Meta مؤخرًا مفتوح المصدر Brain2Qwerty v2، وهو عبارة عن واجهة غير جراحية للدماغ والكمبيوتر (BCI) يمكنها فك تشفير الجمل من الأفكار باستخدام إشارات تخطيط كهربية الدماغ (EEG) أو تخطيط الدماغ المغناطيسي (MEG) من الدماغ. وفي التقييمات، حقق النظام معدل دقة للكلمات بلغ 61% في المتوسط، مقارنة بـ 8% للطرق غير الجراحية الأخرى.
يستخدم Brain2Qwerty نموذجًا للتعلم العميق من ثلاث مراحل للتنبؤ بالشخصيات من إشارات الدماغ. أثناء جمع البيانات، عُرضت على المشاركين جمل وطُلب منهم تذكرها قبل الكتابة. وجدت ميتا أن أداء إشارات MEG كان أفضل، حيث بلغ متوسط معدل خطأ الأحرف (CER) 29% مقابل 65% لـ EEG. بالمقارنة مع نموذج EEGNet الأساسي، كان لدى Brain2Qwerty معدل خفض الانبعاثات المعتمد أفضل بمقدار 2.5 مرة. للمساعدة في البحث عن النماذج المفتوحة للدماغ، قامت Meta بإتاحة كود النموذج وبيانات التدريب على الإنترنت. وفقا لميتا ،
نعتقد أن هذا البحث لديه القدرة على إحداث فرق حقيقي لملايين الأشخاص الذين يعانون من آفات الدماغ التي تمنعهم من التواصل…وجدنا أيضًا أن دقة فك التشفير تتحسن بشكل خطي مع حجم البيانات، مما يشير إلى أن فجوة الأداء المتبقية مع الأساليب الجراحية يمكن تضييقها بشكل أكبر من خلال قياس البيانات وحدها…نقوم بذلك بالتعاون الوثيق مع المجتمع، من خلال صندوقنا الأخير بقيمة 5 ملايين دولار لتحفيز مجموعات البيانات المفتوحة في مشروع الدماغ الرقمي الخاص بنا. أملنا هو أن يؤدي هذا العمل، الذي يتم تنفيذه في العلن، إلى تطوير علم الأعصاب لتحديد وتشخيص وعلاج الاضطرابات العصبية بشكل أسرع من العزلة.
كان العمل السابق في التقنيات غير الجراحية محدودًا بسبب “تعقيد الضوضاء” في إشارات الدماغ. تعتبر التقنيات الغازية مثل تخطيط كهربية القشرة (ECoG) أكثر موثوقية، ولكن نظرًا لأنها تتطلب عملية جراحية، فهي “يصعب قياسها”، وفقًا لميتا. في عام 2025، أصدرت ميتا Brain2Qwerty v1؛ يحتوي النموذج الجديد على معدل خطأ في الكلمات (WER) يبلغ ضعفه تقريبًا، مما “يضيق الفجوة بشكل كبير” مع معدل الخطأ في الكلمات للتقنيات الغازية.
يحتوي Brain2Qwerty v2 على ثلاث وحدات: جهاز تشفير يأخذ إشارات الدماغ كمدخلات ومخرجات لتنبؤات الأحرف؛ مصفف يجمع الأحرف في كلمات؛ وLLM الذي يولد المخرجات النهائية من البيانات المحاذاة. إحدى النتائج غير المتوقعة لهذه البنية هي أن النظام يمكنه تصحيح الأخطاء “المطبعية” عندما يخطئ المستخدمون البشريون في تهجئة الكلمات.
في منشور على X حول الإصدار الجديد، قام Tory Green، المؤسس المشارك لـ io.net، بمقارنة أداء Brain2Qwerty v2 مع v1:
يبدو أن القفزة من الإصدار 1 إلى الإصدار 2 جاءت بالكامل تقريبًا من بيانات التدريب الإضافية بمقدار 10 أضعاف، وليس اختراقًا معماريًا. هذه في الواقع النتيجة الأكثر إثارة. وهذا يعني أن العامل المحدد الآن هو البيانات المصنفة من الأشخاص الذين يرتدون سماعات الرأس MEG، وليس الصعوبة الأساسية للمشكلة. إن مثل هذه القيود يمكن حلها بشكل أسرع مما يتوقعه الناس.
يتوفر كود Brain2Qwerty v2 على Github ويمكن تنزيل بيانات التدريب من Huggingface. يعد Brain2Qwerty جزءًا من مشروع Meta’s Digital Brain، والذي “[open-sources] نمذجة نشاط الدماغ للعلوم والطب.” وتشمل أدوات الدماغ الرقمية الأخرى NeuralSet، وهي حزمة بايثون لمعالجة الإشارات العصبية مثل MEG وEEG؛ وNeuralBench، وهو “إطار موحد لقياس نماذج الذكاء الاصطناعي لنشاط الدماغ”.
