Meta 让脑电波打字进步了，但离“不用手说话”还差一段临床路

据 Meta AI 官方博客 介绍，研究团队发布了 Brain2Qwerty v2，一个用非侵入式脑信号实时解码句子的研究系统。它使用 MEG 记录参与者打字时的脑活动，再用端到端深度学习和语言模型上下文把嘈杂信号还原成文字。Meta 称，v2 的词准确率达到 61%，最佳参与者达到 78%，明显高于此前非侵入式方法约 8% 的水平。

这条新闻容易被写成“AI 读心术来了”，但那样反而会把真正有价值的部分说浅。Brain2Qwerty 不是在读取一个人脑子里随便冒出来的想法，而是在一个控制严格的实验里，让志愿者戴着大型 MEG 设备、主动打字、采集脑信号，再训练模型学习这些信号和句子之间的关系。它离消费产品很远，但在研究层面确实往前走了一步。

这里最值得看的是“非侵入式”三个字。过去很多效果更强的脑机接口，需要把电极放到颅内或脑皮层附近，信号清楚，但手术门槛和风险都很高。Brain2Qwerty 走的是另一条路：不做植入，直接从外部设备记录脑活动。问题也在这里，非侵入式信号更弱、更吵、更难解码，所以模型要同时处理神经信号、时间序列和语言上下文。

Meta 这次还开源了 v1/v2 的训练代码，合作方 BCBL 释放 v1 数据集。对研究社区来说，这比一张漂亮演示图更重要。神经科学和 AI 结合很容易变成少数实验室的封闭竞赛，开源代码和数据至少能让其他团队复现实验、质疑方法、比较模型，而不是只看公司博客里的结果数字。

但别急着把它想象成明年就能上市的“脑电输入法”。这项研究使用约 2.2 万个句子，来自 9 名志愿者，每人录制约 10 小时。这样的数据量对论文很宝贵，对真实医疗产品还远远不够。脑损伤患者、渐冻症患者、语言障碍患者的脑信号和健康志愿者主动打字时的信号，未必能直接迁移。设备成本、使用场景、校准时间、误识别责任，也都还没有被解决。

OC 的判断是，Brain2Qwerty 的意义不在于“AI 会读心”，而在于它把非侵入式脑信号解码从玩具演示推近了一点点实用研究。真正该问的问题是：它能不能在更多人、更多语言、更多疾病状态下稳定工作？训练数据能不能扩大而不牺牲隐私？模型错误时，医生和患者如何知道它错在哪里？

这对开发者和技术团队也有启发。很多看似神奇的 AI 医疗和脑机接口，其实不是单一模型突破，而是数据采集、信号处理、语言建模、设备工程、临床流程共同推进。Demo 很好，真正难的是把整个系统放进医院、康复中心和患者家庭里，并且让错误成本可控。

参考来源

• Meta AI：Brain2Qwerty v2