你因脑干中风完全失去了说话和移动的能力。医生告诉你，要重新说话，最佳方案是在你的大脑皮层植入一块芯片。已经有人通过这条路实现了用意念打字，每分钟几十个词。但前提是你要接受开颅手术。
现在，Meta 给出了另一个选项：不用碰你的头骨。戴上一个像科幻电影里的白色头盔，在隔音室里坐好，然后想着打字。系统读了你的大脑信号，在屏幕上逐词浮现出你想说的句子。准确率 61%。
不是完美。但从 8% 到 61%，这条路第一次让人看到了尽头。
22,000 句话，9 个人，每人 10 小时
2026 年 6 月 29 日，Meta FAIR 联合西班牙 Basque Center on Cognition, Brain and Language（BCBL），正式发布了 Brain2Qwerty v2。这是一个基于脑磁图（MEG）的非侵入式脑机接口系统，能够在实时条件下从人脑信号中解码完整的自然语句。平均词准确率 61%（词错误率 39%），最佳受试者达到 78%。超过一半的测试句子在解码后仅有一个词的误差或完全正确。
Meta 给出的对比是：此前的非侵入式脑机接口方法，词准确率长期徘徊在 8% 左右。从 8% 到 61%，将近八倍的跨越。
这组数字是怎么来的？最直白的答案是数据。9 名健康受试者，每人佩戴 MEG 设备在磁屏蔽室中连续记录约 10 小时。他们在键盘上逐句 typing 预先记忆好的句子，同时 MEG 以毫秒级精度捕捉大脑磁场变化。总计约 22,000 句的训练数据，被送入一个端到端的深度学习管道。
这个管道分三个阶段工作。第一层是卷积神经网络，直接从原始 MEG 信号中提取字符级特征。这一步替代了传统 BCI 研究中大量手工设计的信号预处理流程——滤波、去伪迹、事件锁定平均——这些手艺活曾长期是非侵入式 BCI 的精度天花板。第二层是序列建模，将字符组装为词语。第三层则是大语言模型微调，将神经信号映射到语义空间。系统不再只是逐字母拼写，而是理解整句话在说什么。
解码准确率随数据量呈对数线性增长。这句来自论文摘要的朴素判断，或许是整篇论文中最值得反复咀嚼的一句话。它意味着：在 MEG 这个模态下，信号质量并非不可逾越的天赋天花板，而在很大程度上可以被数据量堆出来。
非侵入 vs 侵入：两条路线终于走到了同一个十字路口
Meta 在论文中宣称了一个大胆的判断：Brain2Qwerty v2 的非侵入式解码精度，已经进入了此前被认为只属于外科植入物的水平。
这并非夸张。侵入式 BCI 的标杆 Neuralink 的 N1 植入体已经在多名瘫痪患者体内稳定工作超过一年，实现了每分钟 22 到 40 个词的打字速度和极低的错误率。但代价同样清晰。开颅手术的感染风险、植入物长期生物相容性的不确定性、每几年可能需要升级或更换硬件的手术风险，以及最根本的问题——全球需要这种植入物的患者数以百万计，能为他们做开颅手术的神经外科医生却极其有限。
非侵入式路线的核心竞争力一直是安全。但安全换来的低精度长期让它停留在实验室玩具阶段。Brain2Qwerty v2 第一次给出了有说服力的数据证据：非侵入式路线可以通过暴力数据来缩小信号质量的差距。
Meta 在论文中披露了三个关键技术驱动：用深度学习替代手工信号管道、对 LLM 进行微调以提取语义表征，以及用自动化方法持续迭代优化解码管线。这意味着 Meta 正在用 AI 重构脑机接口的研发流程本身。
这条路的尽头是什么？如果数据量继续增长 10 倍、100 倍，非侵入 BCI 的精度能否无限逼近侵入式的天花板？论文中的对数线性增长曲线暗示方向是乐观的，但没有人知道曲线的尽头在哪里。
MEG 的囚笼：数据能解决精度，但解决不了设备
然而，堆数据的前提是能用 MEG 采集足够多的数据。而 MEG 本身，就是 Brain2Qwerty v2 最致命的现实限制。
一套商用地磁图系统（含磁屏蔽室和场地建设）的成本在 300 万到 600 万美元之间。它依赖液氦冷却的超导量子干涉器件（SQUID），需要一个专门的磁屏蔽室来隔绝地球磁场和城市电磁干扰。它体积庞大、无法移动、维护成本极高。全球范围内，全头型 MEG 设备的保有量大约只有 200 台，主要集中在顶尖大学和大型医院的研究中心。
这构成了一个尖锐的悖论：Meta 证明了只要数据够多，非侵入就能好用，但采集这些数据所需的设备恰恰比大多数侵入式手术还要稀缺和昂贵。全球能安装 MEG 的中心不到 200 个，而能做 Neuralink 植入手术的神经外科中心数以千计。
相比之下，EEG 设备便宜得多——数千美元即可购置、可移动、可在普通环境中使用。但在 Brain2Qwerty v1 中，EEG 的字符错误率（67%）是 MEG（32%）的两倍以上。v2 没有公布 EEG 上的表现。换句话说，目前的高精度只属于 MEG 这个实验室特殊物种：它的信号质量遥遥领先，但它的可及性远远落后于任何有现实意义的应用场景。
这正是非侵入 BCI 面临的最大挑战：在精度和可及性之间，存在一个目前无法跨越的鸿沟。精度最高的方案走不出实验室，能走出实验室的方案精度远远不够。
开源战略：Meta 的下一个水电煤
Meta 在这项研究中的另一个选择值得关注：全面开源。Brain2Qwerty v1 和 v2 的全部训练代码已在 GitHub 上发布，合作方 BCBL 同步开源了 v1 数据集。这将使全球任何有 MEG 设备的研究团队，都能在 Meta 的框架上进行复现、改进和创新。
这是一步非常熟悉的棋。正如 Meta 通过 Llama 系列开源模型重塑了大模型生态，它在脑机接口领域重复着同样的策略：开放基础设施层，让学术界和创业公司围绕 Meta 的框架生长。
不同于 Neuralink 的完全封闭策略（植入物设计、解码算法、训练数据均为商业机密），Meta 在 BCI 软件层全面透明。背后的商业逻辑并不难理解：Meta 不做 MEG 硬件（至少在可预见的未来），它的核心利益在于脑信号解码这个软件层的标准制定权。谁定义了从大脑信号到文本的通用映射模型，谁就能在未来的人机交互生态中占据类似水电煤的基础设施生态位。
这种技术突破加全面开源组合拳还有一层更深的战略意图：通过降低准入门槛来加速生态成熟。MEG 设备贵不可亲，但如果有一套开箱即用的标准解码框架，研究者可以更快地探索新的应用场景，比如 MEG 在认知障碍早期诊断、心理状态监测等领域的潜力。这些场景的拓展反过来会推动 MEG 硬件的需求，形成正向循环。
BCBL 的角色同样值得玩味。这家位于西班牙圣塞巴斯蒂安的跨学科研究中心为 Meta 提供神经科学专业知识和受试者管道。这是典型的大科技加一流学术分工：Meta 提供算力、模型和工程能力，BCBL 提供领域专业知识和实验能力。与上一次 AI 浪潮中 Google 加斯坦福、微软加 MIT 的合作模式如出一辙。
喝彩之前，四个必须认清的硬约束
在过分解读之前，有一些限制必须明说。
解码的是打字信号，不是思想。Brain2Qwerty v2 解码的是受试者在物理上移动手指打字过程中的大脑信号。这个过程中的运动皮层信号和语言信号是叠加的。真正的读心——解码没有物理输出伴随的内心语言——是截然不同的技术挑战，Meta 尚未触及。
样本量太小。v1 版本扩展到 35 人，但 v2 的核心实验仍然只有 9 人。在这个规模上，个体脑解剖差异对模型泛化能力的影响无法真正评估。论文没有公布最差受试者的准确率：这暗示了个体差异可能比技术精度本身更难处理。Meta 需要至少数百人的数据集才能断言模型具有跨人群的通用性。
受控实验环境的问题同样突出。受试者在磁屏蔽室中逐句 typing 预先记忆的内容，这与真实交流中自由生成句子的场景有本质差异。Meta 也未披露端到端的实时解码延迟。实验室中的实时的和病床旁的实时可能相差甚远。
商业化路径图尚未出现。Meta 明确表示这项研究没有产品计划或部署时间表。MEG 在可见的未来不可能民用。Meta 的技术突破为 BCI 领域投下了一颗种子，但种子长成大树需要的时间，以及在这个过程中技术路线可能被颠覆的风险，比很多人预期的更大。
两条路线，两种未来
脑机接口的路线之争正在走向一种出乎意料的和解。Neuralink 证明了侵入式方案在临床上的可行性，Meta 证明了非侵入式方案在精度上的追赶潜力。两条路线服务于不同的需求层次。侵入式适用于严重瘫痪患者——他们接受开颅手术的意愿与获益成正比。非侵入式路线则服务于对安全性极致敏感的场景：轻中度障碍患者的辅助沟通，也许在更远的未来还包括健康人群的脑机交互。
但三条隐藏信号可能比路线之争本身更重要。
LLM 正在成为 BCI 的标配组件。Brain2Qwerty v2 用大语言模型做语义映射层的做法，即将被全行业复制。语言模型所携带的先验知识——语法、语义、常识——可能是破解非侵入信号噪声魔咒的关键钥匙。
开源生态的启动可能加速整个赛道。配套的数据集和代码可以大幅降低 BCI 研究的准入门槛。一年之内，MEG 解码领域的论文数量有可能会翻倍，而其中一些论文可能来自你未曾预料的机构。
MEG 小型化竞赛可能成为下一个投资热点。如果非侵入 BCI 的精度优势必须通过 MEG 实现，那么最值得关注的事情就是：谁能把 MEG 做小、做便宜、做成不需要磁屏蔽室的设备。光学原子磁力计（OPM）等新兴技术正在这个方向上推进，但距离商用化仍有数年距离。
脑机接口的故事终于讲到了同一个主题。不是谁的技术更强，而是谁能把技术从实验室里搬出来。Meta 搬出了精度，Neuralink 搬出了临床，而剩下的路——把 MEG 搬进现实世界——可能比前面所有的加起来都长。
快报