Meta 公開腦波文字解碼研究的最新成果 Brain2Qwerty v2。這套系統利用腦磁波儀（magnetoencephalography，MEG）收集大腦活動訊號，再透過人工智慧將神經輸出轉換成文字，無須進行腦部手術，解碼表現已接近部分侵入式腦機介面技術的水準。
Meta 去年發表 Brain2Qwerty 模型，研究目標是從受測者大腦皮質神經元放電所產生的訊號中，推測其正在輸入的文字或希望採取的行動。最新版本則進一步改善從雜訊神經訊號還原完整句子的能力。
以 MEG 收集約 22,000 個句子的腦訊號
Brain2Qwerty v2 的訓練資料來自 9 位自願參與 Meta 研究的受測者。每位受測者在配戴 MEG 的情況下進行打字，研究團隊總共錄製約 10 小時的大腦訊號資料，涵蓋約 22,000 個句子，並以此訓練模型。
與依賴經過高度處理的特徵不同，Meta 表示，Brain2Qwerty v2 能直接從原始大腦訊號進行解碼。研究團隊也利用腦訊號資料對大型語言模型進行微調，讓模型透過語意脈絡，在充滿雜訊的神經訊號與通順語言之間建立對應關係。
此外，Meta 在解碼流程中部署 AI Agent，協助找出可改善系統表現的最佳化方案。這些方法共同構成 Brain2Qwerty v2 的模型訓練與解碼架構。
整體單字準確率達 61%，最佳受測者為 78%
研究結果顯示，Brain2Qwerty v2 從雜訊神經輸出還原句子時，整體單字準確率可達 61%。Meta 指出，這項表現明顯高於其他非侵入式方法約 8% 的單字準確率。
受測者之間的表現有所差異，其中表現最佳者的單字準確率可達 78%。Meta 也觀察到，解碼準確度會隨著訓練資料量增加而呈現對數線性提升，顯示擴充資料可能有助於改善模型效能，但資料量與準確度之間並非單純的線性關係。
非侵入式技術仍有助於降低臨床應用門檻
目前，立體定位腦電波（stereotactic electroencephalography，SEEG）與腦皮質電圖（electrocorticography）等侵入式技術，已證實能將腦部訊號傳送至 AI 解碼器，協助部分患者恢復溝通能力。不過，這類方法需要進行腦部手術，難以大規模推廣。
Brain2Qwerty v2 的差異在於不需要植入電極或進行腦部手術，理論上可降低使用門檻。Meta 認為，這項研究未來可望協助因腦部病灶而無法與人溝通的數百萬名患者，並填補侵入式腦機介面難以普及的缺口。
不過，現階段研究成果仍集中在受控實驗環境與有限受測者資料。來源並未提供 Brain2Qwerty v2 已投入臨床使用或能直接支援患者溝通的資訊，因此其實際醫療效益與大規模應用可行性，仍有待後續研究驗證。
Meta 公開訓練程式碼與研究資料
為加速神經科學領域的研究，Meta 表示將完整公開 Brain2Qwerty v1 與 v2 的訓練程式碼。研究合作夥伴巴斯克認知、大腦、語言中心（Basque Center on Cognition, Brain and Language，BCBL）也將公開 Brain2Qwerty v1 的相關資料集。
透過開放程式碼與資料，研究團隊希望讓更多研究者檢驗模型表現、延伸解碼方法，並推動非侵入式腦訊號解碼技術持續發展。
