Технологічний гігант Meta оголосив про прорив у сфері нейрокомп'ютерних інтерфейсів, представивши нову версію системи Brain2Qwerty v2. Інноваційний алгоритм здатний трансформувати складну активність людського мозку у чіткий друкований текст, відкриваючи нові горизонти для комунікації та керування пристроями силою думки.

Експеримент в Іспанії: як навчали ШІ

Розробка та тестування системи проходили на базі Баскського центру когніції, мозку та мови (BCBL) у Сан-Себастьяні. Для навчання нейронної мережі було залучено фокус-групу з дев'яти здорових добровольців віком від 25 до 56 років. Учасники пройшли інтенсивний процес збору даних, що складався з 10 сесій, під час яких кожен із них згенерував понад 2 500 речень.

Ключовою відмінністю дослідження став метод фіксації сигналів. Замість інвазивних операцій використовувалася магнітна енцефалографія (МЕГ). Добровольці одягали спеціальний шолом, який неінвазивно сканував надслабкі магнітні поля, що генеруються нейронами під час мисленнєвого процесу друку.

Точність та архітектура: від шуму до змісту

Результати тестів перевершили очікування: у найкращих сценаріях Brain2Qwerty v2 досягла точності декодування слів на рівні 78%. Це означає, що у розшифрованих реченнях у більш ніж половині випадків кількість помилок не перевищувала одного слова. Дослідники підтвердили пряму залежність: чим більший обсяг тренувальних даних, тим вища точність системи. Це дає надію на те, що в майбутньому неінвазивні МЕГ-системи зможуть повністю витіснити необхідність у хірургічному втручанні.

Успіх проекту став можливим завдяки інтеграції технологій розпізнавання патернів, аналогічних тим, що використовуються в сучасних чат-ботах, таких як ChatGPT та моделі Llama від Meta. Процес трансформації думки в текст будується на ієрархічній структурі з трьох етапів:

  • Первинне кодування: ШІ аналізує "сирі" сигнали мозку та перетворює їх на токени, що відповідають окремим символам.
  • Вирівнювання (Alignment): Проміжна система (aligner) групує розрізнені літери та символи у повноцінні слова.
  • Фінальний контекст (LLM): Велика мовна модель бере на себе завдання перетворення набору слів у граматично правильні та зв'язні речення, враховуючи семантичний контекст.

Це перший у історії випадок успішного застосування великих мовних моделей (LLM) для розшифровки зашумлених сигналів мозку.

Роль автономних агентів

До архітектури системи також інтегровані автономні ШІ-агенти ("auto-research" agents). Їхнє завдання — самостійно та ітеративно змінювати базу коду, винаходячи оптимальні архітектурні рішення для зниження коефіцієнта помилок (WER). Попри високу ефективність цих "множників сили", автори дослідження підкреслюють, що ключовим елементом наукового процесу досі залишаються люди-дослідники.