不开颅能读脑电，Meta 无创准确率近 8 倍于同类
- Meta 发布 Brain2Qwerty v2，佩戴 MEG（脑磁图）设备就能把大脑产生的磁信号实时解码成连贯句子，全程不需要任何手术。
- 字词准确率达 61%，约是其他无创脑机接口方法（8%）的 7.6 倍；最佳参与者达 78%，超半数句子只差一个词。
- 核心是两层叠加：端到端深度学习直接从原始脑磁信号解码，再叠加一个在神经数据上微调的大语言模型做语义纠错。
- 9 名参与者各录制约 10 小时打字任务，合计约 2.2 万句训练数据；准确率随数据量呈对数线性提升。
- v1/v2 训练代码完整开源，合作机构 BCBL 同步释放 v1 数据集，面向全球数百万因脑损伤丧失沟通能力的患者。
戴个头盔，脑电波能变成文字了
Meta AI 于 2026 年 6 月发布 Brain2Qwerty v2，这是目前性能最高的非侵入式脑机接口系统，能实时把 MEG（脑磁图）信号解码成连贯句子，并同步开源了 v1 与 v2 的完整训练代码。
戴上一个不开颅、不接触皮肤的头盔，系统就能把你打字时大脑产生的微弱磁信号实时还原成文字，整句的字词准确率做到了 61%。
同类不需要手术的无创方法，此前字词准确率只有 8%，几乎不可用。v2 的 61% 约是它的 7.6 倍。这是无创脑机接口第一次在整句实时解码上，逼近那些需要往大脑里植入电极的侵入式技术。
旧办法要么没效果，要么得开颅
为什么这个数字值得看，要先看清脑机接口长期卡在哪。把脑信号变成文字，过去只有两条路，各有一道过不去的坎：一条准但要动刀，一条安全但不准。
| 维度 | 侵入式（SEEG / ECoG） | 旧的无创方法 |
|---|---|---|
| 字词准确率 | 高，已能恢复沟通 | 仅 8%，基本不实用 |
| 是否需要手术 | 需开颅，把电极植入或贴在脑皮层 | 戴头盔即可，全程无创 |
| 信号质量 | 干净、信噪比高 | 嘈杂，细节损失多 |
| 可推广性 | 有手术风险，难大规模推广 | 安全易用，但准确率撑不起应用 |
侵入式里的立体定向脑电（SEEG）和皮层脑电（ECoG）已经证明：把神经信号喂给 AI 解码器，可以帮失语者重新沟通。问题是它要做手术，没法铺到千万级人群。安全和好用，过去不能兼得，这正是 v2 要解决的矛盾。
侵入式像把麦克风直接插进演唱者的嗓子里，录得清楚但要动刀；非侵入式像在演唱会场外录音，安全是安全，可隔着颅骨和头皮，噪声大、细节丢得多。难点就在：怎么用场外的嘈杂录音，听出场内唱的每个字。
两层创新：自学加语言模型补意思
v2 把准确率从 8% 拉到 61%，靠的是两层叠加的改动。一层让模型自己从原始信号里学规律，另一层用语言模型把猜出来的碎片补成完整句子。
旧方法是一条多步的手工流水线：先靠人工规则检测「这段磁场波动等于某个手指按了键」，再做特征工程，再喂给分类器，每一步都在替信号猜含义，误差一层层累加。v2 把这套全扔掉，让原始脑磁信号直接进入一个深度学习模型，从 2.2 万句、9 个人的数据里自己学出从信号到文字的映射，中间不再人工插手。
从噪声里挤出来的解码结果，往往是一串残缺的碎片文字。v2 再叠一个在神经数据上微调过的大语言模型，把上下文拉进来,根据语义把碎片补全、纠错，让嘈杂的脑信号和通顺的句子接上。
在地铁里，对方一句话你只听清了一半，但凭语境和经验，你能把整句猜出来。这一层大语言模型做的就是这件事：原始解码给出半句模糊的话，它用语义把完整的那句还原出来。
旧流水线 vs 新模型，点一下看结构差异
约七个手工环节首尾相接，每一道接缝都在替信号猜含义，误差逐级累加。
原始信号直通一个模型，再由语言模型补意思，中间不再有人工流水线。
旧方法像教学生解方程：先讲公式，再带步骤，再套题型，一步步喂。端到端是把 10 万道题连答案一起扔给它，让它自己悟出规律，中间不告诉它该怎么解。
关于 AI 调参的一个细节
Meta 还用 AI 智能体去探索解码流程的优化方向，但最终的训练配置由工程师人工挑选确定，不是全自动产出。
信号怎么来：戴头盔打字 10 小时
模型再聪明，也要有数据喂。v2 的数据来自一个朴素的范式：让人真的去打字，同时用 MEG 记录每次按键时大脑磁场的变化。
注意一个关键点：参与者是真实打字，不是「想象说话」。打字这个动作带来的神经信号更稳定、更可靠，按键时刻也能和文字精确对齐，配对出来的训练样本质量更高。
MEG 是一种头盔式传感器，用超灵敏的磁力计去捕捉神经元放电时产生的极微弱磁场变化，比普通脑电帽（EEG）精度更高。它像给大脑装了一组磁场麦克风阵列，录的不是声音，而是神经元放电的「电磁嗡嗡声」。
61%、78%、一词误差，数字有多实
把三组数字摆在一起，就能看清这次跃升的幅度，以及 61% 在实际使用里到底是什么体验。
61% 意味着一句 10 个词的话，平均能对 6 个。到了最佳参与者的 78%，体验已经相当可用：超过半数的句子，整句只差一个词,或者完全正确,一句 10 个词只错 1 个。
指解码出的句子里，预测正确的单词占全部单词的比例。61% 就是平均每 10 个词对 6 个，78% 是对将近 8 个。
Meta 还发现一条规律：解码准确率随数据量呈对数线性增长,数据每翻一倍，准确率就稳定往上抬一截。这意味着光靠系统性地扩充数据，剩下与侵入式手术方案的差距，就有望继续收窄。
谁能用上，距实用还差多远
这项研究最直接的指向，是那些「想说但说不出」的人,以及它目前还没跨过的门槛。
- 直接受益群体：因中风、ALS（肌萎缩侧索硬化）等脑损伤失去语言能力、但运动皮层仍完整的患者，全球有数百万人。无创意味着他们无需承担开颅手术的风险就有望使用。
- 当前限制：系统目前需要为每个人定制训练,要先录约 10 小时的个人数据，还做不到拿来即用的通用化。
- 推进路径：开源训练代码、BCBL 数据集，加上 Meta 通过 Digital Brain Project 设立的 500 万美元基金，目标是用更大规模的开放数据,把系统推向通用。
开源了什么，怎么找
为了让更多团队能直接接手往下做，Meta 这次把训练代码和数据集一起放了出来。
- 训练代码：Brain2Qwerty v1 与 v2 的完整训练代码均已开源。
- 数据集：合作机构 BCBL（巴斯克认知、脑与语言研究中心）释放了 v1 数据集，托管在 HuggingFace（仓库 bcbl190626/SpanishBCBL）。
背景：Meta 的开放脑科学基础模型体系
这项工作属于 Meta 构建开放脑基础模型的一部分，配套还有：Tribev2,负责感知编码；NeuralSet,大规模处理脑数据；NeuralBench,系统化评估模型。Meta 称希望以开放方式协作,比各自闭门研究更快地识别、诊断和治疗神经系统疾病。
Brain2Qwerty v2 是目前性能最高的端到端系统，能从非侵入式脑记录中实时解码整句，正在接近此前只有需要脑外科手术的技术才能达到的准确率水平。 Meta AI Blog · From Brain Waves to Words（2026 年 6 月）