Meta 推出 Brain2Qwerty v2：無需開顱，腦電打字詞準確率達 61%

Brain2Qwerty v2 是 Meta 開源的一套非侵入式腦機介面系統，能直接把人類大腦活動即時解碼成螢幕上的打字文本。

它不需要在頭骨上打洞植入電極，受試者只需要佩戴腦磁圖（MEG）頭盔裝置，系統就能捕捉並讀出正在構思的打字內容。

它能做到什麼

這套系統的核心能力是即時句子級解碼。在測試中，Brain2Qwerty v2 的整體單詞準確率達到了 61%，相比傳統非侵入式方案僅約 8% 的準確率有了質的飛躍。

對於表現最好的受試者，單詞解碼準確率達到了 78%。在這種狀態下，超過一半的測試句子在解碼時只有一個甚至零個單詞錯誤，字元準確率也達到了大約 69%。

研究團隊還發現，系統的解碼準確率隨著訓練資料量的增加呈現對數線性增長。這意味著哪怕不改動底層演算法，僅靠擴大腦訊號資料規模，就有希望繼續縮小與開顱手術方案之間的效能差距。

怎麼做到的

傳統的腦機介面往往依賴複雜的人工特徵提取演算法，容易丟失微弱的神經特徵。Brain2Qwerty v2 徹底改用端到端深度學習，直接從原始的 MEG 腦磁訊號進行特徵還原。

人類腦磁訊號極其嘈雜，為了解決訊雜比低的問題，Meta 在系統中引入了微調後的大語言模型。藉助語言模型的語義上下文理解能力，系統可以結合前後文邏輯推斷出原本模糊的腦電意圖，把雜亂的神經訊號理順成流暢連貫的句子。

在模型開發過程中，研究人員還動用了 AI 智慧體來自動化探索流水線架構的最優配置，最後由工程師篩選出最終訓練引數。

整套模型基於 9 位志願者佩戴 MEG 裝置主動打字時記錄的資料訓練，每人採集約 10 小時，總計訓練了大約 2.2 萬個句子。

開源了哪些東西

Meta 已經公開了 Brain2Qwerty v1 和 v2 的完整訓練程式碼，並在倉庫中提供了執行指引。不過，Meta 並沒有直接開放訓練好的現成模型權重，也尚未公佈任何商業化落地時間表。

資料集方面，合作機構巴斯克認知、大腦與語言研究中心（BCBL）已經在 Hugging Face 上放出了完整的 v1 資料集，方便研究人員復現和對比實驗。

要跑起完整的資料採集，門檻依然在於專業的 MEG 腦磁裝置。對於普通的 AI 開發者或神經科學實驗室，可以直接下載這套訓練程式碼，結合公開的神經資料集微調自己的解碼模型。

為什麼重要

對於全球數百萬因中風、腦損傷而喪失語言或肢體行動能力的人來說，這項研究開闢了一條不需要手術的交流希望。以往高精度的腦機介面幾乎全被有創方案壟斷，開顱植入電極手術不僅代價昂貴，還伴隨極高的醫療風險與感染隱患，普通患者根本無法輕易承受。

我們認為 Meta 這次把訓練程式碼和資料集開源走得非常聰明。目前限制非侵入腦機介面的核心瓶頸不是演算法框架，而是高質量的大規模神經訓練資料。Meta 通過開原始碼、聯合釋出資料集，甚至出資 500 萬美元設立數字大腦專案基金，是在借開源社群的力量建立統一的神經基準（NeuralBench）和資料標準（NeuralSet）。

但從實驗室走入現實依然存在一道巨大的硬體鴻溝。高精度的 MEG 裝置目前依然昂貴且笨重，日常根本無法隨身攜帶。Brain2Qwerty v2 證明了非侵入訊號加 LLM 架構的可行性，不過要想真正替代鍵盤或語音成為下一代通用互動方式，還得等輕量化神經感測器取得實質性突破。