去年，我们发布了 Brain2Qwerty v1——一项无需手术植入即可借助AI从脑活动中解码文本的研究。如今，新一代成果问世：Brain2Qwerty v2，这是一条端到端的高性能管线，能够实时从非侵入式脑信号中解码句子，其准确度已逼近过去只有开颅手术才能达到的水平。 为加速神经科学领域的突破，研究团队决定将 v1 和 v2 的完整训练代码开源；合作方巴斯克认知、大脑与语言中心（BCBL）也同步发布了 v1 数据集。这项研究的初心，是希望为全球数百万因脑损伤而失去正常沟通能力的人群带来实质性的改变。侵入式技术——例如立体定向脑电图和皮层脑电图——虽已证明神经假体配合AI解码器可以重建交流功能，但规模化推广面临巨大挑战。非侵入式路径恰好弥补了这一空白。 Brain2Qwerty v2 在约2.2万个句子上完成训练，数据来自九名志愿者。每位参与者佩戴脑磁图（MEG）设备主动打字，单次采集时长达10小时。与传统人工构建的神经事件检测管线不同，该方法直接利用端到端深度学习从原始脑信号中进行解码。 通过在神经数据上微调大语言模型，系统能够借助语义上下文，将嘈杂的脑记录与连贯的语言表达联系起来。工程师还部署了AI智能体，用于探索解码管线的优化方向，最终训练配置则由人工手动筛选确定。 结果直观可见：Brain2Qwerty v2 能够从嘈杂的神经输入中连贯地还原句子，词准确率达到61%，显著优于其他非侵入式方法（此前最佳成绩仅为8%）。表现最佳的参与者词准确率高达78%，超过一半的句子解码误差不超过一个单词。 值得关注的是，解码准确率随数据量呈对数线性增长——这意味着仅靠扩大数据规模，就能进一步缩小与手术植入技术之间的性能差距。这项工作也是构建开放脑基础模型全局中的一环：包括感知编码的 Tribev2 模型、大规模处理脑数据的 NeuralSet，以及系统评估模型的 NeuralBench。所有成果均依托社区紧密协作，团队还通过 Digital Brain Project 设立了500万美元基金，专门激励开放数据集的建设。推动开放科学的目的十分明确——让神经科学的发现、诊断和治疗神经系统疾病，比闭门造车更快一步。