ИИ научился восстанавливать набранные предложения по сигналам мозга — без операции
Людям, потерявшим речь и подвижность, уже помогают импланты в мозге, но это операция. Команда Meta* и исследователи из ENS, CNRS, Inria, Neurospin и больниц Франции и Испании показали, что без операции можно подойти заметно ближе к такому качеству. Их модель по записи мозговой активности восстанавливает целые набранные предложения.
Что именно исследовали
Неинвазивные интерфейсы «мозг — компьютер» читают сигналы снаружи головы, и эти сигналы гораздо слабее и «шумнее», чем с имплантов. Поэтому текст по ним расшифровывался плохо.
Девять добровольцев по 10 часов печатали предложения, пока их мозговую активность записывал магнитоэнцефалограф. Всего собрали около 22 тысяч предложений.
Как это работает
Модель учится сопоставлять сигналы мозга с нажатыми клавишами — на уровне букв, слов и целых предложений. Раньше в таких системах вручную задавали, как находить события в сигнале; здесь это делает нейросеть от начала до конца.
Затем подключается дообученная языковая модель: она знает, какие слова и фразы вероятны, и помогает собрать осмысленное предложение из неточных догадок — как человек, который разбирает неразборчивый почерк по смыслу.
Любопытная деталь: авторы использовали ИИ-агентов, которые сами дорабатывали код расшифровки и проверяли улучшения.
Что ИИ теперь умеет
- Восстанавливать целые набранные предложения по записи мозга снаружи головы, без операции
- Использовать языковую модель, чтобы превращать неточные сигналы в осмысленный текст
- Становиться точнее по мере роста объёма данных — без признаков насыщения
Что показал эксперимент
39% ошибочных слов в среднем. Прежний лучший неинвазивный метод, по оценке авторов, давал 52%. Доля ошибочных символов — 31% в среднем.
Лучший участник. Половина предложений восстановлена с ошибкой не больше чем в одном слове.
Больше данных — лучше. Точность растёт логарифмически с объёмом записей и не выходит на плато на имеющихся примерно 90 часах данных.
Код доступен в репозитории Brain2Qwerty.
Что пока не работает
- До импланта ещё далеко: лучшие инвазивные интерфейсы дают меньше 2% ошибочных слов.
- Участники были здоровыми и реально печатали на клавиатуре. Как метод сработает у пациентов, которые печатать не могут, ещё предстоит показать.
- Модель работает с целым предложением сразу, а не по мере набора, поэтому слово не видно до конца фразы.
- Магнитоэнцефалограф с 306 датчиками и охлаждением — громоздкий прибор, который трудно перенести в клинику. Правда, расшифровка оставалась устойчивой и на четверти датчиков.
- Качество сильно различается между людьми: доля ошибочных символов от 17% до 41%.
Почему это важно
Работа показывает, что безоперационная расшифровка текста из мозга начинает приближаться к уровню, который раньше считали доступным только имплантам. Если рост с объёмом данных продолжится, разрыв можно сокращать просто сбором записей.
Для людей после инсульта или травм это возможный путь к общению без хирургического риска — но до клинического применения ещё несколько этапов.
Можно ли попробовать
Оригинальное исследование
Accurate Decoding of Natural Sentences from Non-Invasive Brain Recordings
- Авторы
- Mingfang Zhang, Jarod Lévy, Cedric Rommel, Jérémy Rapin, Corentin Bel, Julie Bonnaire, Daniel Nieto, Pierre Bourdillon, Svetlana Pinet, Stéphane d’Ascoli, Thomas Moreau, Jean-Rémi King
- Организация
- Meta AI; ENS — Université PSL, CNRS; Neurospin (CEA); Basque Center on Cognition, Brain and Language; Hôpital Fondation Adolphe de Rothschild; Université de Lille; Inria, Université Paris-Saclay
- Дата
- 29 июня 2026 г.
- Тип
- Препринт
Ещё исследования
ИИ впервые полностью формализовал доказательство Великой теоремы Ферма — и компьютер его проверил
За 11 дней почти без участия людей Claude перевёл доказательство Великой теоремы Ферма на язык Lean, где каждый шаг проверяет машина. Получилось 13 миллионов строк кода и 29 511 теорем. Кевин Баззард назвал это выдающимся достижением.
ИИ предсказал последствия всех 9 миллиардов возможных «опечаток» в ДНК человека
AlphaGenome Atlas от Google DeepMind — каталог предсказаний для каждой возможной замены одной буквы в геноме человека. Он помогает находить причины редких болезней и уже позволил найти на 22% больше связей генов с признаками в данных UK Biobank.
Языковые модели ДНК научились находить гены и их строение — даже у видов, которых не видели в обучении
Команда AIRI и соавторы дообучила языковые модели ДНК размечать гены прямо по последовательности. На хромосоме человека они правильно собрали втрое больше генов, чем Tiberius и AlphaGenome, и сработали на растениях и дрожжах.