Интерфейс мозг‑компьютер: это 61% точности без имплантов в новом декодере Meta

Интерфейс мозг-компьютер, это технология, позволяющая передавать команды или текст из мозга напрямую в машину. До сих пор высокая точность декодирования требовала вживления электродов, то есть нейрохирургии. Meta AI в феврале 2025 года выпустила первую версию Brain2Qwerty, а теперь опубликовала вторую, которая работает с внешним сканером и при этом показывает результат, приближающийся к хирургическим аналогам. Источник публикации и кода: репозиторий Meta на GitHub.

Что умеет Brain2Qwerty v2?

• Декодирует набранные на клавиатуре предложения из сигналов МЭГ (магнитоэнцефалографии, метода, который измеряет магнитные поля нейронов с высоким временным разрешением) без имплантов и хирургии.
• Средняя точность на уровне слов составила 61% (показатель WER, то есть доля ошибочных слов, равна 39%). Для сравнения: предыдущие неинвазивные методы достигали лишь 8% точности по словам, по данным самой Meta.
• Лучший участник достиг 78% точности, причём больше половины его предложений содержали не более одной ошибки в слове.
• Точность растёт логарифмически-линейно с объёмом данных: больше часов записи предсказуемо повышают качество. Это главный аргумент для исследователей: разрыв с хирургическими имплантами может сократиться просто за счёт данных.
• Архитектура трёхступенчатая: свёрточный кодировщик (convolutional encoder) читает «сырые» сигналы МЭГ, трансформер моделирует длинные зависимости во времени, а символьная языковая модель (character-level language model) отсекает бессмысленные последовательности букв и формирует правдоподобный текст.
• Дообученные большие языковые модели добавляют смысловой контекст: они связывают зашумлённые мозговые записи с осмысленной речью.
• Код обеих версий (v1 и v2) опубликован под лицензией CC BY-NC 4.0 (можно использовать для некоммерческих исследований).

Важно: это исследование, а не потребительский продукт. Систему тестировали на девяти добровольцах, каждый из которых провёл около 10 часов за набором текста в контролируемых условиях. Всего было собрано примерно 22 000 предложений. Данные принадлежат исследовательскому центру BCBL в Испании.

Чем v2 отличается от v1?

Первая версия измеряла точность на уровне символов, вторая перешла на уровень слов, поэтому прямое сравнение цифр некорректно. При этом ещё в v1 было показано, что МЭГ-декодирование как минимум вдвое точнее, чем декодирование из ЭЭГ (электроэнцефалография, более шумный метод, знакомый по «шапочкам с проводами»).

Вторая версия заменила ручную инженерию признаков на сквозное глубокое обучение: вместо того чтобы вручную программировать детекторы нейронных событий, модель учится сама находить значимые паттерны в «сыром» сигнале.

Как попробовать?

1. Склонируйте репозиторий: git clone https://github.com/facebookresearch/brain2qwerty. Внутри лежат директории brain2qwerty_v1/ и brain2qwerty_v2/ с полным обучающим кодом.
2. Изучите архитектуру и зависимости. Для запуска нужен Python, PyTorch и доступ к данным МЭГ (формат описан в репозитории).
3. Помните об ограничениях лицензии: CC BY-NC 4.0 разрешает исследования и личные проекты, но запрещает коммерческое использование без отдельного соглашения.

Реальный запуск декодера требует записей с МЭГ-сканера, а это оборудование стоимостью в миллионы долларов и доступно только в крупных нейронаучных центрах. Воспроизвести опыт «дома» пока невозможно: ценность публикации в архитектуре и коде, а не в готовом гаджете.

Есть ли аналоги в России?

Прямого российского аналога Brain2Qwerty нет. В России работают нейроинтерфейсные лаборатории (например, в МГУ, Курчатовском институте, Сколтехе), но открытых неинвазивных декодеров текста с сопоставимой точностью опубликовано не было.

При этом открытый код Meta делает адаптацию реальной. Российские команды могут взять архитектуру, заменить английскую символьную модель на кириллическую и обучить декодер на русскоязычных данных. МЭГ-сканеры в российских центрах есть: дело за данными и дообучением.

YandexGPT и GigaChat здесь не конкуренты: они решают задачу генерации текста по промпту (запросу пользователя), а не декодирования мозговой активности. Но языковые модели от Сбера или Яндекса теоретически могут стать финальным звеном в русскоязычной версии такого декодера, заменив англоязычную LLM в конвейере.

Что это значит для вас?

• Авторам Дзена и копирайтерам. Технология набора текста «силой мысли» пока далека от бытового применения. Но сам факт, что интерфейс мозг-компьютер, это уже не фантастика, а код на GitHub, стоит внимания: тема разогревает аудиторию, и объяснительный контент про нейроинтерфейсы сейчас собирает вовлечение.
• Исследователям и разработчикам в РФ. Открытый код под CC BY-NC 4.0 снимает барьер входа. Можно адаптировать архитектуру под кириллицу, обучить на русскоязычных данных и создать российский аналог интерфейса мозг-компьютер. Начните с изучения репозитория и оценки доступных МЭГ-данных в вашем центре.
• Предпринимателям. Коммерческого продукта нет и в обозримом будущем не будет: оборудование громоздкое, выборка мала, лицензия запрещает коммерческое использование без отдельного соглашения. Но следить за темой стоит: если точность продолжит расти с ростом данных (как заявляет Meta), через несколько лет это может стать основой для медицинских устройств.

Частые вопросы

Это чтение мыслей?

Нет. Brain2Qwerty декодирует мозговую активность, связанную с физическим набором текста на клавиатуре. Человек реально нажимает клавиши, а система считывает магнитные поля, которые генерируют нейроны в этот момент. Произвольные мысли, образы или внутреннюю речь система не распознаёт.

Можно ли повторить эксперимент дома?

Нет. Для записи нужен МЭГ-сканер (магнитоэнцефалограф), который есть только в специализированных лабораториях. Код открыт, но без данных с такого сканера запустить декодер не получится. ЭЭГ-устройства (потребительские «нейрошлемы») дают значительно более шумный сигнал, и точность на них, по данным v1, минимум вдвое хуже.

Когда это станет реальным продуктом?

Meta прямо указывает: это исследование, а не продукт. Сроков коммерциализации компания не называла. Главное обещание, что точность растёт предсказуемо с объёмом данных, но для клинического применения нужны испытания на пациентах с нарушениями речи и движения, а их пока не было.