InfoQ

Meta's Noninvasive Brain–Computer Interface Brain2Qwerty Achieves 61% Accuracy

8.5内容质量
Meta's Noninvasive Brain–Computer Interface Brain2Qwerty Achieves 61% Accuracy

TL;DR · AI 摘要

Meta开源的非侵入式BCI系统Brain2Qwerty v2在解码句子任务中达到61%的准确率，显著优于现有非侵入方法。

核心要点

  • MEG信号实现29%的字符错误率（CER），优于EEG的65%表现
  • 模型结构包含纠错模块，可修正用户拼写错误
  • Meta投入500万美元推动开放数据集研究

结构提纲

按章节快速跳转。

  1. §技术突破

    Brain2Qwerty v2实现61%句子解码准确率，超越现有非侵入方法8倍

  2. ·核心架构

    三阶段模型包含编码器、对齐器和LLM生成模块

  3. ›信号对比

    MEG信号CER为29%，EEG信号CER为65%

  4. ·开源计划

    Meta开放模型代码和训练数据，并设立500万美元研究基金

  5. ›应用前景

    可帮助脑损伤患者恢复沟通能力，缩小与侵入式技术的性能差距

思维导图

用一张图看清主题之间的关系。

查看大纲文本（无障碍 / 无 JS 友好）
  • Meta Brain2Qwerty BCI
    • 技术指标
      • 61%句子准确率
      • 29% MEG CER
    • 系统架构
      • 编码器模块
      • 对齐器模块
      • LLM生成模块
    • 开源计划
      • 模型代码开放
      • 500万美元基金

金句 / Highlights

值得收藏与分享的关键句。

#BCI#Meta#非侵入式#深度学习#神经科学
打开原文

Meta的非侵入式脑机接口Brain2Qwerty达到61%准确率 - InfoQ

InfoQ主页 News Meta的非侵入式脑机接口Brain2Qwerty达到61%准确率

AI、机器学习与数据工程

框架之下：为什么代理上下文是基础设施问题（8月27日网络研讨会）

Meta的非侵入式脑机接口Brain2Qwerty达到61%准确率

2026年7月14日 2分钟阅读

作者：

  • Anthony Alford

#### 关注我们

YouTube

232K关注者

LinkedIn

26K关注者

Instagram

新

RSS

19K读者

X

57.1k关注者

Facebook

21K点赞

Bluesky

收听本文 -

0:00

音频准备就绪

您的浏览器不支持音频元素。

正常

1.25x

1.5x

喜欢

新下拉阅读列表

  • 阅读列表

Meta最近开源了Brain2Qwerty v2，这是一种非侵入式脑机接口（BCI），可通过脑电图（EEG）或脑磁图（MEG）信号从思维中解码句子。在评估中，该系统平均单词准确率达到61%，相比其他非侵入式方法的8%有显著提升。

Brain2Qwerty使用三级深度学习模型从脑信号预测字符。在数据收集过程中，参与者被展示句子并要求记住后进行输入。Meta发现MEG信号表现更优，字符错误率（CER）平均为29%，而EEG为65%。与基线EEGNet模型相比，Brain2Qwerty的CER提升了2.5倍。为促进脑部开放模型研究，Meta已在线公开模型代码和训练数据。根据Meta的说法：

我们认为这项研究有可能为数百万因脑损伤而无法沟通的人带来实质性改变...我们还发现解码准确率与数据量呈对数线性增长，表明仅通过数据扩展就能进一步缩小与手术方法的性能差距...我们与社区密切合作，通过近期设立的500万美元基金推动我们在数字脑项目中的开放数据集。我们的希望是，通过开放协作，这项工作能加速神经科学的发展，更快地实现神经系统疾病的识别、诊断和治疗。

以往非侵入式技术的研究受到脑信号中"噪声复杂度"的限制。Meta表示，侵入式技术如皮层脑电图（ECoG）虽然更可靠，但因需要手术而"难以扩展"。2025年，Meta发布了Brain2Qwerty v1；新模型的词错误率（WER）几乎提升了两倍，"显著缩小了"与侵入式技术WER之间的差距。

Brain2Qwerty v2包含三个模块：编码器接收脑信号输入并输出字符预测；对齐器将字符分组为单词；以及生成最终输出的LLM（大语言模型）。这种架构的一个意外结果是，系统可以纠正人类用户拼写错误时产生的"打字错误"。

在X平台关于新版本发布的帖子中，io.net联合创始人Tory Green将Brain2Qwerty v2与v1的性能进行了比较：

看起来从v1到v2的飞跃几乎完全来自于训练数据量增加了10倍，而不是架构上的突破。这实际上是一个更令人兴奋的结果。这意味着当前的限制因素是佩戴MEG头盔的人提供的标注数据，而不是问题本身的本质难度。这类约束往往比人们预期的解决得更快。

Brain2Qwerty v2的代码已在Github上开源，训练数据可从Huggingface下载。Brain2Qwerty属于Meta的数字大脑项目（Digital Brain project）的一部分，该项目的宗旨是"[开源]脑活动建模以推动科学和医学研究"。其他数字大脑项目成果包括NeuralSet——一个用于处理MEG和EEG等神经信号的Python工具包；以及NeuralBench——一个"统一的脑活动AI模型基准框架"。

main wrapper for authors section

关于作者

section title

main wrapper for each author

#### Anthony Alford

显示更多

显示更少

#### 本内容属于AI、机器学习与数据工程主题

##### 相关主题：

  • AI、机器学习与数据工程
  • 深度学习
  • 神经网络
  • 相关编辑内容
  • 相关赞助商 用智能体AI构建最佳实践应用——配备架构防护机制以实现确定性结果
  • 相关赞助商 Copilots能让单个开发者效率提升十倍。WaveMaker能让10个小组保持一致性。通过架构治理和可预测的结果，实现不同技能水平的开发者协同。立即试用WaveMaker AI。

InfoQ 新闻通讯

每周五汇总InfoQ最新内容，每周二发送。加入25万+资深开发者的社区。查看示例

我们保护您的隐私。