L'IA de conversion cérébrale en texte de Meta atteint 61 % de précision, code open source publié simultanément.

Meta a publié cette semaine Brain2Qwerty v2, un système d'interface cerveau-machine non invasive qui enregistre l'activité neuronale via un casque MEG (magnétoencéphalographie) et décode directement le texte cible à l'aide d'un modèle d'apprentissage profond de bout en bout, avec une précision moyenne de 61 % par mot. Meta met également en open source le code et les données dans le cadre de son Digital Brain Project, et a créé un fonds de 5 millions de dollars.

Architecture technique de Brain2Qwerty v2 : échelle d'entraînement et méthode de décodage de bout en bout

Ce système utilise un modèle d'apprentissage profond de bout en bout pour décoder directement les signaux MEG bruts en texte de sortie, sans s'appuyer sur des étapes intermédiaires conçues manuellement ; un grand modèle de langage corrige en aval les erreurs dues au bruit en fonction du contexte sémantique.

Taille des données d'entraînement : environ 22 000 phrases, 9 volontaires, environ 10 heures d'enregistrement par personne. Meta indique que la précision continuera d'augmenter avec la quantité de données d'entraînement. À titre de comparaison technique, la version v1 avait un taux d'erreur de caractères (CER) d'environ 32 % en MEG ; pour la même tâche, l'EEG atteignait environ 67 %.

Avantages techniques du MEG et limites des équipements actuels

Le MEG utilise des capteurs supraconducteurs pour détecter les champs magnétiques extrêmement faibles produits par l'activité neuronale. Ces champs traversent mieux les tissus que l'EEG, offrant des signaux relativement plus clairs. Cependant, le casque MEG coûte plusieurs millions de dollars et nécessite un environnement spécialement isolé des champs magnétiques externes, ce qui le confine depuis longtemps aux laboratoires de neurosciences, sans application clinique ou grand public.

Avec ces limitations matérielles, Brain2Qwerty v2 atteint une précision de 61 %, se rapprochant des performances jusqu'alors réservées aux interfaces implantables (comme Neuralink). Meta a choisi la voie non invasive car le seuil chirurgical des interfaces implantables rend difficile l'acceptation pour la plupart des bénéficiaires potentiels.

Plan open source de Meta : Digital Brain Project et fonds de 5 millions de dollars

En publiant Brain2Qwerty v2, Meta a également rendu publics le code du système et les données d'entraînement, dans le cadre du Digital Brain Project. Meta a par ailleurs créé un fonds de 5 millions de dollars dédié au soutien de la construction de jeux de données ouvertes en neurosciences.

Meta souligne que l'un des goulots d'étranglement de la recherche en BCI non invasive est le manque de grands jeux de données neuronaux publics, chaque institution collectant actuellement des données de base de manière redondante, avec une efficacité très faible. Ce fonds vise à encourager la communauté à construire ensemble des données de référence.

Questions fréquentes

Quelle est la différence technique fondamentale entre les BCI non invasives et implantables ?

Les interfaces implantables (comme Neuralink) placent des électrodes directement dans le cortex cérébral, offrant un signal propre, une faible latence et une haute précision, mais nécessitant une intervention chirurgicale. Le principal défi des méthodes non invasives est le rapport signal/bruit : le crâne et le cuir chevelu atténuent fortement les signaux, en particulier pour l'EEG ; le MEG offre une meilleure pénétration, mais son coût matériel et ses exigences environnementales limitent sa diffusion.

Quelle est l'importance technique du modèle « de bout en bout » de Brain2Qwerty v2 ?

Le modèle de bout en bout décode directement les signaux MEG bruts en texte de sortie, sans que les chercheurs aient besoin de concevoir manuellement des étapes intermédiaires (comme identifier d'abord des événements cérébraux spécifiques pour en déduire progressivement les lettres). Lors du développement, Meta a utilisé des systèmes d'IA agents pour explorer systématiquement l'espace d'optimisation du processus de décodage, et les ingénieurs ont sélectionné la configuration d'entraînement finale.

Quand ce système pourrait-il entrer en clinique ou sur le marché commercial ?

Brain2Qwerty v2 est actuellement testé dans des conditions de laboratoire avec des équipements MEG. Il s'agit d'un système au stade de la recherche, n'ayant pas encore fait l'objet d'essais cliniques ou de procédures de commercialisation. Meta indique que la précision peut encore être améliorée, mais le calendrier clinique ou commercial n'a pas été communiqué au moment de la publication.