Meta 本週發布 Brain2Qwerty v2，一套透過頭盔式 MEG（腦磁圖）掃描器記錄神經活動、以端到端深度學習模型直接解碼目標文字的非侵入式腦機介面系統，平均單字準確率達 61%。Meta 同步開源程式碼與資料集作為其 Digital Brain Project 的一部分，並設立 500 萬美元基金。
Brain2Qwerty v2 的技術架構：訓練規模與端到端解碼方法
此系統採用端到端（end-to-end）深度學習模型，直接從原始 MEG 腦訊號解碼至輸出文字，不依賴手工設計的中間處理步驟；大型語言模型在後段根據語意脈絡修正雜訊引起的錯誤。
訓練資料規模：約 22,000 個句子，9 位志願者，每人約 10 小時錄製資料。Meta 表示準確率將隨訓練資料量增加持續提升。作為技術對照，v1 版本在 MEG 條件下的字元錯誤率（CER）約為 32%；同任務換用 EEG（腦電圖）則攀升至約 67%。
MEG 的技術優勢與現有設備限制
MEG 利用超導感測器偵測神經元活動時產生的極微磁場，磁場穿透性優於 EEG，訊號相對清晰；但 MEG 頭盔造價數百萬美元，且需要隔絕外部磁場的特殊環境，長期限於神經科學實驗室，尚未進入臨床或消費者應用。
Brain2Qwerty v2 在此設備限制下達到 61% 準確率，逼近過去僅植入式介面（如 Neuralink）才能達到的水準。Meta 選擇非侵入式路線的出發點是：植入式介面的手術門檻使多數潛在受益者難以接受。
Meta 的開源計劃：Digital Brain Project 與 500 萬美元基金
Meta 在發布 Brain2Qwerty v2 時同步公開系統程式碼與訓練資料集，作為 Digital Brain Project 的組成部分。Meta 另設立 500 萬美元基金，專用於支援開放神經科學資料集建設。
Meta 指出，非侵入式 BCI 研究的瓶頸之一是缺乏公開的大規模神經資料集，目前各研究機構重複收集基礎資料效率極低；此基金旨在推動社群共同建構基準資料。
常見問題
非侵入式與植入式腦機介面的核心技術差距是什麼？
植入式介面（如 Neuralink）直接在腦皮層埋入電極，訊號乾淨、延遲低、精度高，但需外科手術。非侵入式方法的主要挑戰是訊噪比：頭骨與頭皮嚴重衰減訊號，EEG 尤甚；MEG 穿透性相對較好，但設備成本和環境要求限制了普及。
Brain2Qwerty v2 的「端到端」模型有何技術意義？
端到端模型直接從原始 MEG 訊號解碼至輸出文字，不需研究人員手工設計中間步驟（如先識別特定腦電事件再逐步推導字母）。Meta 並在研發過程中以 AI agents 系統性探索解碼流程的最佳化空間，工程師從中選定最終訓練配置。
此系統何時可能進入臨床或商業市場？
Brain2Qwerty v2 目前在實驗室 MEG 設備條件下測試，屬研究階段系統，尚未進入臨床試驗或商業化程序。Meta 表示準確率仍有提升空間，但臨床或商業化時程截至報道時尚未公布。
