메타, 수술 없는 뇌파 타이핑 AI 'Brain2Qwerty v2' 공개…정확도 61%

Brain2Qwerty v2는 인간의 뇌 활동을 실시간 타자 텍스트로 해독해 내는 메타의 오픈소스 비침습 뇌-컴퓨터 인터페이스(BCI) 시스템입니다.

두개골을 열고 전극을 심을 필요 없이, 뇌자도(MEG) 헬멧을 착용한 상태에서 타자를 칠 때 발생하는 뇌 신호를 AI가 읽어 문자열로 복원합니다.

무엇을 할 수 있나

이 시스템은 비침습 방식으로 실시간 문장 단위 해독을 수행합니다. 실험 결과 전체 단어 정확도 61%를 달성하며, 기존 비침습 기법들이 기록하던 약 8% 수준의 정확도를 크게 넘어섰습니다.

가장 결과가 우수했던 참가자의 경우 단어 정확도가 78%에 달했습니다. 이 수준에서는 해독된 전체 문장의 절반 이상이 오탈자 한 단어 이하로 복원되었으며, 문자 기준 정확도도 약 69%를 기록했습니다.

연구팀은 해독 정확도가 학습 데이터양에 따라 로그 선형적으로 증가한다는 점도 확인했습니다. 모델 아키텍처를 바꾸지 않더라도 데이터 규모를 늘리는 것만으로 침습 수술 방식과의 성능 격차를 좁힐 수 있음을 시사합니다.

어떤 방식으로 작동하나

기존 연구들이 사용하던 수작업 특징 추출 단계를 걷어내고, 원시 MEG 뇌자도 신호에서 바로 텍스트를 복원하는 엔드투엔드 딥러닝 파이프라인을 구축했습니다.

비침습 신호 특유의 심한 노이즈를 극복하기 위해 대형 언어 모델(LLM)을 미세조정하여 결합했습니다. 언어 모델이 문맥적 의미를 보정해 줌으로써 잡음이 섞인 뇌파 속에서도 자연스러운 문장을 완성해 냅니다.

파이프라인 최적화 과정에는 AI 에이전트가 투입되어 탐색을 진행했고, 엔지니어가 최종 훈련 구성을 선정했습니다. 모델은 자원봉사자 9명이 각각 10시간 동안 MEG 장비를 착용하고 타자를 치며 수집한 약 2만 2000개의 문장 데이터로 학습되었습니다.

공개된 리소스와 실행 방법

메타는 Brain2Qwerty v1과 v2의 전체 학습 코드를 오픈소스로 공개했습니다. 저장소에 실행 안내가 포함되어 있지만, 사전 학습된 모델 가중치 자체는 포함되지 않았으며 상용화 출시 일정 역시 공개되지 않았습니다.

데이터셋의 경우 협력 기관인 바스크 인지·뇌·언어 연구센터(BCBL)가 Hugging Face를 통해 v1 데이터셋 전체를 배포했습니다.

새로운 생체 데이터를 직접 추출하려면 고가의 임상용 MEG 장비가 필요하지만, 뇌과학 연구자나 AI 개발자는 공개된 코드와 데이터셋을 내려받아 자체 해독 모델을 즉시 훈련해 볼 수 있습니다.

왜 중요한가

뇌 병변이나 마비로 언어 및 운동 능력을 상실한 환자들에게 비침습 BCI는 위험한 수술 없이 소통을 회복할 수 있는 현실적인 대안입니다. 피질뇌파(ECoG)나 정위뇌파(SEEG) 같은 침습형 기술은 해독률이 높지만 감염 위험과 수술 비용 문제로 널리 보급되기 어려웠습니다.

메타가 코드와 데이터셋을 개방한 것은 영리한 전략입니다. 비침습 BCI 분야의 최대 걸림돌은 알고리즘보다 양질의 데이터 부족이었는데, 자체적인 신경 평가 벤치마크(NeuralBench)와 데이터 파이프라인(NeuralSet)을 공개 생태계로 묶어 표준 주도권을 쥐려는 의도가 엿보입니다.

다만 일상에서 바로 쓰기에는 하드웨어의 물리적 한계가 명확합니다. 실험에 사용된 MEG 기기는 매우 무겁고 고가여서 실험실 밖을 벗어나기 어렵습니다. 비침습 신호와 LLM의 결합으로 해독 가능성이 입증된 만큼, 앞으로의 과제는 이 시스템을 소형 웨어러블 센서로 구현해 내는 엔지니어링에 달려 있습니다.