力在物理重建的层面把图像 “计算” 出来。

这条路能走进现实，踩的是算力爆发的节点。因为鲲为的成像算法计算量极大，是传统超声的千倍以上，需要高性能 GPU 进行实时物理重建，所以没有英伟达，就没有鲲为的今天，鲲为这套极其吃算力的超声范式，也让其成为了英伟达全球超声领域的前沿客户。

正是因为这套以声学空间智能 + 算力为基础的超声范式，让性能展现出极强的 Scaling，从初代原型机的 0.25 帧 / 秒，到今天 5000 帧 / 秒，成像性能在五年提升万倍。而性能提升的背后，是算力 + 算法驱动的 “摩尔定律”，现在的分辨率远远不是终点，公司的目标是每一代产品的性能至少提升两倍以上。

Part 03

从超声设备，到脑科学的关键基础设施

脑科学要继续向前飞奔，绕不开的一个瓶颈，恰恰就是数据。尤其是同一个大脑，在不同时间、不同状态下，能够反复获取的高质量数据。然而现有采集工具各缺一条腿：

• 植入电极能直接记录神经电活动，但得开颅打孔，且只能获取局部信号；
• EEG 非侵入、便携还便宜，但信号要经过头皮和颅骨的层层衰减，信噪比太低；
• fMRI 虽然能非侵入式看全脑，但设备巨大昂贵，也难以跟随人的日常活动；
• 功能超声能精细观察大脑神经活动相关的血流变化，但穿不透颅骨。

功能超声这条路线的潜力，已经在研究中不断显现。2011 年，Macé 等人在《Nature Methods》发表《Functional ultrasound imaging of the brain》的奠基论文。此后，功能超声不断向更精细的尺度推进，结合微泡定位的超分辨技术，功能超声已经在动物实验中实现 20 微米级神经血管活动观测。

回到现实中，功能超声读脑却迟迟没有广泛普及，颅骨就是最后的那堵墙，但这个屏障已经被鲲为突破。

目前鲲为的颅脑超声产品已经在医疗场景获批，在中国和海外多家顶级医院完成系统性临床验证和商业化落地。这门生意本身比较扎实，全球超声早已是百亿美元级的成熟市场，长期由 GE、飞利浦主导，而颅脑超声是巨头长期都没有解决的难题。在鲲为看来，穿颅成像带来的，是进入这一市场的 “技术降维” 式机会，2025 年底商业化以来已经进入陡峭的指数增长。

如果故事止步于此，那在外界看来，鲲为所做的，仍然只是造了一台穿颅影像设备，兑现的是这项技术当下的商业价值。但鲲为更大的愿景，是改变脑科学获取数据的方式，成为脑科学 AGI 路上的关键基础设施。

这背后，有两种互相增强的能力。

一是超声可以做到可穿戴，让大脑能够被长期、持续观察

不同于 MR、CT 患者需要躺在巨大的设备中检查，超声具备走向可穿戴的工程基础：探头可以做成贴合皮肤的轻薄阵列，也可以集成到头戴装置中。

用可穿戴超声读脑已经有了人体实验。2025 年，《Science Advances》发表的一项研究，为一名装有透声颅骨植入物的受试者定制了超声头盔，在其行走时实时记录反映脑活动的血流变化，并取得了跨越 20 个月的重复观测结果。它本质上还需要开颅，但已经展示了功能超声跟随人的活动、长期反复使用的可能。

Neuralink 创始科学家、现任 Arbor Neuroscience CEO Philip Sabes 在近期的一次演讲中就提出：脑机接口需要重新设计人体数据获取方式 —— 你可以付费让 1 万人、6 万人来使用一款手环，但你不可能让 6 万人接受一个脑植入。

这恰恰也是鲲为的技术愿景，当设备进一步小型化、可穿戴，超声脑功能测量就可以进入人们的日常生活，关注用户的睡眠、运动、情绪、专注状态以及慢性疾病出现前的症状期等，从而 Enable 脑科学领域 Oura Ring 级别的产品。

同时这会彻底改变脑科学的数据采集规模，像 Oura Ring 一样产生亿小时级别的数据量级，相比之下，目前最大的 fMRI 脑功能数据集还停留在万小时级别，而且是大量人群的低频数据，缺乏对同一个体长期持续的观测。

二是超声天然读写闭环，让观察进一步变成干预实验

超声既能成像，也能用于神经调控。两种能力可以集成在同一个探头上，就能够让研究者观察：改变一个刺激参数之后，脑内发生了什么，变化能否重复，又是否与症状改善有关。

Neuralink 创始科学家 Philip Sabes 近期也讲到：“聚焦超声在神经调控领域已经展现出巨大的潜力... 如果把神经调控与功能性超声成像结合起来，我们就有可能在干预的同时，直接观察大脑正在发生什么。”

“换句话说，我们希望未来的技术能够真正做到：一边干预，一边观察；一边治疗，一边学习。”

这条路径已经出现具体实验。2026 年 6 月，UCSF 团队的一篇预印本报告，在需要人工声窗的大鼠实验中，用同一支探头交替完成刺激和成像，再由算法根据脑血容量响应选择下一组参数。

这恰恰是鲲为希望推进的方向，用超声来实现大脑的读写闭环，鲲为有机会把 “观察 — 干预 — 再观察” 做成更多研究者可以使用的工具，让每次实验都能帮助下一次实验做得更好。

对脑数据的需求，已经写进前沿 AI 团队的研究计划。OpenAI 宣布与 Merge Labs 合作开发脑科学基础模型，探索新型脑机接口；Meta 支持的 “数字大脑计划”，则计划采集 1.5 万小时的交互任务脑记录，用于建立脑科学模型。刚完成 5 亿美金融资，获得 Jeff Bezos 投资的 Flourish，则试图从大脑的学习机制中，寻找通向 AGI 的新架构。

大脑是人类最重要的器官，但人类对大脑的理解还只是冰山一小角。脑科学 AGI 能走多远，很大程度上取决于我们能多深入、多长久、多大规模地观察真实的大脑。

鲲为希望打开的，是这种数据供给的更大空间，如果超声能够穿颅读脑，会带来最理想的脑科学数据 —— 非侵入 x 全脑 x 高分辨 x 实时 x 可穿戴，从而能够 Enable 脑科学 AI 公司、脑机接口公司取得 AGI 级别的突破。

不同的时代周期更迭里，“卖铲子” 都是可观的生意 —— 在如今脑科学的这场淘金热潮里，鲲为提供的就是那个稀缺的数据铲子。

Part 04

开创声学空间智能新范式

理解鲲为这家公司，最后要回到它的创始人 —— 既是顶级硬件工程师，又是硬核理论 Researcher 的刘家家。

2003 年，还在西交读本科的刘家家第一次接触神经网络 —— 那是深度学习爆发前十年的冷门领域，这段经历带给他的不是技术，而是一套数学语言。2008 年入行后第二年，他做出了那个反共识的判断：超声行业的瓶颈在基础理论，不在工程优化。

具体来说，是一个学术界都鲜有人探讨的问题 —— 如何用低频率实现高性能。2009 年起，他开始钻研这个问题，一钻就是十年。

这个判断真正特殊的地方在于：它的推理链条完全公开可得 —— 超声波的衰减系数、衍射极限的公式，任何一本教科书里都有；高频撞墙是所有从业者的日常体感。缺的是，有人能把这两条背后的含义真正连起来 —— 既然高频路线被衰减锁死，而低频唯一的缺陷是分辨率、恰好又落在算力所能购买的范围内，那么正确的解就不是在 “不可能三角” 里腾挪，而是换掉产生三角的那个变量，不再向物理学要分辨率，而是向计算要。

但 “换变量” 说出来简单，做成产品却至少要用十年时间。算力是必要条件之一，但不是充分条件：低频下的超分辨波束合成算法要从零推导，高穿探头要自己设计制造，整机工程要一点点磨出来 ——“自研” 只是两个汉字，但它却需要的是一个人在十余年没有外部验证、没有论文反馈、不被投资人认可的条件下，坚持做下去。

2019 年刘家家创立鲲为，2021 年，初代原型机问世；2024 年，成果从声学空间智能的基础研究延伸到颅脑超声应用 —— 穿颅读脑，是这套理论至今最大的一次兑现。

两条线合流，决定了这家公司的组织形态：它不是从一个应用场景出发找技术，而是从一个过去做不到的物理问题出发做产品。“这个问题在学校里可以研究，” 刘家家说，“但在一个拥有工程交付能力和商业化能力的组织里做，带来的是完全不同的速度和资源密度。”

本质上，鲲为是一家有商业化能力的声学空间智能 Neo Lab—— 这家公司把蝙蝠用声波感知空间的能力，第一次做成可计算、可规模化的产品。

这个时间线还有一个时代注脚。OpenAI 成立于 2015 年，Anthropic 成立于 2021 年，这两家前沿实验室让公众第一次意识到：最深度的基础研究可以在公司里完成，最前沿的成果可以以产品而非论文的形式面世。

过去十年，AI 像一颗石子落入水中。最先荡开的一圈是大模型，然后是视频生成，然后是世界模型…… 今天的鲲为，站在两个圈的交汇点，声学空间智能和脑科学。

鲲为所代表的方向，值得关注。因为读懂大脑这件事，过去被各种 “枷锁” 困住，而现在，穿越颅骨的大门已经被打开，大家有可能期待一下更不可思议的未来了。