6 月 29 日，Meta 发布 Brain2Qwerty v2，一套从脑信号还原文本的非侵入式系统。它无需手术或植入电极，使用脑磁图（MEG）扫描仪采集健康志愿者实际打字时的信号，再还原英文句子。实验中的平均词准确率为 61%，最佳受试者达到 78%。
Meta 将结果与此前约 8% 的非侵入式解码词准确率作了比较。不过，后者来自用功能磁共振（fMRI）还原听到的语音，与本次 MEG 打字实验的任务和设备不同。61% 也指单词准确率，并非完整句子的正确比例。
先识别字符，再让语言模型结合脑信号还原句子
Brain2Qwerty v2 把解码过程分为三个相互配合的模块。
第一个模块是编码器，由卷积网络和 Conformer 序列模型组成。它从连续 MEG 信号中提取特征，并用 CTC 训练方法预测字符序列。这让模型在解码时无需获知每一次按键的精确时间，能够自行学习脑信号与字符之间的对应关系。
第二个模块负责对齐：它根据预测出的空格，把连续的脑信号表示切分成与单词对应的片段，再转换为语言模型能够读取的神经词元（Neuro Tokens）。
第三个模块是经过微调的大语言模型。它同时读取编码器预测的文本和神经词元，生成句子。在消融实验中，去掉神经词元、只让语言模型处理文本，字符错误率、词错误率和语义错误率都会上升。这说明脑信号提供了文本以外的有效信息。
不过，与编码器加传统 N-gram 纠错模型相比，完整系统虽然词错误率和语义错误率更低，字符错误率却更高。信号质量不足时，语言模型可能生成流畅但内容错误的句子。
Meta 团队还让 AI Agent 自动修改代码、尝试训练配置，寻找降低解码错误率的方法。最终训练配置仍由研究团队选定。
论文报告，9 名志愿者每人佩戴 MEG 扫描仪打字约 10 小时，共记录约 22,000 次句子输入。整个实验在西班牙 BCBL（Basque Center on Cognition, Brain and Language）完成。
新版无需逐次按键时间，训练数据也更多
Brain2Qwerty v1 于 2025 年 2 月公布，论文于 2026 年 6 月 29 日在 Nature Neuroscience 正式发表。该研究在 35 名健康志愿者中测试了 MEG 或 EEG 解码，证明这些信号可以用于还原打字内容。按正式发表版本，MEG 平均字符错误率（CER）为 29%，表现最好的参与者达到 18%。但 v1 必须知道每一次按键的精确时间戳，限制了实际应用。
v2 从连续 MEG 信号中生成句子，不再需要逐次按键时间。每名受试者记录的数据量约为上一版的 10 倍；模型也联合处理字符、单词和句子层面的信息。这些变化共同改善了解码结果。
论文同时报告字符和单词层面的指标，两者不能直接换算。按 v2 论文的回顾，v1 最佳受试者的词准确率约为 48%；v2 的平均值为 61%，即 39% 词错误率（WER），最佳受试者 WER 则降至 22%。
v1 研究还比较了脑磁图与脑电图（EEG）。正式论文报告的 EEG 字符错误率为 65%，高于 MEG 的 29%；v2 继续采用了表现更好的 MEG。
增加数据仍能提高准确率，尚待更大实验验证
论文还发现，解码性能随数据量呈对数线性改善。在现有约 90 小时的汇总数据范围内，研究者没有观察到性能趋于平稳的迹象。这为继续扩大数据采集提供了依据。
侵入式脑机接口（BCI）在部分沟通任务中仍有明显优势。v2 论文引用的植入式打字研究，词错误率已低于 2%。这类技术已帮助失去说话或运动能力的患者恢复文字沟通，Neuralink 等公司也在推进植入设备的应用。
植入设备需要脑外科手术，还要面对感染、组织反应及硬件长期稳定性等问题。非侵入式路线若能通过更多数据缩小性能差距，就有望让部分患者免于手术。
Meta 团队因此把扩大数据规模视为后续方向，同时强调：现有趋势能否延续，仍需进一步验证。
训练代码已公开，新数据集仍在等待发表
Meta 此次公开了 Brain2Qwerty v1 和 v2 的完整训练代码，采用限制商业使用的 CC BY-NC 4.0 许可。BCBL 已在 Hugging Face 上发布 v1 数据集；按项目网站说明，v2 数据集仍在禁运期，待论文在期刊发表后开放。
这延续了 Meta 在脑科学方向的开放策略。Brain2Qwerty 是 Meta「数字大脑项目」（Digital Brain Project）的一部分，该项目还包括用于感知编码的 Tribev2 模型、大规模脑数据处理工具 NeuralSet、以及系统化评估框架 NeuralBench。Meta 此前已为该项目的开放数据集设立了 500 万美元资助基金。
研究团队目前把 Brain2Qwerty v2 定位为基础研究。高级研究员 Jean-Rémi King 在媒体采访中称，商业化该系统「太难了」。
硬件、患者适配与实时反馈仍是障碍
准确率有所提高，但 Brain2Qwerty v2 距离临床应用仍有几项具体障碍。
首先是硬件。实验使用的 MEG 扫描仪有 306 个传感器，需要磁屏蔽环境，设备体积和成本都限制了日常使用。Meta 在论文中提出，可穿戴 MEG 技术——光学泵磁力计（OPM）——可能帮助减轻这些限制，但仍需研究验证。
其次是患者适配。模型学习的是健康志愿者实际打字时的脑信号，未来需要帮助的患者却可能无法打字。若改用想象动作，训练和解码方式都需要重新验证；现有实验尚未证明它能适用于完全失去运动能力的患者。
第三是实时反馈。虽然 v2 不再需要逐次按键时间戳，它仍需读取整句对应的脑信号，才能输出结果。用户无法在一句话打完之前看到逐字反馈，这会影响交互式沟通。
FAIR 借这项实验探索 AI 处理脑信号的能力
Brain2Qwerty 来自 Meta 的 FAIR（Fundamental AI Research）实验室。该团队侧重基础研究，数字大脑项目则把模型、脑科学数据和研究工具一并向外部研究者开放。
Brain2Qwerty v2 为 AI 用于科学研究提供了一个具体案例：神经网络从复杂脑信号中提取特征，语言模型再结合这些特征还原文本。公开代码与数据，也让其他团队能够检验这种方法，并尝试改进解码器。
后续进展还取决于 MEG 硬件能否变得更便携，以及从实际打字转向想象打字是否可行。这需要模型研究与硬件、临床实验共同推进。
