Meta Brain2Qwerty系列：从恢复语言到理解语言，再到数字大脑

语言，是脑机接口最具挑战性的研究方向之一。

对于渐冻症、脑卒中以及脑外伤等患者而言，大脑往往仍然保留完整的语言能力，但由于运动神经受损，无法控制口腔、舌头或手部完成表达。如何直接从神经活动中恢复语言，使患者重新获得交流能力，成为神经工程领域长期关注的重要课题。

近期，Meta FAIR 与巴斯克认知、大脑与语言研究中心（BCBL）连续公布了 Brain2Qwerty 系列工作的最新进展。一方面，团队发布了第二代语言解码系统 Brain2Qwerty V2，对非侵入式语言解码模型进行了全面升级；另一方面，研究团队还利用同一套脑磁图数据，对人类语言生成过程中的神经活动进行了系统分析，希望进一步理解大脑如何将一个抽象想法逐步组织成为一句完整的话。

从 Brain2Qwerty V1 开始：利用脑磁图恢复输入文字

Brain2Qwerty 的研究最早发布于 2025 年。

在第一代系统中，Meta 与 BCBL 选择了一种不同于传统语言脑机接口的研究路线。研究对象并非植入电极的患者，而是健康志愿者；神经信号也不是来自皮层脑电，而是采用脑磁图（MEG）进行非侵入式记录。

实验过程中，受试者佩戴 MEG 设备，在键盘上持续输入完整句子。脑磁图同步记录整个输入过程中的脑活动，随后人工智能模型根据脑信号重建受试者正在输入的文本。整个过程无需任何植入式设备，也不依赖肌肉运动信息，而是直接利用神经活动完成语言恢复。

与此前大量依赖侵入式神经记录的研究相比，Brain2Qwerty V1 将语言解码扩展到了非侵入式脑机接口领域。这一工作表明，即使脑信号经过颅骨传播后发生明显衰减，其中仍然保留着能够支持连续语言恢复的神经信息，为后续非侵入式语言脑机接口的发展提供了新的技术基础。

与此同时，Brain2Qwerty V1 也暴露出非侵入式方案面临的主要限制。由于脑磁图记录信号包含大量噪声，模型仍需要依赖较复杂的数据预处理流程，包括神经事件检测、人工设计特征以及多阶段解码策略，整体系统距离侵入式脑机接口的性能仍存在较大差距。

因此，Brain2Qwerty 第二代工作的重点，并不仅仅是提高解码准确率，而是重新设计整个神经解码流程。

Brain2Qwerty V2：从人工特征走向端到端神经解码

在 Brain2Qwerty V2 中，研究团队对模型架构进行了较大调整。

传统脑机接口中的语言解码通常需要经过多个独立步骤。首先对脑信号进行滤波、降噪和时间窗划分，再利用人工设计的方法提取神经特征，最后输入分类模型或语言模型完成解码。这种流程虽然能够降低神经信号的复杂性，但模型性能在较大程度上依赖于人工特征设计，不同实验之间也难以形成统一的数据处理流程。

Brain2Qwerty V2 采用了端到端深度学习框架，直接从原始脑磁图信号学习神经表征，不再依赖传统神经事件检测和大量人工设计特征。研究团队共采集了 9 名健康志愿者约 2.2 万个句子的脑磁图数据，并利用这些数据完成模型训练，使系统能够直接建立脑活动与文字之间的映射关系。

端到端训练带来的变化不仅体现在模型结构上，也改变了神经信号的学习方式。相比人工筛选神经特征，深度网络能够在训练过程中自动学习不同时间尺度上的神经活动模式，并逐步形成适合语言恢复的内部表征。这种训练方式已经广泛应用于计算机视觉和自然语言处理领域，而在非侵入式语言脑机接口中的系统应用仍相对较少。

除模型架构外，Brain2Qwerty V2 还将大语言模型引入神经解码流程。

研究团队在神经数据基础上对语言模型进行了微调，使模型能够结合语言上下文完成连续句子的恢复。当脑磁图提供的神经信息存在不确定性时，语言模型可以利用上下文语义约束，对后续词汇进行联合预测，从而提高连续文本的整体一致性。

此外，研究团队还利用 AI Agent 对不同训练策略进行了自动搜索，再由研究人员筛选最终训练配置，以进一步优化整个解码流程。

Brain2Qwerty V2：解码性能提升背后的技术变化

在实验验证中，Brain2Qwerty V2 展现出了目前非侵入式语言解码系统中较高的性能水平。

研究结果显示，系统平均单词解码准确率达到61%，最佳受试者达到78%，相比此前公开的非侵入式语言解码方法约8%的准确率有明显提升。同时，在超过一半的测试句子中，模型产生的错误不超过一个单词，说明系统已经能够较稳定地恢复完整句子的语义结构，而不仅仅局限于个别词汇的识别。

对于语言脑机接口而言，这一提升并不仅意味着识别率的增加，更反映出模型对于连续语言建模能力的改善。

传统脑机接口中的语言解码，大多围绕单个字符、单词或固定指令展开。当解码对象扩展到自然语言句子时，模型不仅需要识别每一个词，还需要维持句子的上下文一致性，避免错误随着句子长度不断累积。因此，连续句子的恢复一直是语言脑机接口中难度最高的问题之一。

Brain2Qwerty V2 采用端到端模型与语言模型联合建模后，系统能够同时利用神经活动信息和语言上下文信息完成预测，使模型在神经信号存在噪声时，仍能够维持较好的句子连贯性。这也是其能够恢复完整句子的一个重要原因。

研究团队还进一步分析了模型性能与数据规模之间的关系。

实验结果显示，随着训练数据持续增加，模型准确率仍保持近似对数线性的增长趋势，并未出现明显的平台期。这意味着，目前模型性能仍然受到训练数据规模的限制，而不是已经达到算法能力的上限。对于近年来快速发展的人工智能而言，这一现象并不陌生。无论是视觉模型还是大语言模型，都表现出类似的数据扩展规律，而 Brain2Qwerty V2 也呈现出相似的发展趋势。

这一发现也成为 Meta 后续开放 Brain2Qwerty 训练代码和数据集的重要原因。研究团队希望通过开放研究资源，进一步扩大脑科学数据规模，为后续神经基础模型的训练提供支持。

除了解码语言，Meta 还在研究语言是如何产生的

如果说 Brain2Qwerty V2 的第一项工作关注的是如何恢复语言，那么同期公布的另一项研究，则关注另一个更加基础的问题——语言在大脑中是如何形成的。

长期以来，人类对于语言产生过程已经形成了较为成熟的认知模型，例如 Broca 区参与语言表达，Wernicke 区参与语言理解，不同脑区共同完成语言加工。然而，从一个抽象想法产生，到最终完成说话、打字等具体动作，中间经历了怎样的信息组织过程，仍然缺乏足够直接的实验观测。

其中一个重要原因在于技术限制。

传统神经影像设备虽然能够记录脑活动，但人在真正说话时，嘴唇、舌头等运动会产生大量肌电干扰，影响神经信号质量。因此，大脑如何组织语言这一动态过程，一直较难进行连续观测。

为了解决这一问题，Meta 研究团队选择将语言输出方式改为键盘输入。

受试者在输入完整句子的过程中，研究人员利用脑磁图连续记录神经活动，并结合人工智能模型，对每秒约 1000 次采样得到的大脑状态进行分析，从而观察语言生成过程中不同阶段的神经表征变化。

分析结果显示，大脑生成语言并不是一次完成的，而是沿着多个层级逐步展开。

最初形成的是整句话所表达的语义信息，即一句话希望传递的整体含义；随后，大脑开始将语义组织成具体词汇，再进一步分解为音节、字母等更细粒度的语言单元，最终转化为手指在键盘上的具体按键动作。整个过程体现出一种由抽象到具体、由语言到运动的连续转换过程。

这种层级式编码，与当前自然语言处理模型中由高层语义逐步映射到底层输出的计算过程存在一定相似性，也为利用人工智能研究神经计算机制提供了新的实验框架。

动态神经编码：大脑如何保持连续表达

除了揭示语言生成的层级结构，研究团队还观察到另一种值得关注的神经活动模式。

实验结果显示，大脑并不会等一个词完全结束之后，再开始处理下一个词。

相反，在连续表达过程中，不同词汇对应的神经表征会同时存在，并按照不同时间尺度不断更新。部分神经活动负责当前正在输出的词汇，而另一部分神经活动已经开始组织后续内容，使整个语言表达过程能够保持连续流畅。研究团队将这一机制称为动态神经编码（Dynamic Neural Coding）。

这种动态编码方式，使大脑能够在连续表达过程中，同时维持多个层级的信息，包括句子语义、词汇顺序以及具体运动控制，而不会因为逐词处理而降低表达效率。

对于神经科学而言，这项研究提供了一种新的观察语言生成过程的方法。相比过去依赖行为实验推测语言加工过程，人工智能模型开始能够直接参与脑信号分析，对不同时间尺度上的神经活动进行连续建模，为研究语言神经机制提供了新的技术工具。

https://www.nature.com/articles/s41593-026-02303-2

脑机接口社区是国内首家脑机接口(BCI)产业服务平台、国内脑机接口新媒体开创者与引领者。主要为企业、科研团队、投资机构和从业者提供以下服务：

宣传报道：图文、短视频、直播形式报道企业动态、技术解读、产品介绍等内容，提升曝光和行业影响力。

资源对接：根据需求匹配资本、供应链、临床机构、渠道方等资源，完成真实对接，促进合作。

成果转化：协助技术团队寻找产业方、投资人及落地场景，推动技术到产品的转化。

活动策划执行：承接线上线下路演、沙龙、论坛等活动的策划与执行。

其他定制需求：包括报告定制、市场调研、人才招聘支持等个性化服务。

合作洽谈，请联系微信：ZuoLeiLeiya

（备注：姓名-单位-合作）

投稿丨成为创作者，请联系微信：RoseBCI

不错过每一条脑机前沿进展

一键三连「分享」、「点赞」和「在看」

欢迎在评论区聊聊