Meta联合研究机构实现非侵入式脑机接口AI解码脑活动转文字

这是一套基于深度学习的非侵入式脑机接口系统，通过采集用户脑电（EEG）或脑磁（MEG）信号，结合大语言模型解码出用户的文字输入意图，最终直接生成可编辑的文本内容。 该技术核心在于利用深度学习模型精准捕捉并解码个体在进行键盘输入任务时产生的脑电图或脑磁图信号，通过复杂信号处理与模式识别，将脑部神经活动实时转化为对应文本信息。这一突破为无障碍沟通、医疗康复及人机交互方式带来新可能性，同时也展示了AI在神经科学领域的巨大应用潜力。

一、发布背景

此前非侵入式脑机接口的文字解码准确率长期远低于植入式方案，难以落地到日常辅助沟通场景，该研究正是为了填补无创方案与植入式方案之间的性能差距，相关成果已发表于《自然·神经科学》期刊。

二、核心升级

1. 前代基础性能

初代Brain2Qwerty基于35名受试者的脑电、脑磁数据训练，MEG信号解码字符错误率为32%，EEG信号解码字符错误率为67%。

2. v2版本性能升级

新增9名受试者累计90小时的脑活动数据训练，MEG信号解码字符错误率降至29%，经优化的EEG版本在临床前测试中错误率压缩至41%。

3. 解码流程升级

新增三段式解码架构，相比前代直接映射的方案，新增字符嵌入对齐与大模型纠错环节，未出现在训练集的陌生语句也能实现83%的字符准确率。

4. 泛化能力升级

不再依赖单用户定制化训练模板，可学习用户文字输入时的通用脑活动特征，降低新用户的适配门槛。

三、技术原理

系统采用三段式解码链路实现脑活动到文本的转换：第一步通过编码器将采集到的脑活动信号拆解为独立字符单元，第二步通过对齐模型将字符嵌入转换为符合语言逻辑的词嵌入，第三步使用经过微调的Qwen3-4B大语言模型对生成内容进行纠错补全。 该方案能在当下落地，一方面依托近年大语言模型在低资源语义补全任务上的能力突破，可大幅修正脑信号解码过程中的误差；另一方面非侵入式脑信号采集设备的采样精度、降噪算法有明显提升，能稳定捕捉到用户准备按键输入瞬间的脑区活动特征，此前这类微弱信号很容易被环境噪声覆盖。

四、应用场景

1. 运动功能障碍辅助沟通

适配渐冻症、闭锁综合征、严重脊髓损伤等存在语言表达障碍的人群，无需依赖眼球追踪、肌电传感器等外设，仅通过脑活动就能完成文字输入，解决这类人群长期面临的表达效率低、操作门槛高的痛点。

2. 特殊场景无接触输入

面向高洁净、高电磁干扰等无法使用常规输入外设的工业、科研场景，提供无接触的文字交互方式。

3. 脑机接口基础研究

为全球神经工程领域提供公开的双模态脑信号数据集，降低相关研究的入门门槛。

五、开放策略

1. 核心代码开源

已开放至Hugging Face平台

2. 公开数据集

同步发布35人规模的脑电/脑磁双模态数据集B2Q-35

| 对比维度 | Meta Brain2Qwerty v2 | Neuralink N1（心灵感应） | Synchron Stentrode | | --- | --- | --- | --- | | 接口类型 | 非侵入式（MEG/EEG外置采集） | 全植入式皮层电极阵列 | 血管内植入式电极支架 | | 手术要求 | 无需开颅/穿刺，无外科创伤 | 需要开颅微创植入芯片与电极 | 通过血管介入微创手术植入 | | 核心电极/传感器数量 | 306个MEG传感器 | 1024个电极触点 | 16个电极触点 | | 平均单词解码准确率 | 61% | 超过90% | 约70% | | 最高受试者单词准确率 | 78% | 超过95% | 约82% | | 单句0-1词误差占比 | 超50% | 超90% | 约65% | | 最高信号带宽 | 未公开 | 2025年目标40BPS | 约10BPS | | 适用场景 | 健康人日常输入、轻度运动障碍人群辅助沟通 | 重度瘫痪/渐冻症患者意念控制、全场景交互 | 闭锁综合征等重度运动障碍患者辅助沟通 | | 设备便携性 | 需大型MEG舱，便携EEG版本仍在优化 | 硬币大小全植入，日常无外露组件 | 完全植入血管内，无外露组件 | | 公开状态 | 研究阶段，代码数据集全开源 | 2026年大规模量产阶段，处于临床试验 | 已获FDA突破性设备认证，进入临床落地阶段 | | 伦理风险等级 | 极低，无侵入性隐私风险 | 高，可直接读取皮层神经活动，隐私争议大 | 中等，仅采集运动皮层相关信号 |

非侵入式脑机接口取得重要进展，意味着"意念输入"从技术幻想向实用工具迈进；AI在解码复杂神经信号方面的能力，或将开启人机交互的新范式。