摘要： Meta 於 2026 年 6 月 29 日公布 Brain2Qwerty v2，用非侵入式腦磁圖近乎即時解讀受試者打出的句子。九位受試者各配戴約十小時、合計輸入約 22,000 句，整體字準確率達 61%，遠高於先前約 8%。Meta 開源訓練程式碼並成立 500 萬美元資料集基金，但研究仍限於受控打字。
2026 年 6 月 29 日，Meta 公布了 Brain2Qwerty v2：受試者一邊戴著腦磁圖（MEG）裝置打字，模型一邊以近乎即時的速度，從非侵入式腦部記錄裡直接解讀出他們正在輸入的句子。對因腦部病變失去溝通能力的人而言，想取回這個能力，過去幾乎只有侵入式手術一條路。
以前想從腦訊號裡解讀出能用的文字，多半得植入電極，常見做法如立體定位腦電圖或皮質腦電圖。這類神經義肢確實幫某些個別患者拿回了溝通能力，但開刀的代價與風險讓這條路難以推廣到更多患者；不動刀的方法，準確率則始終只有個位數。Brain2Qwerty v2 繳出的成績，一口氣把這道天花板抬高了許多。
實驗怎麼做：九位受試者打出兩萬兩千個句子
參與研究的九位自願者，每人累計配戴腦磁圖裝置約十小時，合計輸入約兩萬兩千個句子。不少腦機介面實驗累積的資料只有幾個小時；達到這樣的量級，深度模型才有足夠的養分可以訓練。
更值得留意的是實驗中浮現的縮放規律：資料量增加，準確率便沿著對數線性的軌跡上升。Meta 由此推論，要縮短與侵入式方法的距離，缺的可能只是更多資料，而非任何新的手術技術——就整條非侵入式路線來說，這是最令人振奮的一項訊號。
深度學習端到端，配微調過的語言模型
團隊沒有採用傳統的手工特徵管線，而是讓整個系統端到端運作：深度神經網路以原始腦部訊號為輸入，直接預測文字。腦部訊號的雜訊向來很重，為此團隊以神經資料微調大型語言模型，借助語言模型掌握的語意上下文，把夾帶雜訊的解碼輸出修成連貫的句子。Meta 另外指出，訓練期間由 AI 代理搜尋管線的最佳化設定，最終決定權仍握在工程師手上。
從 8% 到 61%：非侵入式解碼跨出一大步
整份結果可以收攏在兩個數字上：整體字準確率 61%，先前的非侵入式方法則只有約 8%。表現最亮眼的受試者來到 78%，而全部句子中，超過一半解碼後的錯誤不超過一個字。就自然句子而言，這是非侵入式系統首度貼近可實用的門檻。
訓練程式碼、資料集與五百萬美元基金全面公開
v1 與 v2 的訓練程式碼，Meta 已全數開源；合作機構 BCBL 釋出了 v1 資料集；同時在 Digital Brain Project 之下成立五百萬美元基金，贊助開放的腦科學資料集。v1 的研究成果，先前已登上 Nature Neuroscience。
把視角拉高來看，Brain2Qwerty 並非單獨作戰：Meta 的 Tribev2 大腦編碼模型、NeuralSet 腦資料處理管線、NeuralBench 評測基準，與它同屬一套大腦建模技術棧。編碼、資料、評測三個環節都自行打造工具，足見 Meta 視非侵入式神經解碼為長期深耕的研究賽道，而非辦一場就結束的展示。