Технологический гигант Meta объявил о прорыве в области нейрокомпьютерных интерфейсов, представив новую версию системы Brain2Qwerty v2. Инновационный алгоритм способен трансформировать сложную активность человеческого мозга в четкий печатный текст, открывая новые горизонты для коммуникации и управления устройствами силой мысли.

Эксперимент в Испании: как обучали ИИ

Разработка и тестирование системы проходили на базе Баскского центра когниции, мозга и языка (BCBL) в Сан-Себастьяне. Для обучения нейросети был привлечен фокус-группа из девяти здоровых добровольцев в возрасте от 25 до 56 лет. Участники прошли через интенсивный процесс сбора данных, состоящий из 10 сессий, в ходе которых каждый из них сгенерировал более 2 500 предложений.

Ключевым отличием исследования стал метод фиксации сигналов. Вместо инвазивных операций использовалась магнитная энцефалография (МЭГ). Добровольцы надевали специальный шлем, который неинвазивно сканировал сверхслабые магнитные поля, генерируемые нейронами во время мысленного процесса печати.

Точность и архитектура: от шума к смыслу

Результаты тестов превзошли ожидания: в лучших сценариях Brain2Qwerty v2 достигла точности декодирования слов на уровне 78%. Это означает, что в расшифрованных предложениях более чем в половине случаев количество ошибок не превышало одного слова. Исследователи подтвердили прямую зависимость: чем больше объем тренировочных данных, тем выше точность системы. Это дает надежду на то, что в будущем неинвазивные МЭГ-системы смогут полностью вытеснить необходимость в хирургическом вмешательстве.

Успех проекта стал возможен благодаря интеграции технологий распознавания паттернов, аналогичных тем, что используются в современных чат-ботах, таких как ChatGPT и модели Llama от Meta. Процесс трансформации мысли в текст строится на иерархической структуре из трех этапов:

  • Первичное кодирование: ИИ анализирует "сырые" сигналы мозга и переводит их в токены, соответствующие отдельным символам.
  • Выравнивание (Alignment): Промежуточная система (aligner) группирует разрозненные буквы и символы в полноценные слова.
  • Финальный контекст (LLM): Большая языковая модель берет на себя задачу превращения набора слов в грамматически правильные и связные предложения, учитывая семантический контекст.

Это первый в истории случай успешного применения больших языковых моделей (LLM) для расшифровки зашумленных сигналов мозга.

Роль автономных агентов

В архитектуру системы также интегрированы автономные ШИ-агенты ("auto-research" agents). Их задача — самостоятельно и итеративно изменять базу кода, изобретая оптимальные архитектурные решения для снижения коэффициента ошибок (WER). Несмотря на высокую эффективность этих "множителей силы", авторы исследования подчеркивают, что ключевым элементом научного процесса по-прежнему остаются люди-исследователи.