Brain2Qwerty v2: Meta pokazuje nieinwazyjny interfejs mózg–komputer do zamiany aktywności mózgu na tekst
Jeszcze kilka lat temu interfejsy mózg–komputer kojarzyły się głównie z implantami, neurochirurgią i eksperymentalnymi rozwiązaniami dla bardzo wąskiej grupy pacjentów. Meta, rozwijając projekt Brain2Qwerty, pokazuje jednak inny kierunek: odczytywanie sygnałów związanych z pisaniem bez wszczepiania elektrod do mózgu. Najnowsza wersja, Brain2Qwerty v2, ma dekodować naturalne zdania z nieinwazyjnych nagrań magnetoencefalograficznych, czyli MEG, w czasie rzeczywistym.
Czym jest Brain2Qwerty?
Brain2Qwerty to eksperymentalny system BCI, czyli brain-computer interface — interfejs mózg–komputer. Jego zadaniem jest przekształcenie aktywności mózgu rejestrowanej podczas pisania na klawiaturze QWERTY w tekst. W pierwszej wersji model analizował sygnały EEG i MEG rejestrowane u zdrowych ochotników, którzy przepisywali zapamiętane wcześniej zdania. Badanie opublikowane w „Nature Neuroscience” objęło 35 zdrowych uczestników i wykazało, że MEG dało znacznie lepsze wyniki niż EEG: średni błąd znaków wyniósł 29% dla MEG i 65% dla EEG, a u najlepszych uczestników MEG osiągnięto 18% błędu znaków.
W praktyce oznacza to, że Brain2Qwerty nie „czyta myśli” w potocznym rozumieniu. System nie analizuje swobodnych skojarzeń, emocji ani prywatnych intencji użytkownika. Odczytuje wzorce aktywności mózgu związane z bardzo konkretną czynnością: planowaniem i wykonywaniem ruchów palców podczas pisania na klawiaturze. BinaryVerse AI trafnie podkreśla, że to raczej dekodowanie intencji motorycznej niż odczytywanie wewnętrznego monologu.
Co zmienia Brain2Qwerty v2?
Brain2Qwerty v2 jest dużym krokiem względem pierwszej wersji. Meta opisuje go jako najbardziej zaawansowany, kompletny pipeline do dekodowania zdań w czasie rzeczywistym z nieinwazyjnych nagrań aktywności mózgu. Wersja v1 wymagała znajomości momentu naciśnięcia każdego klawisza, dlatego nie była rozwiązaniem działającym w pełni online. Brain2Qwerty v2 ma generować zdania bezpośrednio z ciągłego zapisu aktywności mózgu.
W badaniu v2 Meta wykorzystała około 22 000 zdań zebranych od dziewięciu ochotników. Każdy uczestnik był nagrywany przez około 10 godzin podczas aktywnego pisania w skanerze MEG. Model osiągnął średnio 61% dokładności słów, a u najlepszego uczestnika 78%. Meta podaje również, że u najlepszego badanego ponad połowa zdań została zdekodowana z maksymalnie jednym błędem słownym.
To nadal nie jest poziom wymagany do codziennej, niezawodnej komunikacji, ale wynik jest istotny, bo wcześniejsze nieinwazyjne metody miały według Meta osiągać około 8% dokładności słów. Brain2Qwerty v2 pokazuje więc, że połączenie lepszych sygnałów MEG, dużej ilości danych treningowych i modeli językowych może znacząco zmniejszać dystans między rozwiązaniami nieinwazyjnymi a implantami.
Jak działa system?
Brain2Qwerty v1 opierał się na trzech etapach: module konwolucyjnym analizującym krótkie okna sygnału mózgowego, module transformerowym uwzględniającym kontekst zdania oraz modelu językowym pomagającym korygować wynik. W opisie „Nature Neuroscience” wskazano, że model używał 500-milisekundowych okien sygnału MEG lub EEG, obejmujących czas bezpośrednio przed i po naciśnięciu klawisza.
Brain2Qwerty v2 rozwija tę koncepcję. Według Meta model łączy reprezentacje na poziomie znaków, słów i całych zdań. Wykorzystuje głębokie uczenie zamiast ręcznie projektowanych etapów wykrywania zdarzeń neuronalnych, a także dostrojone duże modele językowe, które pomagają wykorzystać kontekst semantyczny. Meta informuje również, że do optymalizacji pipeline’u używano agentów AI, choć finalne konfiguracje wybierali inżynierowie.
Dlaczego MEG wypada lepiej niż EEG?
Różnica między EEG i MEG jest kluczowa. EEG, czyli elektroencefalografia, mierzy aktywność elektryczną mózgu przez elektrody umieszczone na skórze głowy. To technologia tańsza, bardziej dostępna i łatwiejsza do zastosowania poza laboratorium. Problem polega na tym, że sygnały elektryczne są osłabiane i zniekształcane przez czaszkę oraz tkanki. MEG, czyli magnetoencefalografia, mierzy pola magnetyczne generowane przez aktywność neuronalną. Te sygnały są mniej zniekształcane przez czaszkę, dlatego mogą dostarczać czystszych danych, ale wymagają dużego, kosztownego i specjalistycznego sprzętu.
Właśnie dlatego Brain2Qwerty v2 bazuje na MEG. Jest to jednak jednocześnie największe ograniczenie praktyczne tej technologii. Obecne systemy MEG to duże skanery, często wymagające specjalnych pomieszczeń i warunków laboratoryjnych. Meta przyznaje, że zanim metoda będzie mogła trafić do klinik, trzeba rozwiązać dwa duże problemy: poprawić dokładność oraz zmniejszyć i uprościć sprzęt.
Czy to konkurencja dla implantów mózgowych?
Brain2Qwerty v2 nie zastępuje jeszcze implantów mózgowych. Rozwiązania inwazyjne nadal osiągają wyższą precyzję, ponieważ elektrody znajdują się bliżej źródła sygnału neuronalnego. Ich słabością jest jednak konieczność operacji oraz ryzyko powikłań, takich jak infekcje czy krwawienia. Nieinwazyjne BCI, takie jak Brain2Qwerty, są bezpieczniejsze z punktu widzenia procedury, ale obecnie mniej dokładne i trudniejsze do wdrożenia poza laboratorium.
Najbardziej realnym zastosowaniem w przyszłości może być pomoc osobom, które utraciły możliwość mówienia lub poruszania się, na przykład po udarze, urazie mózgu albo w przebiegu chorób neurologicznych. Meta wskazuje właśnie ten kierunek jako główną motywację badań: przywracanie komunikacji osobom, które nie mogą mówić lub pisać w tradycyjny sposób.
Najważniejsze ograniczenia
Mimo imponujących wyników Brain2Qwerty v2 pozostaje projektem badawczym, a nie gotowym produktem. Po pierwsze, badania przeprowadzono na zdrowych ochotnikach, którzy faktycznie pisali na klawiaturze. Nadal nie wiadomo, czy system osiągnie podobne wyniki u pacjentów sparaliżowanych, którzy nie mogą fizycznie poruszać palcami i jedynie próbują lub wyobrażają sobie ruch.
Po drugie, dokładność nadal jest zbyt niska do codziennego użycia bez frustracji użytkownika. 61% średniej dokładności słów to duży postęp, ale w komunikacji medycznej, opiece czy pracy z osobami niemówiącymi margines błędu musi być znacznie niższy. Po trzecie, sprzęt MEG jest obecnie za duży i za drogi, aby myśleć o zastosowaniu domowym lub integracji z urządzeniami konsumenckimi.
Kwestie prywatności i etyki
Brain2Qwerty nie jest technologią do swobodnego czytania myśli, ale nie oznacza to, że temat prywatności można pominąć. Dane mózgowe są jednymi z najbardziej wrażliwych danych biometrycznych. Nawet jeśli obecny system dekoduje wyłącznie sygnały związane z celowym pisaniem, rozwój takich technologii wymaga jasnych zasad dotyczących zgody, kontroli danych, anonimizacji, celu przetwarzania i zakazu wykorzystania komercyjnego bez świadomej zgody użytkownika. BinaryVerse AI słusznie zwraca uwagę, że pytanie „kto kontroluje dane mózgowe?” będzie coraz ważniejsze wraz ze wzrostem dokładności takich systemów.
Kod i otwarta nauka
Meta udostępniła kod treningowy dla Brain2Qwerty v1 i v2, a zbiór danych v1 zebrany przez Basque Center on Cognition, Brain and Language został udostępniony na Hugging Face. Repozytorium GitHub wskazuje również, że kod obejmuje katalogi dla wersji v1 i v2, natomiast dane v2 pozostają objęte embargiem do czasu akceptacji publikacji.
To ważne, ponieważ otwartość pozwala niezależnym zespołom badawczym sprawdzać wyniki, rozwijać modele i oceniać ograniczenia bez konieczności polegania wyłącznie na komunikatach producenta technologii.
Brain2Qwerty v2 to jeden z najciekawszych kierunków rozwoju nieinwazyjnych interfejsów mózg–komputer. Nie jest to urządzenie do czytania myśli ani produkt gotowy do zastosowania w domu. To zaawansowany projekt badawczy, który pokazuje, że aktywność mózgu związana z pisaniem można coraz skuteczniej zamieniać na tekst bez operacyjnego wszczepiania elektrod.
Największa wartość Brain2Qwerty v2 polega na pokazaniu realnej ścieżki rozwoju: więcej danych, lepsze modele językowe, dokładniejsze sensory i bardziej praktyczne urządzenia MEG mogą w przyszłości doprowadzić do bezpieczniejszych systemów komunikacji dla osób, które utraciły możliwość mówienia. Na dziś technologia pozostaje laboratoryjna, ale jej potencjał medyczny jest na tyle duży, że warto śledzić jej dalszy rozwój.
1.07.2026
źródło: Binaryverseai, RoadtoVR,
Brain2Qwerty v2, Brain2Qwerty, Meta Brain2Qwerty, Meta AI BCI, nieinwazyjny interfejs mózg–komputer, BCI Meta, brain-computer interface, interfejs mózg komputer, MEG BCI, magnetoencefalografia, EEG vs MEG, nieinwazyjne BCI, dekodowanie sygnałów mózgowych, zamiana aktywności mózgu na tekst, AI i mózg, neurotechnologia, komunikacja mózg komputer, sztuczna inteligencja w neurotechnologii, Meta AI Research, dekodowanie mowy z mózgu, dekodowanie tekstu z mózgu, technologia dla osób niemówiących, przyszłość komunikacji, neuroAI, brain-to-text, brain typing, QWERTY brain interface, MEG vs EEG, BCI bez implantów