Meta показала вторую версию Brain2Qwerty — это неинвазивный BCI, который пытается восстановить набираемый текст по сигналам мозга. Средняя точность распознавания слов выросла до 61%, но система по-прежнему завязана на физический набор текста и не умеет работать в реальном времени. Для разработчиков и продуктовых команд это хороший маркер состояния рынка: шума вокруг brain-computer interface много, а до нормального пользовательского сценария все еще очень далеко.
О новом результате, как пишет The Register, Meta рассказала 30 июня 2026 года одновременно с публикацией двух научных работ. В эксперименте участвовали девять человек: каждый примерно по 10 часов печатал предложения в шлеме MEG, а модель училась сопоставлять нейронную активность с вводимым текстом. Всего в обучении использовали около 22 тысяч предложений. На выходе система достигла средней точности 61% по словам, а лучший участник показал 78%.
Если смотреть не на слова, а на посимвольную ошибку, картина тоже стала понятнее. Для MEG средний character error rate составил 29%, для EEG — 65%. И здесь самый важный практический вывод не про красивую презентацию Meta, а про железо: электроэнцефалография, которую чаще используют в массовых экспериментах из-за доступности, опять проиграла по качеству сигнала. MEG оказался заметно лучше, потому что у него выше отношение сигнала к шуму. И это, пожалуй, один из самых честных итогов всей работы: без хорошего сенсора даже самый бодрый стек из deep learning и LLM не спасает.
Собственно, архитектура проекта строится именно на этом компромиссе. Сначала система снимает мозговые сигналы во время печати, потом прогоняет их через end-to-end-модели глубокого обучения, а затем подключает языковую модель, которая помогает собрать из шумных данных осмысленную фразу. Meta отдельно подчеркивает, что дообучение LLM на нейроданных позволяет использовать семантический контекст и тем самым подтягивать результат. Дополнительно компания использовала AI-агентов для перебора оптимизаций в decoding pipeline, а финальные конфигурации уже выбирали инженеры вручную. Звучит как типичный 2026 год: где нельзя уверенно декодировать сигнал, туда прикручивают языковую модель и много вычислений.
Но у Brain2Qwerty есть проблема, которую не спрячешь в графиках. Этот неинвазивный BCI обучается на наборе текста, то есть на действии, которое целевая аудитория таких систем часто не может выполнить. Исследователи сами признают это в выводах: текущий дизайн еще может пригодиться людям с ограниченной подвижностью, но для полностью парализованных пациентов, включая locked-in cases, подход в нынешнем виде почти бесполезен. Чтобы перейти к этой группе, нужно менять саму постановку задачи — уходить в motor imagery и строить модели, которые смогут надежно обобщаться между разными людьми, а не работать только в тщательно собранном лабораторном сетапе.
Есть и второй стоп-фактор: отсутствие непрерывного вывода. Нынешняя версия Brain2Qwerty не умеет отдавать текст по ходу взаимодействия. Трансформер и языковая модель выдают результат только после завершения прогона, когда эксперимент окончен и все предложение уже набрано. Для научной демонстрации этого достаточно. Для коммуникационного интерфейса — нет. Если пользователь не получает обратной связи в процессе, это уже не инструмент общения, а офлайн-декодер с красивой презентацией.
Более того, системе все еще нужны явные привязки к нажатиям клавиш. В работе прямо сказано, что текущий пайплайн требует выравнивать сегменты MEG по моментам нажатия клавиш. Проще говоря, модель знает, когда человек нажал кнопку, и уже вокруг этого события пытается понять, какой именно символ или слово были связаны с соответствующей мозговой активностью. Именно поэтому разговоры про «чтение мыслей» здесь стоит воспринимать с холодной головой: пока это ближе к сложной реконструкции уже выполненного действия, чем к свободному декодированию внутренней речи.
На фоне этого особенно заметен разрыв с инвазивными системами, где используют имплантируемые интерфейсы. The Register приводит ориентир: в других экспериментах хирургические BCI уже доходили до 92% точности на уровне предложений. Да, цена вопроса там совсем другая: операция, медицинские риски, сложная регуляторика, ограниченный масштаб. Но если смотреть только на полезность для пациента, импланты пока значительно впереди. Meta, по сути, показала не конкурента этим системам, а аккуратное напоминание о том, насколько трудной остается задача для неинвазивного подхода.
Для IT-рынка здесь несколько приземленных выводов. Первый: прогресс в нейроинтерфейсах действительно идет, и 61% после прежних однозначных процентов — не мелочь. Второй: комбинация из сенсоров, глубокого обучения и LLM уже дает осязаемый прирост качества, но не отменяет физические ограничения источника данных. Третий: коммерциализация таких решений упрется не только в модели, но и в форм-фактор, цену оборудования, требования к калибровке и персонализации. MEG — это не гаджет, который завтра положат рядом с ноутбуком и корпоративной гарнитурой.
Неинвазивный BCI Meta в итоге выглядит не как будущий массовый продукт, а как важная исследовательская веха. Компания показала, что потолок у неинвазивных систем еще не достигнут, но одновременно очень наглядно обозначила их пределы: без клавиатуры, без лаборатории и без заранее размеченных событий магии пока не получается. Главный вопрос теперь не в том, доберется ли точность до еще более красивого процента, а в том, удастся ли вообще перейти от декодирования набора текста к непрерывному и универсальному интерфейсу общения. Исходный материал с деталями эксперимента опубликован у .