Meta ha presentato Brain2Qwerty v2, un sistema di brain-computer interface non invasiva progettato per ricostruire frasi naturali a partire dai segnali cerebrali rilevati in tempo reale con magnetoencefalografia, o MEG. Il progetto si colloca nell’area delle interfacce cervello-computer dedicate al recupero della comunicazione nelle persone che hanno perso la capacità di parlare o muoversi a causa di lesioni cerebrali o patologie neurologiche.
Il sistema non utilizza elettrodi impiantati nel cervello. La rilevazione avviene dall’esterno attraverso sensori MEG, che misurano i campi magnetici prodotti dall’attività neuronale. Questo evita chirurgia e impianti permanenti, ma rende il problema di decodifica molto più difficile: il segnale è meno diretto, più debole e maggiormente influenzato dal rumore rispetto alle tecnologie invasive come ECoG o SEEG.
Brain2Qwerty v2 affronta il problema con un’architettura end-to-end. Invece di affidarsi a una lunga sequenza di filtri e passaggi di elaborazione progettati manualmente, il modello riceve segnali cerebrali grezzi e apprende direttamente la trasformazione in rappresentazioni di caratteri, parole e frasi. Questa scelta consente al sistema di sfruttare pattern neurali che potrebbero essere persi in una pipeline tradizionale basata su regole fisse o feature estratte a priori.
Per l’addestramento sono stati raccolti circa 22.000 esempi di frasi digitate da nove partecipanti, ciascuno sottoposto a dieci ore di registrazione MEG. Il modello utilizza anche rappresentazioni linguistiche ottenute dal fine-tuning di un large language model, che aiuta a collegare il segnale cerebrale a strutture semantiche e sintattiche plausibili. L’obiettivo non è soltanto riconoscere lettere isolate, ma ricostruire una sequenza linguistica coerente mentre la persona la sta producendo.
I risultati indicano una word error rate media del 39%, corrispondente a circa il 61% di accuratezza a livello di parola. Nel partecipante con le prestazioni migliori, metà delle frasi è stata decodificata con al massimo un errore di parola. Si tratta di un salto rilevante per un sistema non invasivo, soprattutto perché le precedenti soluzioni brain-to-text senza impianti avevano raggiunto livelli di accuratezza molto più bassi.
Un aspetto importante riguarda la relazione tra quantità di dati e prestazioni. Il modello mostra un miglioramento regolare all’aumentare degli esempi raccolti, suggerendo che una parte significativa del divario rispetto alle BCI invasive potrebbe essere ridotta attraverso dataset più ampi e registrazioni più prolungate. In altre parole, l’ostacolo non è soltanto la qualità dell’algoritmo, ma anche la disponibilità di grandi raccolte di segnali neurali associati a comportamenti linguistici reali.
Meta ha inoltre utilizzato agenti AI per ottimizzare iterativamente la pipeline di decodifica attraverso sviluppo automatico di codice, mentre la configurazione finale è stata verificata dai ricercatori. Il progetto mostra come modelli linguistici, deep learning e automazione della ricerca possano convergere nella costruzione di BCI meno invasive. La distanza da un uso clinico diffuso resta ampia, anche per la complessità e il costo delle apparecchiature MEG, ma Brain2Qwerty v2 indica che la decodifica di frasi complete senza chirurgia sta iniziando a raggiungere risultati prima associati quasi esclusivamente agli impianti cerebrali.