Meta AI-მ გამოაქვეყნა Brain2Qwerty v2 — ბოლოდან-ბოლომდე AI სისტემა, რომელიც მაგნიტოენცეფალოგრაფიის (MEG) ჩანაწერებს წერილობით ტექსტად გარდაქმნის ნეიროქირურგიული ჩარევის გარეშე.
2026 წლის 29 ივნისს გამოქვეყნებული სისტემა ცხრა მონაწილეს შორის 61%-იანი საშუალო სიზუსტით ცნობს ტექსტს — ეს მნიშვნელოვნად სჯობს ტვინ-კომპიუტერ ინტერფეისის სხვა არაინვაზიური მეთოდების დაახლოებით 8%-იან სიზუსტეს და ახლოვდება ქირურგიულად ჩადგმული ელექტროდებით მიღწეულ შედეგებს.
როგორ მუშაობს
მონაწილეები ატარებდნენ MEG ჩაფხუტებს — რომლებიც ნეირონული აქტივობის შედეგად წარმოქმნილ მიკრო მაგნიტურ ველებს ზომავს — და წინადადებებს ბეჭდავდნენ, სანამ სისტემა ტვინის სიგნალებს ჩაიწერდა. Meta-მ ბოლოდან-ბოლო ღრმა სწავლის მოდელი გააწვრთნა ყოველ მონაწილეზე დაახლოებით 22 000 წინადადებაზე — ცხრა მოხალისე კი სულ 10 საათი ჩაიწერა.
ხელნამზადი სიგნალური ნიშნების ამოღების ნაცვლად, მოდელი პირდაპირ ნედლ ტვინის მონაცემებს სწავლობს. ნეირონულ ჩანაწერებზე დახვეწილი დიდი ენობრივი მოდელები MEG-ის ხმაურიანი სიგნალებიდან კოჰერენტულ ტექსტამდე გადასვლის პროცესს ამარტივებს.
რას ნიშნავს ეს შედეგები
ყველაზე წარმატებული მონაწილე 78%-იანი სიზუსტით ცნობდა სიტყვებს. Meta-ს მკვლევრების თქმით, სიზუსტე ლოგარითმულ-წრფივად იზრდება მონაცემების მოცულობის ზრდასთან ერთად, რაც მომავალ პროგრესზე მიუთითებს.
კვლევა ბასკური ქვეყნის კოგნიციის, ტვინისა და ენის ცენტრთან (BCBL) თანამშრომლობით ჩატარდა, რომელმაც v1-ის მონაცემთა ბაზა საჯაროდ გაავრცელა. Meta-მ ასევე გამოაქვეყნა v1 და v2-ის სასწავლო კოდი.
რატომ არის ეს მნიშვნელოვანი
ტვინ-კომპიუტერ ინტერფეისები ჩვეულებრივ ორ ბანაკად იყოფა: ქირურგიულად ჩადგმული ელექტროდებით მაღალი სიზუსტის სისტემები და ოპერაციის გარეშე, მაგრამ სიზუსტის ხარჯზე მოქმედი სისტემები. Brain2Qwerty v2 ამ უფსკრულს მნიშვნელოვნად ავიწროებს. Meta-ს განცხადებით, ეს ტექნოლოგია საბოლოოდ შეძლებს დაეხმაროს ტვინის დაზიანებით ან ნეიროდეგენერაციული დაავადებებით გამოწვეული კომუნიკაციის სირთულის მქონე ადამიანებს — ქირურგიის გარეშე.
სამომხმარებლო პროდუქტის გამოშვების თარიღი არ გამოცხადებულა. კვლევა ცხრა მონაწილეს მოიცავს და რეალურ პირობებში სიზუსტე შეიძლება განსხვავდებოდეს — თუმცა ავტორები დამაჯერებლად ასაბუთებენ, რომ მონაცემების მასშტაბირება სიზუსტეს კიდევ უფრო გაზრდის.