Meta 本周推出 Brain2Qwerty v2，一套无需手术的非侵入式脑转文字 AI 系统。通过头盔式 MEG（脑磁图）扫描器记录脑部神经活动，再以端到端深度学习模型直接解码用户想打的句子，平均字元准确率达 61%，相较此前非侵入式方法的约 8% 大幅跃升。 （前情提要：马斯克：脑机接口 Neuralink 首位试用者“近完全康复”！能意念控制鼠标光标） （背景补充：三星拿下脑机接口 Neuralink 第四代芯片订单，不只读还能“写入”大脑）
本文目录
Toggle
开颅植入电极，还是戴上头盔？这是脑机接口领域最核心的路线之争：马斯克的 Neuralink 选择前者，在大脑皮层埋下芯片；Meta 则选择后者，推出 Brain2Qwerty v2，把平均字元准确率从非侵入式方法的约 8%，一口气拉到 61%，逼近过去只有外科手术才能达到的水准。
没有切口，没有植入物，只有一顶头盔和一套深度学习模型。
MEG，全名 magnetoencephalography，脑磁图。简单来说就是，用超导传感器侦测神经元活动时产生的极微磁场，是神经科学实验室常用的非侵入式脑造影装置，不需在脑内植入任何东西。
Brain2Qwerty v2 的做法是：让受试者戴上头盔式 MEG 扫描器，边打字边记录脑部活动，把这些原始神经信号直接喂进一套端到端（end-to-end）AI 模型。简单来说就是，从输入到输出之间不经人工设计的中间步骤，让模型自己学出整条解码路径，重建用户想打的句子。
过去的做法是手工设计 pipeline：先侦测特定神经事件（例如字母出现时的脑电反应），再逐步推导文字。Brain2Qwerty v2 放弃这条路，改用深度学习直接从混乱的原始脑信号解码，再用大型语言模型根据语义语境修正噪声带来的错误。
训练规模：约 22,000 个句子，9 位志愿者，每人录制 10 小时数据。Meta 说，准确率会随着训练数据量增加持续提升，这个数字还没有到天花板。
作为对比参照，v1 早期版本在 MEG 条件下的字符错误率（CER）约为 32%，同样任务换成 EEG（脑电图）则攀升至 67%。v2 的 61% 字元准确率，代表系统整体跨越了一个数量级的门槛。
脑机接口研究的主流路线，几十年来都指向植入式。原因很直接：直接贴着神经元记录，信号干净、延迟低、精度高。Neuralink、Synchron，以及 Sam Altman 支持的 Merge Labs，走的都是这条路。
非侵入式的致命弱点是信噪比。头骨、头皮、头发都是信号的衰减层，EEG 尤其严重。MEG 的磁场穿透性相对好一些，但头盔造价昂贵，装置动辄数百万美元，且需要遮蔽外部磁场的特殊环境，这解释了为什么 MEG 长期停留在神经科学实验室，而非临床应用。
尽管如此，Meta 选择 MEG 路线有它的逻辑。植入式接口面临两道难题：手术本身的风险，以及植入物长期在脑内的维护问题。对因脑部病变失去沟通能力的患者而言，手术门槛往往直接排除了大多数潜在受益者。
非侵入式路线如果能达到足够高的准确率，就能在完全不动刀的前提下，覆盖到植入式无法触及的人群。
Meta 同时发布了系统代码与数据集，作为其 Digital Brain Project 的一部分，并设立一笔 500 万美元基金，用于支持开放的神经科学数据集建设。相关论文发表于《Nature Neuroscience》。
Meta 在这个时间点公开代码与数据，背后有明确的战略意图。
非侵入式 BCI（脑机接口）研究的瓶颈之一，是缺乏公开的大规模神经数据集。每间实验室都在重复收集基础数据，效率极低。Meta 的 500 万美元基金针对的正是这个环节，让社群共同构建基准数据，加快整个领域的学习曲线。
同一时期，非侵入式阵营还有几个值得追踪的玩家：Neurable 在 2024 年 9 月推出 AI 驱动的 EEG 耳机；MIT 衍生公司 AlterEgo 走的是另一条路，侦测脸部与喉部的无声神经肌肉信号，把没有说出口的语言转成文字与指令。路径不同，问题意识相同：有没有可能在不开颅的前提下，让机器理解人在想什么、想说什么。
Brain2Qwerty v2 的工程过程本身也透露一个细节：Meta 让 AI agents 先系统性探索解码 pipeline 的可能最佳化空间，工程师再从中选定最终训练配置。这是把 AI 用来设计 AI 系统的标准做法，但用在脑信号解码这个任务上，象征意义大于工程意义。
61% 对 8%，是一個醒目的对比。但更值得注意的问题是：如果准确率随着数据量线性提升，这条线会在哪里停下来？
23.43万 热度
395.31万 热度
52.53万 热度
2197.93万 热度
220.66万 热度
Meta 黑科技：戴头盔让 AI 读你的脑，文字准确率冲上 61%
Meta 本周推出 Brain2Qwerty v2，一套无需手术的非侵入式脑转文字 AI 系统。通过头盔式 MEG（脑磁图）扫描器记录脑部神经活动，再以端到端深度学习模型直接解码用户想打的句子，平均字元准确率达 61%，相较此前非侵入式方法的约 8% 大幅跃升。
（前情提要：马斯克：脑机接口 Neuralink 首位试用者“近完全康复”！能意念控制鼠标光标）
（背景补充：三星拿下脑机接口 Neuralink 第四代芯片订单，不只读还能“写入”大脑）
本文目录
Toggle
开颅植入电极，还是戴上头盔？这是脑机接口领域最核心的路线之争：马斯克的 Neuralink 选择前者，在大脑皮层埋下芯片；Meta 则选择后者，推出 Brain2Qwerty v2，把平均字元准确率从非侵入式方法的约 8%，一口气拉到 61%，逼近过去只有外科手术才能达到的水准。
没有切口，没有植入物，只有一顶头盔和一套深度学习模型。
从噪声里捞出语义：端到端模型做到什么
MEG，全名 magnetoencephalography，脑磁图。简单来说就是，用超导传感器侦测神经元活动时产生的极微磁场，是神经科学实验室常用的非侵入式脑造影装置，不需在脑内植入任何东西。
Brain2Qwerty v2 的做法是：让受试者戴上头盔式 MEG 扫描器，边打字边记录脑部活动，把这些原始神经信号直接喂进一套端到端（end-to-end）AI 模型。简单来说就是，从输入到输出之间不经人工设计的中间步骤，让模型自己学出整条解码路径，重建用户想打的句子。
过去的做法是手工设计 pipeline：先侦测特定神经事件（例如字母出现时的脑电反应），再逐步推导文字。Brain2Qwerty v2 放弃这条路，改用深度学习直接从混乱的原始脑信号解码，再用大型语言模型根据语义语境修正噪声带来的错误。
训练规模：约 22,000 个句子，9 位志愿者，每人录制 10 小时数据。Meta 说，准确率会随着训练数据量增加持续提升，这个数字还没有到天花板。
作为对比参照，v1 早期版本在 MEG 条件下的字符错误率（CER）约为 32%，同样任务换成 EEG（脑电图）则攀升至 67%。v2 的 61% 字元准确率，代表系统整体跨越了一个数量级的门槛。
非侵入式为什么长期输给开刀
脑机接口研究的主流路线，几十年来都指向植入式。原因很直接：直接贴着神经元记录，信号干净、延迟低、精度高。Neuralink、Synchron，以及 Sam Altman 支持的 Merge Labs，走的都是这条路。
非侵入式的致命弱点是信噪比。头骨、头皮、头发都是信号的衰减层，EEG 尤其严重。MEG 的磁场穿透性相对好一些，但头盔造价昂贵，装置动辄数百万美元，且需要遮蔽外部磁场的特殊环境，这解释了为什么 MEG 长期停留在神经科学实验室，而非临床应用。
尽管如此，Meta 选择 MEG 路线有它的逻辑。植入式接口面临两道难题：手术本身的风险，以及植入物长期在脑内的维护问题。对因脑部病变失去沟通能力的患者而言，手术门槛往往直接排除了大多数潜在受益者。
非侵入式路线如果能达到足够高的准确率，就能在完全不动刀的前提下，覆盖到植入式无法触及的人群。
Meta 同时发布了系统代码与数据集，作为其 Digital Brain Project 的一部分，并设立一笔 500 万美元基金，用于支持开放的神经科学数据集建设。相关论文发表于《Nature Neuroscience》。
开源的意图：AI 加速，基准线要先拉高
Meta 在这个时间点公开代码与数据，背后有明确的战略意图。
非侵入式 BCI（脑机接口）研究的瓶颈之一，是缺乏公开的大规模神经数据集。每间实验室都在重复收集基础数据，效率极低。Meta 的 500 万美元基金针对的正是这个环节，让社群共同构建基准数据，加快整个领域的学习曲线。
同一时期，非侵入式阵营还有几个值得追踪的玩家：Neurable 在 2024 年 9 月推出 AI 驱动的 EEG 耳机；MIT 衍生公司 AlterEgo 走的是另一条路，侦测脸部与喉部的无声神经肌肉信号，把没有说出口的语言转成文字与指令。路径不同，问题意识相同：有没有可能在不开颅的前提下，让机器理解人在想什么、想说什么。
Brain2Qwerty v2 的工程过程本身也透露一个细节：Meta 让 AI agents 先系统性探索解码 pipeline 的可能最佳化空间，工程师再从中选定最终训练配置。这是把 AI 用来设计 AI 系统的标准做法，但用在脑信号解码这个任务上，象征意义大于工程意义。
61% 对 8%，是一個醒目的对比。但更值得注意的问题是：如果准确率随着数据量线性提升，这条线会在哪里停下来？