Meta脑机接口重大进展登Nature子刊 实现超高实时解码准确率

脑机接口这一前沿领域，似乎已经沉寂了相当长的一段时间。

在这个方向上，最受瞩目的无疑是马斯克创立的 Neuralink。不过，脑机接口技术通常可划分为两大类：侵入式与非侵入式。简单来说，侵入式需要实施手术，而非侵入式则无需开颅。

侵入式技术路线以 Neuralink 为代表，通过将微电极阵列直接植入大脑皮层，获取的信号质量极高，解码准确率可超过 90%。在 2025 年至 2026 年间，已有多位瘫痪患者成功完成植入，并借助意念操控电脑。今年 3 月，国内也有一款侵入式脑机接口产品获批上市。但代价是需要进行手术，适用人群自然受到限制。

非侵入式技术路线则利用头皮外部的传感器采集大脑活动信号，无需开刀，安全性高，理论上具备大规模部署的潜力。然而，信号在穿过颅骨和脑脊液后衰减十分严重，空间分辨率远不及皮层内电极。由于采用外置采集方式，解码能力相对较弱，目前基本仍处于不可用的状态。

但这一次，Meta 在非侵入式脑到文本解码器研究上取得了又一重要里程碑——Brain2Qwerty v2 正式登场。

事实上，Meta 去年发布的 Brain2Qwerty v1 版本，就已经成功登上了 Nature Neuroscience 期刊。

Brain2Qwerty v2 带来了目前性能最优的端到端流程，能够从原始脑信号中实时解码完整句子。它超越了字符级解码的局限，直接对单词和语义进行解码，从而显著提升了整体沟通的准确性与流畅度。

v1 于 2025 年公开，其核心能力是从 MEG 脑磁信号中逐字符解码打字内容，当时的最优字符错误率（CER）约为 32%。

v2 则彻底改变了解码粒度。它不再逐字母拼凑，而是一步到位地输出整句话。根据 Meta 公开发布的数据，9 名被试的平均单词准确率达到 61%，最优被试更是达到了 78%，其中超过一半的句子，解码偏差控制在一个单词以内。

技术架构

Meta 团队发布的 Brain2Qwerty v2，是当前性能最高的端到端非侵入式脑信号解码系统——它能够从连续的脑活动中实时解码完整句子，准确率已接近此前唯有依赖开颅植入脑机接口才能达到的水平。

为了加速神经科学领域的科研进展，研究团队正式开源了 Brain2Qwerty v1 和 v2 的全部训练代码。同时，合作伙伴——西班牙巴斯克认知、大脑与语言中心（BCBL）——也同步开放了 v1 的数据集。

这项研究有望真正改善数百万因脑损伤而失去交流能力的患者的生活质量。此前，立体定向脑电图（Stereo-EEG，SEEG）和皮层脑电图（ECoG）等侵入式技术已经证明，通过神经假体采集脑信号并结合 AI 解码，可以帮助患者恢复语言交流能力。但这类方案需要实施脑部手术，难以大规模推广。相比之下，非侵入式方案正好填补了这一空白。

在 Brain2Qwerty v2 的训练过程中，研究团队收集了 9 名志愿者约 22,000 句输入数据。每位参与者佩戴脑磁图（MEG）设备，在主动键盘输入过程中连续记录了约 10 小时的脑活动。

与传统依赖人工设计神经事件检测流程的方法不同，Brain2Qwerty v2 采用了端到端深度学习框架，直接从原始脑信号中学习并完成文本解码。

Brain2Qwerty v1 的核心思路是：根据在 BCBL 采集的 MEG 脑活动模式预测键盘敲击（keystrokes）。但该方法有一个关键限制——它依赖每一次按键的精确时间，因此无法实现实时解码。而 Brain2Qwerty v2 突破了这一瓶颈，可以直接从连续的脑活动信号中生成完整句子。

新模型由三个层级模块构成，协同提升对“字母—单词—句子”的解码能力：

• MEG 信号首先输入 Conformer 模块（用于字符级检测）
• 随后进入 Aligner（用于构建词级嵌入）
• 最后由大语言模型（LLM）重建完整句子

整条流水线分为 Brain Encoder 和 NeuroLLM 两大模块。

Brain Encoder：负责将原始 MEG 波形压缩为字符级神经特征序列。底层用 BrainModule 做空间通道融合（Fourier 编码传感器坐标 → learnable 映射到 270 个虚拟通道 → per-subject affine 补偿个体差异），中层用 4 层扩张卷积（hidden 1,500）提取特征并做 4 倍时间下采样，顶层用 4 层 Conformer（dim 1,024，4 heads）建模长程时序依赖。整体以 CTC loss 做字符级监督，在下采样后和 Conformer 后各挂一个 CTC head 联合训练，确保浅层也能获得有效梯度。

研究团队还将大语言模型针对神经数据进行了微调，使模型能够充分利用语言的语义上下文，在噪声较大的脑信号与连贯自然语言之间建立有效关联，从而显著提升解码质量。

NeuroLLM：在 Encoder 输出之上接 Qwen3-4B（LoRA rank 128），将神经特征转化为自然语言句子。连接方式是：用 CTC 输出中的空格位置将 Conformer 特征切分为词级片段，各自 mean-pool 后过 MLP 得到「神经词嵌入」；训练时用 SigLIP 对比损失（Hard DTW 对齐 + sigmoid BCE）将其拉向 LLM 词嵌入空间。推理时 LLM 同时接收 CTC 解码文本和 MEG 嵌入两路输入（训练中对两路各做 10% 随机置零，增强鲁棒性），beam search（beam 16）生成最终句子。

此外，研究人员还引入了 AI Agent，对整个解码流程进行自动探索和优化；最终采用的训练配置，则由工程师进行人工筛选和确认。

超参数搜索由 3 个独立的 AI coding agent（Cursor + Claude Opus 4.6 驱动）并发执行。每个 agent 被分配一个 git worktree，可读写代码和提交 SLURM 训练任务。每 agent 10 轮，每轮恰好 50 个训练 job，总计 1,500 次实验。agent 之间严格隔离，只能看到自己分支的结果。工程师从三个 agent 的最终配置中手动选择最优方案。

最终结果显示，Brain2Qwerty v2 已经能够从高度噪声的脑信号中恢复出语义连贯的完整句子。

模型平均单词准确率达到 61%，相比此前其他非侵入式脑信号解码方法约 8% 的单词准确率，实现了大幅跃升。对于表现最佳的一位参与者，模型的单词准确率更是达到 78%；其中，超过一半的句子在解码时仅出现 1 个单词或更少的偏差。

仍有挑战

在该方法真正应用于临床之前，仍然面临两个主要挑战。

1. 解码精度仍不足以支持日常使用：当前模型仍存在较多的单词级或字符级错误，难以直接用于实际沟通场景。

不过，研究团队发现一个趋势：模型的解码准确率会随着训练数据规模增加而呈近似对数线性增长。这意味着，目前与侵入式脑机接口之间剩余的性能差距，未来有望通过持续扩大训练数据规模进一步缩小，而无需依赖全新的模型架构。

2. 设备限制较大：本研究所使用的 MEG 系统体积庞大、成本高昂，普通患者难以接触和利用。

当前实验用的 MEG 设备体积占据一整间屋子，依赖 SQUID 和液氦冷却，运行环境必须做磁屏蔽。这套系统造价高达数百万美元，离床旁使用都有距离，更别提日常佩戴了。新一代基于 OPM 的便携 MEG 正在研发中，有望将尺寸压缩到头盔级别，但目前仍处于早期阶段。

团队表示，希望通过开放研究的方式，加快人类对神经系统疾病的识别、诊断与治疗，让神经科学的发展速度不再受限于各自封闭的研究体系。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：Meta脑机接口重大进展登Nature子刊 实现超高实时解码准确率要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题