متا با انتشار نسخه دوم Brain2Qwerty، گامی بزرگ در مسیر رابطۀ مغز-کامپیوتر (BCI) غیرتهاجمی برداشته است. این سیستم مبتنی بر هوش مصنوعی، قادر است جملات را مستقیماً از فعالیت مغزی رمزگشایی کند — بدون نیاز به جراحی یا چسباندن الکترودها به سطح مغز.

چگونه Brain2Qert يعمل می‌کند؟

Brain2Qwerty از یک معماری سه‌مرحله‌ایِ یادگیری عمیق برای تبدیل سیگنال‌های عصبی به متن قابل‌خواندن استفاده می‌کند:

  • انکودر (Encoder): سیگنال‌های خام EEG یا MEG را دریافت کرده و پیش‌بینی کاراکترها را خروجی می‌دهد.
  • الایگنر (Aligner): کاراکترهای پیش‌بینی‌شده را به کلمات تراز و گروه‌بندی می‌کند.
  • مدل زبانی بزرگ (LLM): با استفاده از مدل‌های زبانی، خروجی نهایی را تصحیح و تولید می‌کند.

یک کشف غیرمنتظره: این معماری می‌تواند خطاهای «تایپوگرافی» (typographical errors) را که کاربر در ذهن خود انجام می‌دهد، به‌طور خودکار تصحیح کند — 덕분에 به درک بافتارِ زبان توسط LLM.

معماری سه‌مرحله‌ای Brain2Qwerty: انکودر، الایگنر و LLM

عملکرد: MEG برتری دارد، شکاف با روش‌های تهاجمی تنیده می‌شود

در ارزیابی‌های متا، Brain2Qwerty v2 به دقت کلمه ۶۱٪ رسید — در حالی که روش‌های غیرتهاجمی قبلی به ۸٪ محدود بودند. مقایسه دو روش ثبت سیگنال نشان می‌دهد:

  • MEG: نرخ خطای کاراکتر (CER) میانگین ۲۹٪
  • EEG: نرخ خطای کاراکتر (CER) میانگین ۶۵٪

این در حالی است که مدل پایه EEGNet با CER ۲.۵ برابر بدتر عملکرد داشت. نسبت به نسخه ۱ (منتشر شده در ۲۰۲۵)، نرخ خطای کلمه (WER) تقریبا دو برابر بهبود یافته و شکاف با تکنیک‌های تهاجمی مانند ECoG به‌مرور تنیده شده است.

چرا این پیشرفت مهم است؟

ملیون‌ها نفر در جهان به دلیل لعاف‌های مغزی، سکته، یا بیماری‌هایی مانند ALS، از khảلیت ارتباط Верبال محروم‌اند. روش‌های تهاجمی (نیاز به جراحی مغز) «مقیاس‌دهی سخت» دارند و ریسک‌های پزشکی به همراه می‌آورند. Brain2Qwerty با حذف نیاز به جراحی، مسیر یک راهکار قابل‌دسترسی، مقیاس‌پذیر و کم‌ریسک را هموار می‌کند.

«ما معتقدیم این تحقیق پتانسیل دارد تفاوت واقعی برای میلیون‌ها نفر ایجاد کند که از لعاف‌های مغزی رنج می‌کشند... دقت رمزگشایی به صورت لگاریتمی-خطی با حجم داده بهبود می‌یابد، که نشان می‌دهد شکاف عملکرد باقی‌مانده با رویکردهای جراحی می‌تواند بیشتر فقط با مقیاس‌دهی داده‌ها تنیده شود.»
— تیم تحقیق متا

داده، نه معماری: کلید موفقیت نسخه ۲

تحلیل توری گرین، بنیانگذار مشارکتی io.net، دیدی جذاب ارائه می‌دهد: پرش از v1 به v2 «تقریبا کاملاً از ۱۰ برابر داده آموزشی بیشتر آمده، نه یک đột파 معماری.» این به معنای آن است که گلوگاه فعلی، داده‌های برچسب‌گذاری‌شده از افراد با هدست MEG است، نه سختی بنیادین مسئله — و محدودیت‌های داده‌ای معمولاً سریع‌تر از چالش‌های الگوریتمی حل می‌شوند.

منبع‌باز بودن در خدمت علم: پروژه Digital Brain

متا هم کد و هم داده‌های آموزشی Brain2Qwerty v2 را به‌صورت رایگان منتشر کرده است:

این تلاش بخشی از پروژه Digital Brain متاست که هدفش «منبع‌باز کردن مدل‌سازی فعالیت مغز برای علم و پزشکی» است. دیگر ابزارهای این اکوسیستم عبارتند از:
  • NeuralSet: بسته پایتون برای پردازش سیگنال‌های MEG/EEG
  • NeuralBench: چارچوب یکپارچه بنچمارک مدل‌های هوش مصنوعی فعالیت مغز
علاوه بر این، متا ۵ میلیون دلار برای تحریک تولید داده‌های باز در این حوزه تخصیص داده است.

آینده: مقیاس‌دهی داده‌ها، امید به دستیابی به سطح بالینی

پیشرفت‌های لگاریتمی-خطی دقت با افزایش حجم داده، horizoni امیدوارکننده‌ای ترسیم می‌کند: با جمع‌آوری داده‌های بیشتر از متطوعان با هدست‌های MEG، ممکن است Brain2Qwerty در آیندهِ نه‌چندان‌دور به سطح عملکرد سیستم‌های تهاجمی برسد — بدون جراحی، ریسک عفونت، و هزینه‌های بالینی بالا.

منبع اصلی: وبلاگ تحقیق هوش مصنوعی متا | MIT Technology Review | Nature Neuroscience