Meta AI发布Brain2Qwerty v2 实现非侵入式MEG文字解码61%准确率

背景与意义

Meta AI 在神经接口领域持续发力。继 2025 年 2 月发布的 Brain2Qwerty v1 后，团队在六个月内收集了约 22,000 条句子（9 名志愿者、每人 10 小时）并推出了 v2 版本。该系统使用磁共振脑电图（MEG）捕获大脑活动，无需植入电极，旨在为语言障碍患者提供更安全、可扩展的交流手段。

技术实现

端到端深度学习管线：
- 卷积编码器直接从原始 MEG 信号中学习特征；
- Transformer 捕获时序长程依赖；
- 字符级语言模型对输出进行语义约束。
大模型微调：在解码器上微调了公开的 LLM，为噪声信号提供语义上下文。
代码开放：v1 与 v2 的完整训练脚本均在 GitHub（CC BY‑NC 4.0）公开，便于其他实验室复现与二次开发。

性能评估

指标	Brain2Qwerty v2	传统非侵入式方法
平均词准确率	61%	8%
最高词准确率（单人）	78%	—
词错误率 (WER)	39%	—

实验显示，准确率随数据量呈对数线性增长，意味着只要收集更多 MEG 记录，性能仍有提升空间。

开源与应用前景

科研复现：任何拥有 MEG 设备的实验室可直接克隆代码并在本地数据上训练。
跨模态迁移：卷积‑Transformer‑语言模型的组合已在心电、肌电等生物信号解码任务中展示可迁移性。
临床潜力：虽然当前仅在健康志愿者中验证，但若配合更便携的磁场屏蔽技术，未来有望服务于语言障碍或运动障碍患者。

评述与局限

“非侵入式脑机接口的准确率仍远低于植入式方案，但 61% 的词准确率已经突破了长期的技术瓶颈。”——Meta AI 研究团队

硬件门槛：MEG 需要磁屏蔽室和被试保持静止，限制了现场部署。
数据受限：v2 数据集仍在审稿阶段，仅 v1 数据公开，影响社区快速迭代。
授权限制：CC BY‑NC 4.0 许可证禁止商业化使用，短期内难以转化为产品。

总体来看，Brain2Qwerty v2 将非侵入式神经解码推向了新的性能水平，并通过开源促进了跨学科合作，为未来的可穿戴脑机接口奠定了技术基础。