Meta czyta w myślach bez skalpela. Nowy system dogania implanty mózgowe

W sektorze neurotechnologii trwa wyścig między precyzją wymagającą interwencji chirurgicznej a bezpieczeństwem metod bezinwazyjnych. Choć implanty wszczepiane bezpośrednio do mózgu oferują niemal bezbłędne dekodowanie myśli, ich powszechne zastosowanie jest ograniczone ze względu na ryzyko operacyjne. Zespół Meta FAIR zaprezentował właśnie Brain2Qwerty v2 – system, który sugeruje, że ta technologiczna przepaść zaczyna się drastycznie zwężać.

Dlaczego to ważne akurat teraz? Meta osiągnęła kluczowy przełom, wykazując, że przetwarzanie danych z magnetoencefalografii (MEG) w połączeniu z modelem Qwen3 pozwala na dwukrotnie wyższą skuteczność niż w przypadku tradycyjnego EEG. Według danych z lipca 2024 roku, system potrafi poprawnie przewidzieć nawet 8 na 10 znaków, co stawia go w czołówce światowych rozwiązań nieinwazyjnych.

Skokowa poprawa dzięki ogromnym zbiorom danych

Kluczem do sukcesu nowej wersji modelu okazała się skala. Naukowcy zarejestrowali 22 000 zdań od dziewięciu ochotników, poświęcając dziesięć godzin na każdą osobę. To dziesięciokrotnie większa baza danych niż w pierwszej generacji systemu. Uczestnicy badania słyszeli zdanie, a następnie przepisywali je na klawiaturze, nie widząc efektów na ekranie. Algorytm analizował sygnały z kory ruchowej odpowiedzialnej za pracę palców, przekładając magnetyczne impulsy mózgowe na tekst.

Największą zmianą w Brain2Qwerty v2 jest odejście od sztywnej synchronizacji. Poprzednia wersja wymagała precyzyjnej informacji o czasie każdego uderzenia w klawisze. Nowy model pracuje na ciągłym oknie sygnału i samodzielnie przypisuje znaki do aktywności mózgu. To asynchroniczne podejście jest niezbędne do stworzenia systemów działających w czasie rzeczywistym.

Sztuczna inteligencja jako korektor myśli

W procesie dekodowania Meta wykorzystała zaawansowany model językowy Qwen3. Jego zadaniem jest wygładzanie zaszumionych sygnałów płynących z mózgu na logiczne zdania. Efekt? Średni błąd słowny (WER) spadł do 39 proc., a u najlepszego uczestnika testów wyniósł zaledwie 22 proc. To przepaść względem wcześniejszych badań opartych na fMRI, które kończyły się porażką z błędami na poziomie 92-94 proc. Jak zauważa MIT Technology Review, rozwiązanie Mety jest obecnie dwukrotnie bardziej efektywne niż tradycyjne metody EEG.

Warto jednak zauważyć paradoks: model językowy, chcąc zachować poprawność gramatyczną, potrafi nadinterpretować dane. Gdy sygnał jest niewyraźny, SI generuje logiczne zdanie, które nie ma nic wspólnego z intencją badanego – potrafi zamienić komunikat o samochodach na opowieść o upadku ze schodów. Mimo to postęp w warstwie semantycznej jest kluczowy dla przyszłej komunikacji osób po urazach neurologicznych.

Automatyzacja badań i bariery komercyjne

Ciekawym aspektem projektu było zaangażowanie agentów SI opartych na modelu Claude Opus 4.6 do optymalizacji kodu. Agenci ci samodzielnie znaleźli techniki poprawiające wyniki testów, wyprzedzając standardowe metody optymalizacji. Mimo tych sukcesów, technologia raczej nie trafi szybko pod strzechy w formie gadżetu. – Nie widzę możliwości opracowania urządzenia użytkowego, ponieważ jest to zbyt skomplikowane – studzi zapał Jean-Rémy King, lider zespołu FAIR.

Choć implanty chirurgiczne nadal osiągają margines błędu poniżej 2 proc., Brain2Qwerty v2 wytycza nową ścieżkę. Kolejnym krokiem opisanym w oficjalnym komunikacie ma być przejście na przenośne sensory MEG działające w temperaturze pokojowej. To mogłoby wreszcie wyprowadzić technologię z laboratoriów bezpośrednio do domów pacjentów potrzebujących wsparcia w komunikacji.