摘要：傳統強化學習的人類反饋（RLHF）依賴顯式評價或刻意動作，認知負荷高且干擾多；而 EEG 等神經信號易受運動 artifacts 影響，難以適配自然交互場景。塔夫茨大學工程學院團隊研究的NEURO-LOOP框架《Mapping fNIRS Signals to Agent Performance: Toward Reinforcement Learning from Neural Feedback》：利用 fNIRS（功能性近紅外光譜）的優勢，捕捉人類觀察智能體時的隱式神經信號，無需主動參與，即可精準映射智能體性能，為 RLHF 提供了更自然、低負擔的反饋路徑。

一、核心結論