2026년 6월 29일, Meta의 AI 연구팀 FAIR는 공식 블로그에 연구 성과의 업데이트 버전을 공개했다. 이 연구의 이름은 Brain2Qwerty — 뇌 신호를 곧바로 텍스트로 변환하는 딥러닝 시스템이다. v1 버전은 이미 작년에 《Nature Neuroscience》에 게재되었으며, 당시 문자 오류율(CER) 32%를 기록했다. 기존의 모든 비침습 방식보다 우수했지만, 실용화까지는 상당한 거리가 있었다. 이제 v2가 공개되었다: 9명의 자원자가 각각 뇌자도(MEG) 장치를 착용한 채 10시간 동안 타이핑을 수행, 총 약 22,000문장을 생성했고, 학습된 모델의 평균 단어 정확도는 61%, 최고 성능 참가자는 78% 에 도달했다.
핵심은 이 문장의 첫 수식어에 있다: 「착용한 채」 — 수술도, 개두도, 임플란트도 아니다.
같은 날, 이 연구의 전체 학습 코드가 GitHub에 공개되었고, v1 데이터셋도 파트너 기관인 BCBL(바스크 인지·뇌·언어 센터)이 함께 공개했다. 뇌-컴퓨터 인터페이스 분야로서는 「비침습 접근법」이 제출한 지금까지 가장 강력한 성적표다.
「신호 감쇠」라는 숙적
이 성과가 왜 중요한지 이해하려면, 뇌-컴퓨터 인터페이스 분야에서 피할 수 없는 물리적 난제부터 짚고 넘어가야 한다.
우리 뇌가 활동할 때 뉴런은 발화하며 미약한 전기 신호와 자기장을 생성한다. 「머릿속에서 타이핑하고자 하는 내용」을 읽어내는 데는 두 가지 기본 경로가 존재한다.
첫 번째 접근법: 센서를 뇌에 직접 부착한다. Neuralink의 N1 임플란트 같은 방식이다. 1,024개의 전극을 가졌고, 수술 로봇이 머리카락보다 가는 실을 대뇌 운동 피질 — 손가락 움직임을 제어하는 영역 — 에 직접 삽입한다. 교향악단의 모든 연주자 앞에 마이크를 하나씩 세워둔 셈이다. 신호는 선명하고 노이즈는 거의 없다. 대가도 명확하다: 두개골에 구멍을 뚫어야 한다.
두 번째 접근법: 센서를 머리 바깥에 둔다. EEG(뇌파, 두피에 전극 부착)나 MEG(뇌자도, SF 영화에서나 볼 법한 거대한 헬멧 착용) 같은 방식이다. 경기장 밖에서 벽 너머로 시합을 듣는 것과 같다 — 함성의 크기와 리듬은 알 수 있지만 누가 뭐라고 외쳤는지는 정확히 알 수 없다. 신호는 두개골과 두피, 뇌막을 통과하며 심하게 감쇠되고, 심장 박동·눈 깜빡임·근육 움직임 같은 「노이즈」의 방해를 받는다.
이 두 접근법 사이의 긴장이 지난 수십 년간 뇌-컴퓨터 인터페이스 분야의 핵심적인 경로 논쟁이었다. 한쪽은 「신호는 선명하지만 개두 수술이 필요」하고, 다른 한쪽은 「안전하고 비침습적이지만 신호가 흐릿」하다. 양측의 격차는 한때 절망적일 정도로 컸다: 침습 방식의 현재 최고 성능은 단어 오류율(WER) 약 2%인 반면, 비침습 방식의 이전 최고 성능 — Brain2Qwerty v1 — 은 52%였다. 25배 차이다.
Meta는 어떻게 흐릿한 신호를 선명하게 만들었나?
Brain2Qwerty v2가 한 일은 세 단계를 하나의 파이프라인으로 엮어 「경기장 밖에서 시합 듣기」라는 과제를 해낸 것이다.
1단계: 뇌 신호를 문자 후보로 변환. 참가자는 306채널 Megin 뇌자도 장치를 착용하고 화면에 나타나는 문장을 보며 QWERTY 키보드로 입력한다. 모델이 하지 않는 것은 「각 키 입력의 정확한 타이밍을 알아낸 다음 디코딩하는」 일이다 — 이것이 바로 v1이 의존했던 전제 조건이자 실시간 사용을 불가능하게 만든 치명적 약점이다. v2는 CTC(Connectionist Temporal Classification)를 사용해 비동기 디코딩을 수행한다. 연속된 뇌 신호 구간을 입력받아 연속된 문자 예측을 출력하는 방식이다. 10시간 데이터로 학습한 결과, 비동기와 동기 방식의 격차는 2%까지 좁혀졌다.
2단계: 문자를 단어로 정렬. 그러나 뇌 신호→문자 단계의 출력은 여전히 상당히 「지저분」하다. CTC가 내놓는 문자 시퀀스에는 대량의 공백, 반복, 오류가 포함된다. v2는 여기에 단어 정렬기(Word Aligner)를 추가했다. 이 모듈은 「발음이 부정확한 사람의 말을 알아듣는」 것과 비슷한 작업을 수행한다 — 혼란스러운 문자 스트림에서 가능한 단어 경계를 추출하는 것이다.
3단계: 대규모 언어 모델을 「수정기」로 활용. 이것이 전체 파이프라인에서 가장 중요하고 가장 기발한 단계다. Meta는 알리바바의 오픈소스 모델 Qwen3-4B를 가져와 파인튜닝했다. 파라미터는 40억 개에 불과하지만, 대규모 언어 모델(LLM)은 태생적으로 문법과 의미, 문맥을 이해한다. 뇌 신호 디코딩 결과가 모호한 단어를 출력하면, LLM이 문맥을 바탕으로 오류를 수정한다. 예를 들어 당신이 「오늘 날씨가 좋다」라고 타이핑하려 했는데 MEG 신호 디코딩 결과가 「오늘 날씨가/좋다」로 나왔다면, LLM은 이 시퀀스를 보고 「날씨가」를 「날씨가」로 자동 보정한다 — 방대한 텍스트에서 학습한 결과, 「날씨가」는 단어가 아니며 「날씨가」가 올바르고, 「오늘 날씨가 좋다」가 유일하게 합리적인 완전한 문장이라는 것을 알기 때문이다.
이 아키텍처 — 인코더 → 단어 정렬기 → 파인튜닝 LLM — 는 평균 WER을 v1의 52%에서 v2의 39%(단어 정확도 61%)로 낮췄고, 최고 참가자는 WER 22%(단어 정확도 78%)를 기록했다. 이 중 28%의 문장은 완전히 정확했고, 47%의 문장은 오류가 한 단어 이하였다.
연구팀은 논문에서 선명한 스케일링 법칙을 제시했다: 디코딩 정확도는 학습 데이터 양의 로그에 선형 비례하며(Pearson r = -0.99), 90시간의 데이터 지점에서도 포화 징후가 전혀 없다. 다시 말해 이 길은 아직 끝나지 않았다 — 더 많은 데이터가 더 나은 결과를 보장한다.
이미지: Brain2Qwerty v2 시스템 아키텍처 — CTC 인코더 → 단어 정렬기 → 파인튜닝된 Qwen3-4B 대규모 언어 모델. 출처: ai.meta.com
두 경로의 정면 대결
이제 양측의 성적표를 나란히 놓고 비교해보자:
| 지표 | Meta Brain2Qwerty v2 (비침습) | 최고 침습 방식 |
|---|---|---|
| 방식 | MEG 헬멧 착용, 수술 불필요 | 외과적 전극 임플란트 |
| 평균 단어 오류율 (WER) | 39% | ~2% |
| 최고 참가자 WER | 22% | 더 낮음 (단일 피험자) |
| 학습 데이터 | 9명, ~90시간 | 단일 환자 장기 기록 |
| 리스크 | 없음 | 감염, 출혈, 염증, 신호 감쇠 |
| 비용 | MEG 장비 고가이나 재사용 가능 | 수술비 + 임플란트 + 유지보수 |
| 확장성 | 이론상 누구나 사용 가능 | 신경외과 전문의 필요, 대규모 보급 난망 |
이 비교표로부터 「누가 이겼다」는 단순한 결론을 내려선 안 된다. 침습 방식의 2% WER이 의미하는 것: 거의 일상 대화에서 바로 사용할 수 있는 수준이다. 예를 들어 Neuralink 피험자는 분당 40단어의 입력 속도를 달성했으며, 오류율은 사람이 직접 타이핑하는 수준에 근접했다. 이는 루게릭병(ALS)이나 폐쇄 증후군으로 모든 의사소통 수단을 잃은 환자들에게 단어 하나라도 더 정확히 디코딩하는 것이 삶의 질에 막대한 개선을 의미한다는 뜻이다.
그러나 침습 방식에는 회피할 수 없는 두 가지 구조적 약점이 있다. 첫째, 되돌릴 수 없다. 전극 임플란트 후 면역 반응 — 미세아교세포가 전극 주변에 반흔 조직을 형성 — 으로 인해 신호가 수개월에서 수년 내에 점차 감쇠된다. 이것은 공학의 문제가 아니라 생물학의 문제다. 둘째, 대규모화가 불가능하다. 전 세계에서 이러한 임플란트 수술을 집도할 수 있는 신경외과 의사의 수는 한정되어 있으며, 수술당 비용과 리스크로 볼 때 극소수의 가장 절실한 환자만을 대상으로 할 수밖에 없다.
Meta가 선택한 경로 — 비침습 + 대규모 데이터 + 딥러닝 — 는 본질적으로 뇌-컴퓨터 인터페이스를 「임상 신경 보철」의 정의역에서 「소비자급 기기」 방향으로 한 걸음 밀어낸 것이다. 아직은 그 한 걸음이 매우 짧다: MEG 장비 자체가 제작비 수백만 달러의 거대한 설비이며 자기 차폐실이 있어야 작동하므로, 「가볍고 웨어러블」과는 천문학적 거리가 있다. 하지만 80년대 CT 기계와 오늘날의 스마트워치를 떠올려보라. 기기의 소형화는 물리적 한계의 문제가 아니라 공학적 시간선의 문제다.
필자의 판단
Hacker News에 이런 댓글이 올라왔다: 「이건 새로운 기술이 아닙니다. 이 논문은 기존 기술 위에서 그들의 새로운 방법이 작지만 통계적으로 유의미한 개선을 보여줬을 뿐입니다.」 이 댓글 작성자의 말이 맞다 — 기술적 측면에서 Brain2Qwerty는 새로운 신호 수집 방식을 발명하지도, 새로운 하드웨어를 만들지도 않았다. 기여는 「제한된 데이터에서 딥러닝이 더 잘 작동하게 만든」 데 있다.
그러나 필자가 덧붙이고 싶은 점이 있다: 이 분야에서 「작은 개선」은 일반 소프트웨어 분야의 「작은 개선」과 완전히 다른 의미를 갖는다. 기준 오류율이 52%일 때 39%로 개선하는 것은 25%의 상대적 향상이다. 그리고 스케일링 법칙이 「데이터를 더 쌓으면 더 나아진다」고 말해준다면, 이는 기술 경로가 예측 가능하며 운에 의존하지 않는다는 뜻이다 — 공학에서는 우연한 고득점보다 훨씬 더 가치 있는 정보다.
또 한 가지 주목할 점: Meta는 코드와 데이터셋을 완전히 오픈소스로 공개하기로 결정했다. 이 분야에서 대규모 비침습 뇌 신호 데이터셋은 극도로 희소하다 — 수집 비용이 높고 윤리 심사가 복잡하기 때문이다. Brain2Qwerty v1의 데이터셋은 현재 공개된 동종 데이터셋 중 최대 규모에 속한다. 당신의 목표가 소수의 억만장자나 중증 환자만을 위한 것이 아니라 비침습 뇌-컴퓨터 인터페이스가 일상에 들어오게 하는 것이라면 — 오픈소스는 가장 효과적인 추진 방식이다. 이 점은 「Meta가 좋은 회사인가」와 무관하며, 순전히 공학적 논리다.
프라이버시 불안에 관해 — HN에 올라온 한 인기 댓글은 「저는 저커버그가 제 뇌파 근처에 다가가는 것을 신뢰하지 않습니다」라는 내용이었다. 필자는 이 우려가 합리적이지만 불완전하다고 생각한다. Brain2Qwerty가 디코딩하는 것은 「당신이 타이핑하고자 하는 내용」이지 「당신이 생각하는 내용」이 아니다. 이 둘 사이에는 본질적인 차이가 있다: 전자는 운동 의도(당신이 어떤 키를 누르기로 능동적으로 결정)이고, 후자는 자유로운 사고다. 현재의 비침습 기술로는 전자조차 100% 정확도를 달성하지 못하며, 후자와는 광년의 거리가 있다. 그러나 이것이 우리가 지금부터 규칙에 대해 논의를 시작하지 말아야 한다는 의미는 아니다 — 기술 진보의 속도 앞에서 윤리적 프레임워크의 구축은 항상 선제적이기보다는 사후적이었다.
두 경로는 궁극적으로 이분법적 선택이 아닐 수 있다. 침습 방식은 가장 절실한 사람들 — 모든 의사소통 수단을 상실한 환자 — 을 계속해서 지원할 것이다. 비침습 방식이 스케일링 법칙을 따라 계속 나아간다면, 언젠가는 우리 일상에 등장할지 모른다: 운전 중에 생각만으로 내비게이션을 조작하고, 요리 중에 생각만으로 메시지에 답장하는 세상. 두 경로는 같은 방향으로 경주하고 있으며, 종착지는 다르지만 멀리 달릴수록 서로 점점 더 가까워진다.
참고 링크:
- Meta AI Blog: From Brain Waves to Words — Brain2Qwerty v2
- Brain2Qwerty v2 기술 논문 (arXiv:2502.17480)
- Nature Neuroscience: Noninvasive decoding of typed sentences from human brain activity
- 오픈소스 코드: github.com/facebookresearch/brain2qwerty
- explainx.ai 기술 해설: Meta Brain2Qwerty v2
- Hacker News 토론
- Neuralink PRIME Study 진행 상황