每年都有无数人因中风、意外或脑部疾病丧失说话和行动的能力。传统的脑机接口虽然能帮助这些患者重获沟通能力，但需要将电极植入大脑，手术风险高昂。现在，Meta旗下的AI研究团队（FAIR）带来了一个更安全的替代方案：Brain2Qwerty——一种通过分析大脑活动直接解码句子的非侵入式方法，无需任何手术。
从脑电波到完整句子
研究团队开发的Brain2Qwerty深度学习架构，能够从两种非侵入式脑信号中解码句子：脑电（EEG）和脑磁图（MEG）。在实验中，35名健康志愿者在QWERTY键盘上打出事先记忆的句子，同时用设备记录他们的大脑活动。
结果令人瞩目：
| 信号类型 | 平均字符错误率 | 最佳参与者错误率 |
|---|---|---|
| MEG（脑磁图） | 约32% | 约19% |
| EEG（脑电图） | 约67% | — |
MEG的字符错误率不到EEG的一半。表现最好的参与者，错误率可低至18%，而且模型能准确解码训练集之外的句子，说明它学到的不是简单记忆，而是真正的泛化能力。
三模块架构：从字母到句子
Brain2Qwerty v2的架构由三个层次模块组成，协同工作以提升解码精度：
- 卷积编码器：从原始脑信号中提取特征模式
- Transformer：捕捉脑活动序列中的时间依赖关系
- 字符级语言模型：在字符、单词和句子三个层面联合优化解码
此外，研究团队还利用微调的大语言模型提取语义表征，并用AI代理自动迭代优化解码流程。v2版本在9名受试者中每人采集了约10小时、共计22000句的数据，训练数据量是v1的10倍，平均词错误率降至39%（即61%的词准确率），最佳参与者达到78%的词准确率。
为什么MEG远胜EEG？
同一个模型、同样的任务、甚至同样的受试者，MEG和EEG的结果差距悬殊。根本原因在于信号质量：
- MEG直接测量大脑神经活动产生的磁场，空间分辨率高，信号清晰
- EEG通过头皮电极测量电位，信号经过颅骨衰减后空间分辨率大大降低
这说明在非侵入式脑机接口领域，传感器技术的选择至关重要——甚至比算法优化更关键。
缩小侵入与非侵入的鸿沟
此前，非侵入式方法的准确率与植入式设备之间存在巨大差距。Brain2Qwerty将这个差距显著缩小了。更关键的是，研究发现解码精度与数据量呈对数线性增长关系：数据越多，准确率越高。这意味着性能提升还有很大空间，差距有望通过数据规模的扩大进一步弥合。
对于中风、渐冻症（ALS）等失去语言能力的患者来说，这意味着未来可能不需要开颅手术就能通过大脑活动与外界沟通。
现实挑战与未来方向
这项研究仍然处于早期阶段，距离临床应用还有几个关键障碍：
- 受试者局限：目前仅测试了健康志愿者，实际患者的脑活动模式可能不同
- 设备限制：MEG设备体积庞大，需要在屏蔽室内运行，远未达到便携
- 个体差异：不同人的脑活动模式差异巨大，模型需要更强的适应性
- 伦理考量：大脑信号的读取涉及神经隐私，需要法律和伦理框架同步推进
不过，研究团队已将训练代码开源（CC BY-NC 4.0许可），这将加速全球研究者的跟进和改进。
结语
Brain2Qwerty证明了一件事：AI可以从透过颅骨传出的微弱磁信号中提取出真正的语言信息。这是非侵入式脑机接口领域的一个里程碑——不用手术、不用植入电极，也能"读"到你正在想打的话。虽然离真正普及还有很长的路，但安全、高效的脑机交互已经不再是科幻。
论文来源：Nature Neuroscience, Lévy et al. (2026). Noninvasive decoding of typed sentences from human brain activity.
论文链接：Nature Neuroscience
Meta研究页面：Accurate Decoding of Natural Sentences from Non-Invasive Brain Recordings