©Meta AI
近日，全球社媒与科技巨头Meta旗下Meta AI联合多国科研团队在《Nature Neuroscience》发表研究成果，推出Brain2Qwerty深度学习脑机解码模型的迭代版本v2（v1于2025年发布），该技术依靠脑磁图（MEG）、脑电图（EEG）两种非侵入式脑信号，成功从人类大脑活动中还原出完整打字句子，且大幅缩小了与侵入式脑机接口的性能差距，其解码精准度已接近以往仅能通过开颅手术类技术实现的水准。
研究方法。图示说明了MEG信号采集、处理与输出、评估等环节。完整说明请参考原论文。©作者团队/Nat Neurosci
长期以来，高性能脑机文字转换依赖颅内植入神经假体，这类侵入式设备虽能实现高准确率文字输出，却要承担脑出血、颅内感染、长期植入失效等手术风险，难以大规模普及。传统非侵入式脑电图（EEG）脑机接口信噪比极低，使用者需要长时间紧盯闪烁刺激、持续想象肢体运动，解码字符错误率居高不下，实用价值有限。本次研究证实，搭配深度神经网络的脑磁图（MEG）设备，能在完全非侵入式前提下稳定解析人类打字时的大脑语言与运动神经信号，让非侵入式脑机文字解码具备临床落地潜力。
实验基础
35名志愿者搭建百万级脑信号打字数据集
研究团队招募35名健康西班牙语右利手打字熟练志愿者，实验分为EEG、MEG两组采集大脑信号，其中20人完成脑电图记录，20人参与脑磁图采集，5人同时参与两组测试，1名受试者因体内金属杂质剔除MEG数据。实验采用无金属兼容键盘，受试者逐句记忆屏幕显示的西班牙语短句，无屏幕文字反馈完成打字，全程累计采集14.6万字符、4000句EEG数据，19.3万字符、5000句MEG数据，总记录时长超39小时。
数据按80/10/10比例划分训练、验证、测试集，通过聚类算法规避模型记忆相似句子，保证解码结果具备真实泛化能力。整套实验范式规避眼部动作干扰，仅捕捉手指敲击键盘对应的运动、语言神经信号，为模型训练提供足量、干净的神经样本。
核心硬件对比
MEG信号全面碾压EEG，信噪比决定解码上限
本次实验直观量化了两种非侵入式脑探测设备的性能鸿沟，核心差异来自信号信噪比。脑电图仅捕捉头皮微弱电场，噪声干扰极强；脑磁图检测皮层神经元产生的磁场，信号清晰度显著更高。线性分类模型测试中，区分左右手按键的峰值准确率MEG达74%，EEG仅64%；单字符识别基线MEG为22%，EEG仅16%，均显著高于随机猜测14%的基准。
搭载Brain2Qwerty完整模型后，全人群平均字符错误率（CER）MEG仅29%，EEG高达65%；表现最优的MEG受试者字符错误率低至18%，可零差错还原训练集外全新句子。硬件层面的差距直接证明，未来民用非侵入式脑机接口优先发展可穿戴脑磁传感器，能最快提升文字解码效率。
句子解码示例。左侧为脑电（EEG）、右侧为脑磁（MEG）。完整说明请参考原论文。©作者团队/Nat Neurosci
Brain2Qwerty三层架构拆解
卷积+Transformer+语言模型层层降噪纠错
整套解码模型由卷积模块、句级Transformer、9元字符语言模型三级串联构成，总参数量约4亿，单模型GPU训练耗时18小时。第一层卷积模块集成空间注意力、受试者专属适配层与8层膨胀卷积，将0.5秒窗口脑信号转化为2048维神经表征，单独使用时解码效果已超过传统BCI通用EEGNet网络。第二层Transformer利用整句上下文修正单字符预测偏差，捕捉连续打字的神经时序关联；第三层基于西班牙维基语料预训练的9-gram语言模型，结合波束搜索修正语法、词汇错误，通过权重平衡神经信号预测与自然语言规律，三层模块叠加后字符错误率实现2.5倍降幅，是模型超越所有基线算法的核心关键。
本研究并未采用人工设计的处理流程来识别神经活动信号，而是运用端到端深度学习技术，直接从原始脑信号中完成解码。©Meta AI
模型消融实验
三层模块缺一不可，语言上下文大幅降低识别误差
研究通过消融实验逐一验证各模块增益效果，基线线性模型、EEGNet性能垫底，仅卷积模块已实现显著性能提升；叠加Transformer后，句子上下文信息有效修正孤立字符识别偏差，MEG、EEG两组数据字符错误率均出现统计学显著下降；最后接入预训练字符语言模型，利用西班牙语词汇、拼写规律过滤神经信号带来的随机误判，再次大幅优化解码精度。
对照样例可见，仅卷积模块输出大量无意义乱码，卷积+Transformer可还原大部分单词词根，完整Brain2Qwerty模型能精准复现完整句子。统计学检验显示，三层架构每一层的增益均具备极高显著性，证明神经信号特征提取、时序上下文、语言先验知识是非侵入式文字解码缺一不可的三大支柱。
大脑编码规律
键盘物理布局直接反映在神经表征中
团队通过混淆矩阵、K均值聚类挖掘模型学到的神经编码逻辑，发现按键预测错误概率与键盘物理距离呈强正相关，皮尔逊相关系数r=0.73，统计显著。将卷积模块输出的神经表征做无监督聚类，两类聚类可完美区分左右手按键，十类聚类结果仍贴合QWERTY键盘分区，说明人类打字时的大脑运动皮层，会完整编码键盘空间布局。
同时打字失误会严重破坏神经信号质量：正确按键间隔仅49毫秒，出错按键间隔翻倍至111毫秒，正确字符解码错误率36%，错误键入字符错误率飙升至69%，印证精准运动执行才能输出可解析的清晰脑信号，运动冲突会造成神经信号混杂干扰解码。
键盘布局与打字错误带来的影响。a. 键盘距离效应；b. 聚类分析；c. 按键间隔分析；d. 打字错误识别性能。完整说明请参考原论文。©作者团队/Nat Neurosci
当前技术短板
距离临床实时通信仍有多重现实瓶颈
这套系统现阶段仍存在明显落地限制，首先无法实时输出文本，Transformer与语言模型需要完整句子全部录入后才能完成校正，无法逐字同步输出；其次脑信号窗口必须对齐按键触发时间，难以实现无触发连续神经信号解码。实验全部依托健康人群主动打字采集数据，瘫痪闭锁患者无法完成实际敲击动作，需要改造为运动想象范式才能适配临床场景。
此外，传统脑磁设备体积庞大、造价高昂，仅实验室可用，依赖光泵磁力计的小型可穿戴MEG设备仍处于研发阶段。同时模型泛化能力受限，跨受试者、跨语种解码精度会明显下滑，未来需轻量化、通用化模型适配不同患者群体。
行业价值
填平非侵入式与侵入式脑机的性能鸿沟，开辟安全沟通新赛道
过往侵入式脑机可实现每分钟近百字符输出、字符错误率低于6%，但手术风险阻碍普及；传统非侵入式EEG拼写设备操作繁琐、准确率不足一半。本研究证明，搭配深度学习的MEG非侵入式方案，无需手术就能达到接近临床可用的文字解码水平，大幅缩小两类设备的性能差距。
对比过往EEG文字解码研究，同类设备仅能识别10个字母、错误率75.8%，本模型可识别29类字符，EEG基线错误率65%、MEG最优18%，实现跨越式提升。对于肌萎缩侧索硬化、脑梗失语、重度瘫痪失去发声与行动能力的人群，非侵入式脑机接口能够规避手术创伤，提供长期稳定的沟通工具，具备巨大医疗普惠价值。
这项研究不只是AI与神经科学的技术突破，更重新定义了脑机接口的安全边界：无需植入、无需手术，仅依靠体外脑信号采集，就能读取人类心中完整语句。随着光泵微型脑磁传感器、轻量化神经网络持续迭代，这套Brain2Qwerty技术有望走出实验室，发展为头戴式非侵入式脑沟通设备。
Meta AI在社交媒体上表示：“我们认为这项研究有望为数百万因脑部损伤或相关疾病丧失沟通能力的人群带来实质性改变。”
论文信息
标题：Noninvasive decoding of typed sentences from human brain activity
期刊：Nature Neuroscience
发表日期：2026/6/29
DOI：https://doi.org/10.1038/s41593-026-02303-2
作者团队：见下图
其他参考资料
https://ai.meta.com/blog/brain2qwerty-brain-ai-human-communication/
https://github.com/facebookresearch/brain2qwerty/blob/main/brain2qwerty_v2/README.md（项目代码）
https://x.com/AIatMeta/status/2071566924803395741?s=20
META脑科学/脑机接口项目相关
声明
1.本文内容、图片来自原论文及网络，详情可参考相关链接，如有侵权请告知删除。2.本公众号分享的医疗资讯仅供参考，不应被视为医疗建议。在做出任何与健康相关的决定或治疗计划之前，务必咨询合格的医疗专业人员。
了解更多脑机接口行业资讯
扫码加入“脑机接口”知识星球
