2026年6月29日，Meta发布了一项名为Brain2Qwerty v2的研究成果：受试者戴上一顶连接着巨型磁感应器的头盔，在键盘上打字——AI系统仅凭脑磁图信号，就把他们”想打的字”还原了出来，平均词准确率61%，表现最好的受试者达到了78%。
不需要开颅手术。不需要在脑皮层植入电极。一台冰箱大小的MEG设备，加上一套深度学习模型，就做到了。
怎么做到的：从脑磁场到文字的三步
这项技术的核心链路，拆开来看并不复杂。
第一步，捕捉脑磁场。 当人想要打字时，大脑运动皮层会产生微弱的电活动，电活动又会产生更微弱的磁场。脑磁图（Magnetoencephalography，MEG）设备用超导量子干涉器（SQUID）阵列捕捉这些磁场变化——精度远高于大家更熟悉的脑电图（EEG），因为它不受颅骨和头皮组织导电性不均匀的干扰。代价是设备必须在超低温下运行，所以MEG机器看起来像个巨大的冰箱。
第二步，端到端深度学习解码。 传统的脑信号处理需要人工设计特征提取——比如先判断”这个人准备按键了”，再判断”按的是哪个键”。Brain2Qwerty v2的做法不同：直接把原始MEG信号喂给深度神经网络，让模型自己学习信号和按键之间的映射关系。研究团队还在训练流程中引入了AI Agent自动探索最优解码架构，最终由工程师手动选择配置。
第三步，用大语言模型”纠错”。 纯粹从信号解码出的字符序列往往是碎片化的。Meta的做法是把大语言模型接入解码管线——用语言的语义约束反过来修正解码结果。举例来说，如果MEG信号解码出了”我今天去了超”，模型会根据语言统计规律补充为”我今天去了超市”。这种”脑信号 → 字符 → 语义修正”的三级管线，是准确率从v1跳到v2的关键。
Meta在博客中透露，Brain2Qwerty v2在约22,000个句子上训练，9名志愿者每人佩戴MEG设备约10小时，一边看屏幕提示一边打字。数据量每翻一倍，准确率呈对数线性增长——这说明目前的61%远没到天花板，扩大数据集是一条明确的上坡路。
数字背后：61%到底意味着什么？
说”61%词准确率”可能有点抽象，笔者试着把它还原到具体场景。
假设受试者想打一句话：“今天的天气真好适合出门散步”，共8个词。在61%的平均准确率下，大约5个词被正确还原，3个词出错。而表现最好的受试者（78%准确率）则能做到超过半数句子只错1个词或完全正确。
对比一下更能看清这个数字的份量：同类非侵入式方法在此前的文献中平均词准确率仅约8%。Brain2Qwerty v2把这个基准线直接抬高了7倍多。
但脱离参照系谈绝对数字没有意义。如果跟侵入式脑机接口比——比如在癫痫患者颅内植入电极的sEEG/ECoG解码——v2的61%仍有明显差距。不过Meta在论文中指出，准确率随数据量呈对数线性提升，意味着即使不改变硬件路线，仅靠扩大训练规模就有望继续缩短这段距离。
两条路线的对撞：不开颅 vs 开颅
脑机接口（BCI）领域一直存在两条技术路线。一条是Neuralink为代表的侵入式路线——在颅骨上钻孔，把比头发丝还细的电极丝植入大脑皮层。2024年初，Neuralink完成了首例人体植入，受试者靠”意念”玩《文明6》和下国际象棋的画面传遍全球。信号质量极高，但手术风险、生物相容性、电极长期稳定性都是绕不开的坎。
另一条就是Meta走的非侵入式路线。不需要手术，没有感染风险，理论上任何人都可以戴上设备参与实验。代价同样明显：信号穿越颅骨和头皮后被大幅衰减，信噪比远不如植入式。
Brain2Qwerty v2的意义在于，它证明即使信号被严重衰减，只要数据量和AI模型足够强，非侵入式路线也能逼近此前只有”开颅”才能达到的解码水平。非侵入式现阶段还不能取代侵入式，但它证明了存在另一条可行的技术路径，尤其是对那些无法或不愿接受脑部手术的患者而言。
现实局限：冰箱、噪音和没有直播
笔者查阅了Meta官方博客和Hacker News上的技术讨论（131个赞同，70条评论），从业者指出了几个绕不开的局限。
设备巨大。 MEG依赖超导量子干涉器，必须用液氦冷却到接近绝对零度。整台设备有冰箱那么大，受试者必须保持头部静止。Neuroscape等团队在开发小型化fMRI，但MEG的便携化目前看不到明确路线图。
信噪比问题依然存在。 多位HN评论者指出，MEG信号本质上非常微弱，需要大量平均和精细的去噪处理。即便是v2，解码质量也高度依赖受试者是否保持静止、校准是否到位。
Meta没有展示实时演示。 这是HN讨论中被反复提及的一点。博客中提到的”real-time”指的是管线可以端到端实时运行，但目前公开的只有实验结果和代码，没有像Neuralink那样的活体演示视频。
个体差异巨大。 9名受试者的解码表现并不均匀——从平均61%到最好78%的差距说明，目前的技术对不同人脑的泛化能力还远不成熟。
隐私焦虑：广告公司做读心术？
HN讨论的另一个焦点，笔者觉得有必要转述：一家靠广告盈利的公司，为什么要研究脑信号解码？
有评论者写道：“我们在互联网追踪上已经错过了窗口期，但神经追踪的窗口还没关上。“另有人回应：“对一家广告公司研究读心术保持乐观，这本身就是一件很难的事。”
但也有不同的声音。一位口吃患者在评论中分享了自己的经历，认为这类技术最大的受益者是因脑损伤、肌萎缩侧索硬化（ALS）或中风丧失语言能力的患者。他写道：“我的口吃不算严重，但我认识的人会很感激这项技术带来的可能性——比如通过线上求职面试。”
Meta在博客中也明确将应用场景指向了”数百万因脑损伤无法沟通的患者”，而非消费级产品。同时，Meta将全套训练代码和v1数据集开源，并联合BCBL（巴斯克认知、脑与语言中心）推动开放研究。
当然，开源并不自动解决隐私问题。技术一旦成熟，规范如何使用、由谁监管、脑数据的产权归属将比今天的数据隐私辩论严峻得多。这需要在产业爆发之前建立规则，而非事后补救。
笔者的判断
Brain2Qwerty v2不是一项改变世界的突破——61%的词准确率离实用还有距离，MEG设备的天价和小型化难题让它的应用停留在实验室。但它的方向感是清晰的：证明非侵入式脑信号解码在数据+AI的加持下有一条可量化的提升曲线。
2024年Neuralink展示了”开颅打字”，2026年Meta展示了”不开颅打字”。两条路线在各自的约束条件下各自推进，最终谁能跑通从”实验室可行”到”临床可用”的最后一公里，现在下结论还太早。
但笔者倾向于认为，对于大多数因神经系统疾病失去沟通能力的患者而言，不需要手术永远是一个更有吸引力的选项——即使它目前还不够准。
参考链接：