脑机接口（BCI）技术领域迎来新进展，MetaAI全新发布的Brain2Qwerty模型成为焦点。一直以来，BCI致力于为言语或运动障碍人群搭建沟通桥梁，然而传统方式多需侵入性手术，像植入电极，不仅伴有医疗风险，后续长期维护也较为麻烦。为此，研究者将目光投向非侵入性替代方案，基于脑电图（EEG）的方法备受关注。可惜的是，EEG技术存在信号分辨率低的问题，对其准确性产生了不利影响。
为攻克这一难题，Brain2Qwerty模型应运而生。该深度学习模型能够从EEG或脑磁共振成像（MEG）捕捉的脑活动中，解码出参与者输入的句子。研究过程中，参与者在QWERTY键盘上输入短暂记忆的句子，同时脑活动被实时记录。与以往依靠集中注意力于外部刺激或想象运动不同，Brain2Qwerty借助自然的打字运动，提供了更为直观的脑电波解读途径。
Brain2Qwerty模型架构包含三个关键模块。先是卷积模块，负责从EEG或MEG信号里提取时间与空间特征。随后是变换器模块，对输入序列进行处理，优化理解与表达。最后是语言模型模块，作为预训练的字符级语言模型，用于修正并提高解码结果的准确性。
在对Brain2Qwerty模型性能评估时，研究者采用字符错误率（CER）作为衡量指标。结果表明，基于EEG的解码CER为67%，相对偏高；而使用MEG的解码效果明显提升，CER降至32%。实验中，表现最佳的参与者CER达到19%，展现出该模型在理想条件下的巨大潜力。
尽管Brain2Qwerty在非侵入性BCI领域前景向好，但仍面临诸多挑战。其一，当前模型需处理完整句子，无法实现逐个按键的实时解码。其二，虽然MEG性能优于EEG，但其设备便携性差且普及程度有限。其三，该研究主要在健康参与者中开展，未来还需深入探究其对运动或言语障碍者的适用性。
