Прорыв в неинвазивных интерфейсах «мозг-компьютер»
Восстановление коммуникации для людей, потерявших способность говорить или двигаться из-за травм мозга, остается одной из главных задач нейротехнологий. Долгое время лидировали инвазивные имплантаты, требующие хирургического вмешательства. Однако новая работа, опубликованная в arXiv (29 июня 2026 года), демонстрирует, что неинвазивные методы могут достичь сопоставимой точности. Команда из 12 исследователей, включая Минафан Чжана и Жарода Леви, представила модель Brain2Qwerty v2, способную декодировать естественные предложения в реальном времени исключительно по данным магнитоэнцефалографии (МЭГ).
Масштаб данных и ключевые метрики
Основа успеха — колоссальный объем размеченных данных. Исследователи собрали базу из 22 000 предложений, набранных на клавиатуре 9 участниками. Каждый субъект проходил запись в течение 10 часов. Модель использует многоуровневые представления (символы, слова, предложения) для анализа нейронной активности.
Ключевые результаты производительности:
| Метрика | Значение | Значимость |
|---|---|---|
| Средняя ошибка слов (WER) | 39% | Позволяет восстанавливать смысл большинства предложений |
| Точность для лучшего участника | 50% предложений с ошибкой ≤ 1 слова | Практически читаемый текст без ручной коррекции |
| Объем данных | 22 000 предложений / 9 человек | Критическая масса для обучения глубоких сетей |
Три столпа искусственного интеллекта в декодировании
Авторы выделяют три конкретных применения ИИ, которые позволили преодолеть шум неинвазивных записей:
- Глубокое обучение вместо ручных пайплайнов: Замена традиционных методов обнаружения событий на нейросетевые архитектуры, лучше улавливающие сложные паттерны.
- Дообучение больших языковых моделей (LLM): Использование LLM для извлечения семантических представлений из зашумленных сигналов мозга.
- AI-агенты для оптимизации: Автоматизированные агенты итеративно улучшают пайплайн декодирования через генерацию и тестирование кода.
Масштабирование данных как ключ к успеху
Важнейшее открытие исследования — логарифмическая зависимость точности от объема данных. Точность декодирования линейно растет (в логарифмическом масштабе) с увеличением количества обучающих примеров. Это означает, что разрыв между неинвазивными методами и хирургическими имплантатами может быть полностью преодолен за счет масштабирования данных, а не только улучшения аппаратной части.
Результаты открывают путь к созданию безопасных, эффективных и доступных нейроинтерфейсов, которые не требуют операции, но обеспечивают высокую скорость и точность передачи мыслей в текст.
Источник: arXiv cs.CL ↗