Meta 发布 Brain2Qwerty v2，仅靠佩戴式 MEG 设备读取脑信号、不植入任何电极，就把实时句子解码的词准确率推到 61%——这是过去只有开颅手术才能触及的能力区间。官方同时开源 v1/v2 全部训练代码，合作伙伴 BCBL 公开数据集。
侵入式脑机接口（如立体定向脑电图 SEEG、皮层脑电图 ECoG）已经证明，把电极信号喂给 AI 解码器可以恢复沟通能力。但它们有一个绕不开的门槛：
需外科手术植入电极，信号质量高、解码精度好，但难以规模化推广——手术风险、伦理审批、医疗资源都构成门槛。
受试者只需佩戴 MEG 设备、主动打字 10 小时即可采集。零手术、可重复，目标是把外科级能力搬到可推广的形态里。
Brain2Qwerty v2 的意义正在于此：它不是在无创赛道里小步改良，而是把"侵入式才有的精度"拉到了无创方案能触及的范围。
注：柱形自 0 分起算，按真实比例呈现；Brain2Qwerty v2 的 61% 为全体平均，78% 为最佳受试者峰值，8% 为官方披露的其他无创方法基线。三组口径不同，不可直接相减。
在最佳受试者身上，超过一半的句子解码后只错一个词或更少——这意味着输出已经接近"可读、可用"的门槛，而不只是实验室里的统计漂亮数字。
v2 抛弃了过去依赖手工特征工程的流水线，改用端到端深度学习，直接从原始脑信号解码文本。核心链路如下：
关键的一步是用神经数据微调大语言模型——让系统借助语义上下文，把嘈杂的脑信号"接续"成连贯语言。这相当于给解码器装了一个"懂语言"的后处理大脑，专门负责把噪声里的意思补全。
此外，团队还部署了 AI Agent 自动探索解码管线的优化配置，最终训练参数由工程师人工拍板。这是"用 AI 优化 AI 系统设计"在脑机接口领域的一次落地。
团队发现了一个关键规律：解码精度随数据量呈对数线性提升。换句话说，曲线没有撞墙，还在稳步爬升。
这意味着，无创方案与侵入式方案之间剩下的性能差距，有可能单纯靠扩大数据采集规模来继续缩小，而不必在硬件或手术路径上冒进。这是 v2 留给后续研究最重要的信号。
Meta 把这条路线放进更大的开放版图：感知编码模型 Tribe v2、脑数据规模化处理工具 NeuralSet、系统化评测基准 NeuralBench，以及 500 万美元的 Digital Brain Project 开放数据基金——目标是和社区一起造"大脑的基础模型"。
本文数据与代码均来自 Meta 官方发布，61% 与 78% 两个准确率口径为单方披露，目前未见第三方独立复测；"其他无创方法 8%"的基线也未点名具体方法，读者宜将其视为相对量级而非精确对照。
受试者仅 9 人、每人 10 小时，样本规模仍属实验室阶段，距离临床可用还有相当距离。但"对数线性"这一规律若在更大样本上成立，意义远超单一产品。
v1 / v2 训练代码已全量公开，v1 数据集由合作伙伴 BCBL 发布。
github.com/facebookresearch/brain2qwerty → 训练代码