Meta 近期開源了 Brain2Qwerty v2，這是一個非侵入式腦機介面（Noninvasive Brain-Computer Interface, BCI）。簡單來說，BCI 的目標是讓人類能直接用大腦信號控制電腦或溝通，而非侵入式則意味著使用者不需要在腦中植入電極，只要佩戴感測設備即可。
這項技術的核心在於解碼腦電信號。目前主流的採集方式有兩種：第一是腦電圖（EEG），透過頭皮電極測量電活動；第二是腦磁圖（MEG），測量大腦產生的微弱磁場。對於工程師來說，這兩者的挑戰在於訊號雜訊極高，就像是在嘈雜的體育場中試圖分辨一個人的低語。
Brain2Qwerty v2 採取了三階段的深度學習模型來將信號轉化為文字。首先是編碼器（Encoder），負責將原始的腦電信號轉換為對單個字元的預測；接著是對齊模組（Aligner），將這些零散的字元組合成長度適中的單詞；最後則接入大型語言模型（LLM），利用語言模型的機率分布來修正錯誤，產出最終的句子。
這個架構帶來了一個有趣的副作用：由於 LLM 具備強大的語言糾錯能力，即使使用者在思考時出現了類似打錯字的錯誤，系統也能自動將其修正為正確的單詞。
在效能表現上，Brain2Qwerty v2 達到了平均 61% 的單詞準確率，遠高於以往非侵入式方法僅 8% 的水準。此外，數據顯示 MEG 的表現明顯優於 EEG，其字元錯誤率（Character Error Rate, CER）僅 29%，而 EEG 則高達 65%。
值得關注的技術洞察在於 v1 到 v2 的進化路徑。許多人原本期待的是模型架構的重大突破，但實際上，這次性能的躍升主要來自於訓練數據量的 10 倍增加。這對 AI 工程師來說是一個重要信號：目前非侵入式 BCI 的瓶頸不在於算法本身的極限，而是在於缺乏高品質、標記過的腦電數據集。
這也解釋了為什麼 Meta 採取開源策略，將模型代碼與訓練數據公開，並投入 500 萬美元資助數位大腦計畫（Digital Brain Project）。他們希望透過數據規模化（Data Scaling）來縮小非侵入式技術與侵入式技術（如 ECoG，需手術植入電極）之間的差距。因為侵入式技術雖然精準，但由於手術風險高，無法大規模普及。
總結來說，Brain2Qwerty 的實踐證明了腦電信號解碼正從理論研究轉向數據驅動的工程問題。隨著 NeuralSet 等處理套件與 NeuralBench 基準測試框架的推出，這個領域正試圖建立一套標準化的開發流程，讓神經科學與 AI 的結合能像開發軟體一樣快速迭代。
來源：infoq.com
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。