Brain2Qwerty v2: неинвазивный интерфейс мозг-компьютер Meta сокращает разрыв с имплантатами
Команда Meta FAIR выпустила новую версию Brain2Qwerty v2, модель глубокого обучения, которая реконструирует полные предложения из неинвазивных записей мозговой активности. Исследование проводилось на девяти здоровых добровольцах, мозговая активность которых записывалась методом магнитоэнцефалографии (MEG), техникой, измеряющей магнитные поля вне черепа. Каждый участник был записан в течение десяти часов, и вместе они напечатали 22 000 предложений.
Метод работал следующим образом: участники слышали предложение, делали небольшую паузу, затем печатали его на клавиатуре, не видя текста на экране. Модель реконструирует предложение из мозговых сигналов, записанных во время печати. Основная активность поступает из моторной коры, области мозга, контролирующей движения пальцев.
Ключевое улучшение от версии 1 заключается в том, что Brain2Qwerty v2 больше не нуждается в точной временной метке каждого нажатия клавиши. Вместо этого система работает с непрерывным временным окном сигналов и назначает символы самостоятельно, без информации о времени. Эта асинхронная подход удаляет критический барьер на пути к реальному использованию.
Модель использует три уровня обработки: символы, слова и полные предложения. Система обрабатывает сигналы на каждом уровне с применением глубокого обучения, а для уровня предложений использует тонко настраиваемую языковую модель Qwen3, которая преобразует зашумленные мозговые сигналы в связные предложения.
Результаты показывают среднюю ошибку на уровне слов в 39%, улучшение с 55% у простого энкодера без языковой модели. Для лучшего участника 28% предложений были декодированы идеально, а 47% содержали максимум одну ошибку. На уровне символов результат хуже (31% ошибок против 28% у базового энкодера), так как языковая модель предпочитает создавать грамматически правильные, но полностью неправильные предложения, когда сигнал неясен.
Любопытно, что в процессе оптимизации три независимых ИИ-агента на основе Claude Opus 4.6 были задействованы для самостоятельного снижения уровня ошибок путем модификации кода и запуска экспериментов. Они нашли методики вроде сглаживания меток и модальной отсечки, которые показали результаты лучше стандартного метода оптимизации.
Разрыв с имплантированными системами остается значительным: инвазивные интерфейсы достигают ошибки менее 2% при печати. Однако точность Brain2Qwerty v2 продолжает улучшаться с каждым увеличением объема данных, и верхний предел не виден. Исследователи указывают на переносные MEG-датчики, работающие при комнатной температуре, как на путь к клиническому применению. Тесты показали, что даже половина датчиков обеспечивает почти полную производительность.
Ключевые факты
- Brain2Qwerty v2 декодирует мозговые сигналы в текст без хирургического вмешательства, достигая средней ошибки 39% на уровне слов (улучшение с 55% у предыдущей версии)
- Система не требует точной синхронизации каждого нажатия клавиши, работая вместо этого с непрерывным временным окном, что критично для реального использования
- Используется трехуровневая архитектура обработки (символы → слова → предложения) с применением языковой модели Qwen3 для генерации связных предложений
- ИИ-агенты на основе Claude Opus 4.6 самостоятельно оптимизировали модель, найдя техники, превосходящие стандартные методы
- Разрыв с имплантированными интерфейсами остается значительным (<2% ошибок), но траектория улучшения продолжается с больших объемами данных
Почему это важно
Люди, потерявшие способность говорить или двигаться после травмы мозга, нуждаются в способе коммуникации. Имплантаты мозга уже справляются с этим, но требуют рискованной хирургии. Meta работает над альтернативой без хирургического вмешательства несколько лет. Brain2Qwerty v2 представляет значительный прогресс в качестве декодирования неинвазивными методами, сокращая разрыв с инвазивными системами.
Кому это важно
Исследование прямо применимо к пациентам с параличом, рассеянным склерозом, боковым амиотрофическим склерозом (БАС) и другими состояниями, нарушающими речь или движение. Косвенно интересно нейробиологам, разработчикам нейроинтерфейсов, исследователям ИИ и компаниям, работающим над интерфейсами мозг-компьютер. Результаты открывают возможность клинического применения неинвазивных систем.
Как это применить
В ближайшей перспективе система требует MEG-оборудования и часов калибровки на каждого пользователя. Разработчики указывают на переносные MEG-датчики, работающие при комнатной температуре, как на первый шаг к практическому клиническому применению. Для улучшения точности нужно собирать больше записей мозговой активности. Архитектура на трех уровнях обработки позволяет адаптировать модель к разным задачам коммуникации.
Можно ли доверять
Исследование проведено в Meta FAIR под руководством нейробиолога Jean-Rémi King, известного своими публикациями в Nature Neuroscience. Методология четко описана: девять участников, десять часов записей, 22 000 предложений. Данные получены через стандартный метод MEG. Результаты честно сравниваются с предыдущей версией и альтернативными подходами. Авторы отмечают ограничения: исследование включает только здоровых добровольцев, делающих реальные движения печати; реальность пациентов может отличаться.
Риски и подводные камни
Значительные различия между участниками предполагают, что модель может плохо обобщаться на новых людей. Разрыв с имплантированными системами остается большим: 39% ошибок против <2%. Система еще не достигла реального времени. Исследование ограничено здоровыми добровольцами с нормальной мотор-корой; у пациентов с повреждениями мозга активность может быть иной. Авторы отметили, что ИИ-агенты, отпущенные на открытую оптимизацию, рушили вычислительные задачи из-за обширных изменений кода, человеческий контроль остается необходим.
«AI сегодня также делает ясным, что некоторые концепции, которые мы считаем само собой разумеющимися, такие как рассуждение или мышление, могут требовать переоценки в свете того, на что теперь способны алгоритмы глубокого обучения.»
— Jean-Rémi King, нейробиолог, Meta FAIR