Im Quellenvergleich
Worin die Quellen übereinstimmen
Meta hat mit Brain2Qwerty v2 ein KI-Modell vorgestellt, das getippte Sätze aus nicht-invasiven Hirnstrommessungen rekonstruiert. Die Technik nutzt Magnetoenzephalographie (MEG) und kommt ohne Gehirn-Implantate aus. Die durchschnittliche Wortgenauigkeit liegt bei 61 Prozent, der beste Proband erreicht 78 Prozent. Mehr als die Hälfte aller Sätze enthält höchstens einen Wortfehler. Das System wurde mit Daten von neun gesunden Freiwilligen trainiert, die jeweils zehn Stunden lang tippten. Meta veröffentlichte die Codes und Modelle als Open Source. Die Wortfehlerrate liegt im Durchschnitt bei 39 Prozent, beim besten Probanden bei 22 Prozent. Das System arbeitet asynchron und benötigt nicht mehr den exakten Zeitpunkt jedes Tastenanschlags. Die MEG-Geräte sind stationär und benötigen magnetisch geschirmte Räume. Die Studie wurde im Fachjournal Nature veröffentlicht. Das System ist ein dreistufiges Deep-Learning-System, das Merkmale aus EEG- oder MEG-Signalen extrahiert, die Zeichenfolge mit einem Transformer rekonstruiert und die Ausgabe mit einem Sprachmodell korrigiert.
Aktualisierungen
06.07.2026
Die Wortfehlerrate liegt im Durchschnitt bei 39 Prozent, beim besten Probanden bei 22 Prozent.
Das System arbeitet asynchron und benötigt nicht mehr den exakten Zeitpunkt jedes Tastenanschlags.
Die MEG-Geräte sind stationär und benötigen magnetisch geschirmte Räume.
Die Studie wurde im Fachjournal Nature veröffentlicht.
Das System ist ein dreistufiges Deep-Learning-System, das Merkmale aus EEG- oder MEG-Signalen extrahiert, die Zeichenfolge mit einem Transformer rekonstruiert und die Ausgabe mit einem Sprachmodell korrigiert.
Worin sie sich unterscheidenGenauigkeit und Vergleich mit Implantaten·Technische Neuerung und Einschränkungen·Veröffentlichung und Daten+1 weitere
Genauigkeit und Vergleich mit Implantaten- Die Genauigkeit reicht an Verfahren mit implantierten Elektroden heran.1
- Der Abstand zu implantierten Systemen mit unter zwei Prozent Wortfehler bleibt groß.2
Technische Neuerung und Einschränkungen- Durch die Feinabstimmung eines großen Sprachmodells auf die Nervendaten verbesserte sich das Kontextverständnis, sodass das System aus verrauschten Hirnsignalen sinnvolle Sätze zusammensetzen kann.1
- Auf Zeichenebene schneidet v2 mit 31 Prozent Fehlern schlechter ab als einfachere Verfahren, weil das Sprachmodell grammatikalisch saubere, aber inhaltlich falsche Sätze erfinden kann.2
- Das Team wertet die besseren Wort- und Bedeutungswerte als relevanteren Fortschritt.2
Veröffentlichung und Daten- Das baskische Forschungszentrum BCBL stellte den Datensatz von v1 zur Verfügung.1
Studiendesign und Teilnehmerzahl- Neun Freiwillige trugen je zehn Stunden lang einen Magnetoenzephalographen (MEG) und tippten rund 22.000 Sätze.1
- Für die Studie zeichneten die Forschenden die Hirnaktivität von neun gesunden Freiwilligen mittels Magnetoenzephalographie (MEG) auf.2
- Für die Studie tippten 35 gesunde Probanden memorierte Sätze ohne visuelles Feedback.3