A Brain2Qwerty v2, a Meta nem invazív agyból szöveget feldolgozó mesterséges intelligencia rendszere, átlagosan 61%-os szópontossággal dekódolja a MEG agyfelvételekből származó mondatokat. A legjobb résztvevő 78%-ot ért el, amivel megközelíti a korábban kizárólag sebészeti úton beültetett eszközökre jellemző eredményeket.
- A Brain2Qwerty v2 átlagosan 61%-os szópontosságot ér el nem invazív agyi felvételek alapján.
- A Meta rendszere MEG-érzékelőket használ agyi implantátumok helyett, így teljesen elkerülhető a sebészeti kockázat
- A dekódolás pontossága egy skálázási törvényt követ, loglineárisan javul több betanítási adattal.
- Az MEG szkenner nagyjából 2 millió dollárba kerül, és egyelőre nem támogatja a valós idejű klinikai alkalmazást.
- A Meta nyílt forráskódúvá tette mind a tanulókódot, mind a v1 adatkészletet az 5 millió dolláros Digital Brain Projectjén keresztül.
A Meta 2026. június 29-én kiadta a Brain2Qwerty v2 nevű mesterséges intelligencia rendszert, amely sebészeti beavatkozás nélkül dekódolja az agyi aktivitást gépelt mondatokká. A modell magnetoencefalográfiát (MEG), egy külső agyi képalkotó technikát használ az idegi jelek olvasására, miközben a résztvevők gépelnek a billentyűzeten.
A Meta bejelentése szerint a Brain2Qwerty v2 kilenc önkéntes résztvevő esetében átlagosan 61%-os szópontosságot ért el . A legjobb résztvevő 78%-os szópontosságot ért el , a dekódolt mondatok több mint fele legfeljebb egy szóhibát tartalmazott. Ezek az eredmények jelentősen felülmúlják a korábbi nem invazív módszerek által jelentett, nagyjából 8%-os szópontosságot.
A kiadás a Brain2Qwerty v1 Nature Neuroscience folyóiratban megjelent változatával egy időben jelent meg , így a projekt ugyanazon a napon kapott egy szakértők által lektorált alapot és egy frissített modellt. A Meta nyílt forráskódúvá tette mindkét verzió tanulókódját, és a v1 adathalmazt egy új, 5 millió dolláros Digital Brain Project alapon keresztül teszi közzé, amelynek célja a nyílt idegtudományi kutatások felgyorsítása.
Mit csinál valójában a Brain2Qwerty v2?
A Brain2Qwerty v2 az agyi aktivitás által generált mágneses jeleket teljes írásos mondatokká alakítja. Az önkéntesek egy MEG-szkennert viseltek, egy sisakszerű eszközt, amely a neuronok által generált apró mágneses mezőket méri, miközben memorizált mondatokat gépeltek egy QWERTY billentyűzeten.
A rendszert kilenc résztvevő körülbelül 22 000 mondatán képezték ki , amelyek mindegyikét körülbelül 10 órán keresztül rögzítették. Az 1-es verzióval ellentétben, amelynek a működéshez minden billentyűleütés pontos időzítését ismernie kellett, a 2-es verzió közvetlenül az agyi felvételek folyamatos folyamából generál mondatokat. Ez a kritikus architektúrális változás. A modell már nem támaszkodik külső billentyűleütés-időzítési adatokra, ami azt jelenti, hogy elméletileg képes feldolgozni az agyi jeleket anélkül, hogy a felhasználónak fizikailag gépelnie kellene.
Az AI-folyamat három rétegben működő komponenst kombinál. Egy konvolúciós modul 500 milliszekundumos nyers neurális jeleket dolgoz fel a motoros agyi mintázatok detektálásához. Egy transzformátor ezeket a mintákat a teljes mondatban kontextusba helyezi. Egy finomhangolt nagyméretű nyelvi modell pedig szemantikai megértéssel finomítja a kimenetet, egy fejlett helyesírás-ellenőrzőhöz hasonlóan kitöltve a zajos agyi adatok által hagyott réseket.
A Meta a Llama 4-et is használta a betanítási stimulus mondatok generálásához, és mesterséges intelligencia ágenseket telepített a dekódolási folyamat konfigurációjának feltárására és optimalizálására, a mérnökök pedig a végső beállításokat választották ki. Ez teszi a Brain2Qwerty v2-t az egyik legtisztább példává arra, hogyan lehet mesterséges intelligenciát rekurzívan használni a jobb mesterséges intelligencia fejlesztéséhez.
Hogyan fejlődött a v2 az eredetihez képest
A v1-ről v2-re való ugrás a rendszer tényleges dekódolásának változását jelenti.
A Nature Neuroscience folyóiratban most megjelent Brain2Qwerty v1 karakterszinten működött. Az egyes billentyűleütésekhez kapcsolódó agyi jeleket elemezte, és MEG-felvételekkel 29%-os karakterhibaarányt ért el (szemben az olcsóbb EEG-módszer 65%-ával). Első próbálkozásra erős eredmények születtek, de a rendszer valós időben nem tudott működni, mivel minden egyes billentyűleütés pontos időzítését igényelte bemenetként.
A Brain2Qwerty v2 mondatszintű dekódolásra vált. Ahelyett, hogy egyszerre csak egy betűt jósolna meg, folyamatos agyi felvételekből rekonstruálja a teljes mondatokat. A v2 főbb mérőszámait másképp jelentik, a szópontosságban, nem pedig a karakterhibaarányban, ami tükrözi ezt az eltolódást.
- v1 (Nature Neuroscience, 35 résztvevő): 29%-os karakterhibaarány (MEG), 65% CER (EEG)
- v2 (előzetes, 9 résztvevő): átlagos szópontosság 61%, a legjobb résztvevő esetében 78%
- Korábbi nem invazív módszerek : nagyjából 8%-os szópontosság
- Betanítási adatok : az 1. verzió kisebb adathalmazt használt; a 2. verzió résztvevőnként tízszer több adatot használt
A javulás jelentős, de a v1 és v2 közötti közvetlen összehasonlítást bonyolítják a különböző mérőszámok (karakterhibaarány vs. szópontosság) és az eltérő résztvevői csoportok. Az egyértelmű, hogy a v2 alapvetően nehezebb feladatot kezel, nyers, folyamatos agyi jelekből generál mondatokat, ahelyett, hogy ismert időzítésű egyes billentyűleütéseket osztályozna.
Brain2Qwerty vs. Neuralink
A legközvetlenebb összehasonlítás a Neuralinkkel érhető el, amely ugyanarra a problémára az ellenkező megközelítést alkalmazza.
A Neuralink egy robotsebészeti eljárással ültet be egy chipet közvetlenül a motoros kéregbe. Az N1 eszköz 1024 elektródát használ 64 szálon az idegi jelek nagy pontosságú rögzítésére. A Neuralink résztvevői kurzorvezérlést demonstráltak, videojátékokat játszottak és böngésztek az interneten pusztán gondolataik segítségével, a betanított feladatok pontossági aránya meghaladta a 95%-ot.
Egy külön kutatócsoport a UC Davisben 2026 júniusában publikálta eredményeit a Nature Medicine folyóiratban, amelyekben egy ALS-beteg közel két éven át otthon, kutatói támogatás nélkül, 99%-os szópontossággal végzett invazív vérvételt.
A Brain2Qwerty a spektrum másik végén helyezkedik el. Nincs műtét, nincs beültetett hardver, nincs fertőzésveszély vagy elektróda degradációja. A kompromisszum a pontosság. 61%-os átlagos szópontosságával a Brain2Qwerty v2 túl sok hibát vét a mindennapi használathoz. De kiküszöböli azokat az akadályokat, amelyek megnehezítik az invazív rendszerek skálázását. Az MEG szkenner a koponyán kívülről olvassa le az agyi aktivitást, ami azt jelenti, hogy a résztvevő semmivel sem maradhat maga után.
Ez a megkülönböztetés azért fontos, mert azok a populációk, akiknek leginkább szükségük van a kommunikáció helyreállítására – az ALS-ben szenvedők, a stroke-ot túlélők és a súlyos agysérülést szenvedett betegek –, gyakran orvosilag sebezhetőek. Egy olyan rendszer, amely elkerüli a műtétet, elérheti azokat a betegeket is, akik soha nem lennének jogosultak invazív implantátumra, vagy soha nem járulnának hozzá.
Miért fontosabb a skálázási törvény, mint a hardver ?
A Meta kiadásának legkevésbé ismert megállapítása a skálázási viselkedés.
A Brain2Qwerty v2 dekódolási pontossága loglineárisan javul a betanítási adatok mennyiségével . Több óra MEG-rögzítés résztvevőnként mérhetően jobb dekódoláshoz vezet, és a kutatócsoport eddig nem jelentett kimutatható teljesítmény-platót.
Ez a minta ismerős. Ugyanaz a skálázási dinamika vezérelte a nagy nyelvi modellek gyors fejlődését az elmúlt években, ahol a nagyobb modellekbe betáplált több adat következetes, kiszámítható képességnövekedést eredményezett.
A nem invazív agy-számítógép interfészekre gyakorolt következmény jelentős. Ha a nem invazív és az invazív agy-számítógép interfészek közötti pontossági különbséget elsősorban az adatskálázás, nem pedig a hardveres áttörések révén lehet szűkíteni, akkor a klinikailag hasznos, nem invazív dekódoláshoz vezető út inkább adatgyűjtési, mint idegsebészeti problémává válik. Ez egy sokkal kezelhetőbb kihívás.
Ez magyarázhatja a Meta döntését is, hogy 5 millió dollárt fektet be a Digital Brain Projectbe, és nyilvánosan közzéteszi a tanulókódját és adatkészleteit. Ha az adatmennyiség a szűk keresztmetszet, akkor a MEG-felvételek gyűjtésének és közzétételének megkönnyítése más kutatócsoportok számára gyorsabbá tehetné a haladást, mint bármely önálló laboratórium.
Érdemes megjegyezni, hogy ez a skálázási viselkedés csak a jelenlegi adathalmaz méretén belül figyelhető meg. Az, hogy ez tízszeres vagy százszoros adatmennyiséggel is fennáll-e, továbbra sem bizonyított. De a meglévő adatokban a teljesítménykorlát hiánya önmagában is jelentős jelzés.
Ami megoldatlan marad
A Brain2Qwerty v2 egy kutatási eredmény, nem termék. Számos gyakorlati probléma merül fel, mielőtt ez a technológia elérhetné a betegeket.
A tanulmányban használt MEG-szkenner egy szobaméretű gép, amely körülbelül 2 millió dollárba kerül , és mágnesesen árnyékolt környezetet igényel. A résztvevőknek a felvétel során mozdulatlanul kell maradniuk. Ezek a korlátok lehetetlenné teszik a jelenlegi berendezés otthoni, klinikán vagy egy speciális kutatólaboratóriumon kívüli bármely más helyen történő alkalmazását.
A rendszert csak egészséges, aktívan gépelő önkénteseken tesztelték. A nem invazív vérvételt leginkább okozó motoros vagy kognitív károsodásban szenvedők nem vettek részt ebben a tanulmányban. Az, hogy a modell alkalmazható-e olyan betegeknél, akik nem tudnak gépelni vagy mozogni, továbbra is nyitott kérdés.
A valós idejű működés egy másik hiányosság. Bár a v2 már nem igényel billentyűleütési időzítési adatokat, a mondat szintű architektúra továbbra is a felvételeket utólag dolgozza fel, ahelyett, hogy a felhasználó gondolkodásmódja szerint generálná a szöveget. A valódi valós idejű dekódolás további architektúrális változtatásokat igényelne.
Érdemes odafigyelni az adatvédelemmel kapcsolatos vonatkozásokra is. A Meta biometrikus adatokkal kapcsolatos eredményeit sokan vizsgálták, és az agyi aktivitási adatok a legérzékenyebb információk közé tartoznak, amelyeket egy vállalat gyűjthet. A kutatócsoport hangsúlyozza, hogy a Brain2Qwerty a szándékos billentyűleütéseket dekódolja, nem a szűretlen gondolatokat, de ahogy ezek a rendszerek fejlődnek, a motoros dekódolás és a gondolatolvasás közötti határvonal egyre nehezebb lesz meghatározni.
Mi következik?
A Brain2Qwerty v2 nem oldja meg a nem invazív agy-számítógép kommunikáció problémáját. De megváltoztatja a probléma feltételeit. A kérdés már nem az, hogy a nem invazív agyi jelek elegendő információt tartalmaznak-e a gépelt nyelv rekonstruálásához. De tartalmaznak. A fennmaradó kérdések az adatskálára, a hardver hordozhatóságára és arra vonatkoznak, hogy érvényesül-e a skálázási törvény.
Ha a Meta és a tágabb kutatói közösség elegendő MEG-adatot tud gyűjteni, és ha a már fejlesztés alatt álló viselhető MEG-érzékelők a gyakorlatban is alkalmazhatóvá válnak, az invazív implantátumok pontossági hiánya akár koponyafelnyitás nélkül is csökkenhet. Ez egy olyan kilátás, amelyet érdemes figyelemmel kísérni.
Tovább a cikkre: memeburn.com (Marko Nguyen)
