Meta AI y el Basque Center on Cognition, Brain, and Language (BCBL) presentaron Brain2Qwerty v2, una nueva versión de su sistema de inteligencia artificial que traduce la actividad cerebral en texto sin necesidad de implantes quirúrgicos. El modelo se entrenó con cerca de 22.000 frases escritas por nueve voluntarios que teclearon durante diez horas cada uno mientras llevaban un dispositivo de magnetoencefalografía (MEG). A diferencia de versiones anteriores, v2 emplea un pipeline de aprendizaje profundo de extremo a extremo que decodifica directamente a partir de las señales cerebrales brutas, apoyado en ajustes finos de modelos de lenguaje de gran tamaño para aprovechar el contexto semántico.
El sistema alcanza una tasa de acierto por palabra del 61 %, muy superior al 8 % logrado por otros métodos no invasivos citados por los autores, y llega al 78 % en el mejor de los participantes, donde más de la mitad de las frases se decodifican con un error de una palabra o menos. Los investigadores destacan que la precisión mejora de forma log-lineal con el volumen de datos, lo que sugiere que aumentar la cantidad de entrenamiento podría estrechar la distancia con las técnicas invasivas.
Meta publica el código completo de entrenamiento de Brain2Qwerty v1 y v2, mientras que el BCBL libera el conjunto de datos de la primera versión en Hugging Face. El trabajo se enmarca en la estrategia de modelos fundacionales abiertos del cerebro de Meta, que incluye Tribev2, NeuralSet y NeuralBench, y cuenta con el respaldo de un fondo de cinco millones de dólares para impulsar conjuntos de datos abiertos en el Digital Brain Project.