O laboratório FAIR da Meta AI acaba de lançar o Brain2Qwerty v2, um sistema de deep learning ponta a ponta que decodifica sentenças digitadas a partir de sinais cerebrais não invasivos em tempo real. Sem implantes. Sem cirurgia. Apenas um capacete de magnetoencefalografia (MEG) e redes neurais profundas.
O que é o Brain2Qwerty v2?
O Brain2Qwerty v2 é um decodificador cérebro-para-texto que mapeia a atividade neural bruta diretamente para caracteres, depois para palavras e sentenças completas. O sistema lê sinais de MEG — que mede os campos magnéticos gerados pela atividade neuronal com alta resolução temporal — enquanto uma pessoa digita, e reconstrói o que foi digitado.
O modelo foi treinado com aproximadamente 22.000 sentenças de nove voluntários, cada um gravado por 10 horas enquanto digitava ativamente. Os dados foram coletados em parceria com o BCBL (Basque Center on Cognition, Brain and Language), na Espanha.
Esta é a continuação do Brain2Qwerty v1, lançado em fevereiro de 2025. A Meta está disponibilizando o código de treinamento completo de ambas as versões sob licença CC BY-NC 4.0.
Como funciona o pipeline de decodificação
O sistema combina três componentes principais em uma arquitetura end-to-end:
- Encoder convolucional: lê os sinais MEG brutos e aprende features diretamente dos dados, substituindo os detectores de eventos neurais artesanais usados em sistemas anteriores
- Transformer: modela a estrutura de longo alcance ao longo do sinal, capturando dependências temporais complexas
- Modelo de linguagem em nível de caractere: restringe a saída para texto plausível, rejeitando sequências de caracteres que não formam palavras reais e usando contexto semântico para corrigir erros locais
Além disso, a equipe da Meta faz fine-tuning de LLMs nos dados neurais para adicionar contexto semântico — uma abordagem que ajuda a preencher a lacuna entre gravações neurais ruidosas e linguagem coerente.
Os números que impressionam
O Brain2Qwerty v2 atinge 61% de precisão média de palavras (39% de taxa de erro de palavra, ou WER). Para o melhor participante, a precisão chega a 78%, com mais da metade das sentenças tendo um erro de palavra ou menos.
O avanço em relação ao estado da arte anterior é dramático: outros métodos não invasivos alcançavam apenas 8% de precisão de palavras. O Brain2Qwerty v2 representa um salto de quase 8×.
Um dado crucial para pesquisadores: a precisão melhora de forma log-linear com o volume de dados. Mais horas de gravação aumentam previsivelmente a acurácia na faixa reportada, sugerindo que a lacuna com implantes cirúrgicos pode ser reduzida apenas com mais dados.
v1 vs v2: o que mudou?
A transição da v1 para v2 trouxe avanços significativos, mas é importante comparar com cuidado: a v1 foi medida em nível de caractere, enquanto a v2 é avaliada em nível de palavra — métricas diferentes que não são diretamente comparáveis. A v1 já havia demonstrado que a decodificação MEG era pelo menos duas vezes melhor que sistemas baseados em EEG (que sofrem com sinais mais ruidosos).
Limitações importantes
É fundamental destacar: isto é pesquisa, não um produto. O decodificador não é um dispositivo de consumo, foi testado em um grupo pequeno de voluntários em ambiente controlado, e os resultados não são dados clínicos de pacientes com lesões cerebrais. O caminho até uma aplicação prática em interfaces cérebro-computador ainda é longo.
Mesmo assim, o Brain2Qwerty v2 representa um marco: é a demonstração mais convincente até agora de que a decodificação neural não invasiva pode alcançar níveis de precisão que antes pareciam exclusividade de implantes cirúrgicos. Para a comunidade de neurociência computacional e IA, o código aberto e o comportamento de scaling documentado abrem um campo fértil para pesquisa futura.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
