2026 年 6 月 29 日，Meta 發表 Brain2Qwerty v2，展示從非侵入式腦部記錄接近即時解碼句子的系統：受試者戴上腦磁圖（MEG）裝置打字，模型直接把腦部訊號轉成他們正在輸入的句子。對因腦部病變而失去溝通能力的人來說，這條路過去幾乎只存在於侵入式手術裡。
要在腦訊號裡解出可用的文字，過去多半需要植入電極，例如立體定位腦電圖或皮質腦電圖。這類神經義肢確實讓個別患者重獲溝通能力，但手術成本與風險使其難以規模化；非侵入式方法則長期卡在個位數的準確率。Brain2Qwerty v2 的成績，把這條界線大幅往前推。
實驗設計：九位受試者、兩萬兩千個句子
九位自願者參與實驗，每人配戴腦磁圖裝置累計約十小時，總共輸入約兩萬兩千個句子。相比許多腦機介面研究只有幾小時的資料，這個量級讓深度模型有足夠的訓練素材。
更關鍵的是觀察到的縮放規律：準確率隨資料量呈對數線性成長。Meta 據此推論，縮小與侵入式方法的差距，可能只需要更多資料，而不需要新的手術技術——這也是整個非侵入式路線最重要的樂觀訊號。
端到端深度學習，加上微調後的語言模型
系統不走傳統的手工特徵管線，而是端到端：深度神經網路直接從原始腦部訊號預測文字。針對訊號雜訊大的問題，團隊用神經資料微調大型語言模型，讓語言模型提供的語意上下文，把帶雜訊的解碼結果修補成連貫的句子。Meta 也提到，訓練過程中用 AI 代理搜尋管線的最佳化設定，工程師保留最終決策權。
61% 對 8%：非侵入式解碼的躍進
結果可以濃縮成兩個數字的對比：整體字準確率 61%，而先前的非侵入式方法約 8%。表現最好的受試者達到 78%，超過一半的句子解碼後只有一個字以內的錯誤。這是首次有非侵入式系統在自然句子上逼近實用門檻。
開源程式碼、資料集與五百萬美元基金
Meta 開放了 v1 與 v2 的訓練程式碼，合作機構 BCBL 釋出 v1 資料集，並在 Digital Brain Project 之下設立五百萬美元基金，支持開放腦科學資料集。v1 的成果此前已發表於 Nature Neuroscience。
Brain2Qwerty 也不是孤立的項目：它與 Meta 的 Tribev2 大腦編碼模型、NeuralSet 腦資料處理管線、NeuralBench 評測基準，構成同一套大腦建模技術棧。從編碼、資料到評測都自建工具，顯示 Meta 把非侵入式神經解碼當成長期研究賽道，而不是一次性的展示。
參考來源
- From Brain Waves to Words — Meta AI
- Accurate decoding of natural sentences from non-invasive brain recordings — Meta Research
- Brain2Qwerty 訓練程式碼 — GitHub
- Brain2Qwerty — Nature Neuroscience
本文由 AI 協助自上述來源整理，經人工審核後發布。