Meta 本週推出 Brain2Qwerty v2，一套無需手術的非侵入式腦轉文字 AI 系統。透過頭盔式 MEG（腦磁圖）掃描器記錄腦部神經活動，再以端到端深度學習模型直接解碼用戶想打的句子，平均單字準確率達 61%，相較此前非侵入式方法的約 8% 大幅躍升。
（前情提要：馬斯克：腦機介面Neuralink首位試用者「近完全康復」！能意念控制滑鼠遊標）
（背景補充：三星拿下腦機介面 Neuralink 第四代晶片訂單，不只讀還能「寫入」大腦）
開顱植入電極，還是戴上頭盔？這是腦機介面領域最核心的路線之爭：馬斯克的 Neuralink 選擇前者，在大腦皮層埋下晶片；Meta 則選擇後者，推出 Brain2Qwerty v2，把平均單字準確率從非侵入式方法的約 8%，一口氣拉到 61%，逼近過去只有外科手術才能達到的水準。
沒有切口，沒有植入物，只有一頂頭盔和一套深度學習模型。
從雜訊裡撈出語意：端到端模型做到什麼
MEG，全名 magnetoencephalography，腦磁圖。簡單來說就是，用超導感測器偵測神經元活動時產生的極微磁場，是神經科學實驗室常用的非侵入式腦造影裝置，不需在腦內植入任何東西。
Brain2Qwerty v2 的做法是：讓受試者戴上頭盔式 MEG 掃描器，邊打字邊記錄腦部活動，把這些原始神經訊號直接餵進一套端到端（end-to-end）AI 模型，簡單來說就是，從輸入到輸出之間不經人工設計的中間步驟，讓模型自己學出整條解碼路徑，重建用戶想打的句子。
過去的做法是手工設計 pipeline：先偵測特定神經事件（例如字母出現時的腦電反應），再逐步推導文字。Brain2Qwerty v2 放棄這條路，改用深度學習直接從混亂的原始腦訊號解碼，再用大型語言模型根據語意脈絡修正雜訊帶來的錯誤。
訓練規模：約 22,000 個句子，9 位志願者，每人錄製 10 小時資料。Meta 說，準確率會隨訓練資料量增加持續提升，這個數字還沒有到天花板。
作為對比參照，v1 早期版本在 MEG 條件下的字元錯誤率（CER）約為 32%，同樣任務換成 EEG（腦電圖）則攀升至 67%。v2 的 61% 單字準確率，代表系統整體跨越了一個數量級的門檻。
非侵入式為什麼長期輸給開刀
腦機介面研究的主流路線，幾十年來都指向植入式。原因很直接：直接貼著神經元記錄，訊號乾淨、延遲低、精度高。Neuralink、Synchron，以及 Sam Altman 支援的 Merge Labs，走的都是這條路。
非侵入式的致命弱點是訊雜比。頭骨、頭皮、頭髮都是訊號的衰減層，EEG 尤其嚴重。MEG 的磁場穿透性相對好一些，但頭盔造價昂貴，裝置動輒數百萬美元，且需要遮蔽外部磁場的特殊環境，這解釋了為什麼 MEG 長期停留在神經科學實驗室，而非臨床應用。
儘管如此，Meta 選擇 MEG 路線有它的邏輯。植入式介面面臨兩道難題：手術本身的風險，以及植入物長期在腦內的維護問題。對於因腦部病變失去溝通能力的患者而言，手術門檻往往直接排除了大多數潛在受益者。
非侵入式路線如果能達到夠高的準確率，就能在完全不動刀的前提下，覆蓋到植入式無法觸及的人群。
Meta 同時發布了系統程式碼與資料集，作為其 Digital Brain Project 的一部分，並設立一筆 500 萬美元基金，用於支援開放的神經科學資料集建設。相關論文發表於《Nature Neuroscience》。
開源的意圖：AI 加速，基準線要先拉高
Meta 在這個時間點公開程式碼與資料，背後有明確的戰略意圖。
非侵入式 BCI（腦機介面）研究的瓶頸之一，是缺乏公開的大規模神經資料集。每間實驗室都在重複收集基礎資料，效率極低。Meta 的 500 萬美元基金針對的正是這個環節，讓社群共同建構基準資料，加快整個領域的學習曲線。
同一時期，非侵入式陣營還有幾個值得追蹤的玩家：Neurable 在 2024 年 9 月推出 AI 驅動的 EEG 耳機；MIT 衍生公司 AlterEgo 走的是另一條路，偵測臉部與喉部的無聲神經肌肉訊號，把沒有說出口的語言轉成文字與指令。路徑不同，問題意識相同：有沒有可能在不開顱的前提下，讓機器理解人在想什麼、想說什麼。
Brain2Qwerty v2 的工程過程本身也透露一個細節：Meta 讓 AI agents 先系統性探索解碼 pipeline 的可能最佳化空間，工程師再從中選定最終訓練配置。這是把 AI 用來設計 AI 系統的標準做法，但用在腦訊號解碼這個任務上，象徵意義大於工程意義。
61% 對 8%，是一個醒目的對比。但更值得注意的問題是：如果準確率隨資料量線性提升，這條線會在哪裡停下來？
📍相關報導📍
Tether CEO：我們投資的 Blackrock Neurotech 已領先馬斯克 Neuralink，目標造開源腦作業系統
