Meta sta costruendo un ponte tra cervello e computer senza impianti chirurgici

Meta AI ha presentato Brain2Qwerty v2, un sistema di intelligenza artificiale che converte l'attività cerebrale in testo senza richiedere un intervento chirurgico al cervello.

Questo annuncio, accompagnato dalla pubblicazione della prima versione del lavoro sulla rivista Nature Neuroscience, rappresenta un momento importante per le interfacce cervello-computer (BCI), portando la tecnologia non invasiva a livelli di accuratezza precedentemente riservati solo ai dispositivi impiantati nel cranio.

Utilizzando la magnetoencefalografia (MEG) e modelli di linguaggio avanzati, il sistema ha raggiunto un'accuratezza media del 61%, superando anche i precedenti standard non invasivi.

Meta ha rilasciato il codice di training completo sia per la prima sia per la seconda versione di Brain2Qwerty, e il dataset della versione uno è stato reso accessibile al Basque Center on Cognition, Brain and Language (BCBL), centro di ricerca spagnolo specializzato nelle neuroscienze cognitive e nelle IA applicate allo studio del linguaggio, che si occuperà di riprodurre i risultati ottenuti da Meta AI, l’intelligenza artificiale più avanzta del colosso di Menlo Park.

L'architettura neurale di Brain2Qwerty v2

Il funzionamento di Brain2Qwerty v2 si basa sulla magnetoencefalografia (MEG), una tecnica che misura i campi magnetici generati dalle correnti elettriche dei neuroni attraverso un apposito casco.

Questa tecnologia analizza i segnali magnetici generati durante il movimento intenzionale della digitazione, offrendo una potenziale via di comunicazione a persone con disabilità motorie.

Quando una persona pensa di premere un tasto o di scrivere, il su cervello genera attività elettrica che produce anche un campo magnetico misurabile. I sensori MEG catturano questi campi esterni senza metodi invasivi, riconoscendo pattern neurali associati all’intenzione di digitare.

La digitazione è un’azione familiare, ripetibile e con una struttura stabile formata dalla sequenza di lettere. Facilita l’addestramento di un modello anche perché consente di associare un segnale cerebrale a una sequenza di caratteri o di parole.

Meta ha addestrato un modello IA su circa 22mila frasi raccolte da volontari mediante le quali il sistema ha imparato a mappare i segnali e a trasformarli in testo.

A differenza di quella precedente, la versione due abbandona le pipeline costruite manualmente a favore di un addestramento end-to-end.

Ciò significa che, nella prima versione, il sistema era costruito a fasi: prendere il segnale, pulirlo, tradurlo in suoni e poi in parole erano parti distinte del medesimo flusso che venivano collegate tra loro dall’intervento umano.

La versione due, invece, fa tutto insieme. Il sistema impara a trasformare i segnali cerebrali in testo, senza che un umano debba progettare ogni singolo passaggio.

Il segnale cerebrale grezzo fluisce in un codificatore convoluzionale – una rete neurale che trasforma dati complessi - passa attraverso un trasformatore e viene infine decodificato da un modello linguistico di grandi dimensioni (LLM) ottimizzato sui dati neurali.

Questo permette al sistema di sfruttare il contesto semantico per correggere le previsioni incerte, comprendendo quali parole hanno senso all'interno di una frase.

I progressi

Il progresso tra la prima e la seconda versione del sistema è riassunto dai numeri presentati dai ricercatori di Meta.

Brain2Qwerty v2 ha raggiunto una precisione media delle parole del 61% su nove partecipanti, con il miglior volontario che ha toccato il 78% di accuratezza.

Un dato che assume significato se confrontato con la precedente soglia dei metodi non invasivi, che si attestava intorno all'8%.

Oltre la metà delle frasi del partecipante più performante è stata decodificata con al massimo un errore, dimostrando una solidità del sistema inedita in contesti non chirurgici.

A chi si rivolge e quali limiti ha questa tecnologia

Meta non guarda al mercato consumer ma si rivolge alle persone che hanno perso la capacità di parare o di scrivere.

Tuttavia, esistono ancora limiti, a cominciare dal fatto che uno scanner MEG è strumento ingombrante, costoso e richiede stanze schermate per funzionare.

Il potenziale clinico c’è, ma rimangono i rischi di abusi e per la privacy, questioni normative che includono il consenso informato, la conservazione dei dati MEG e la loro protezione contro accessi non autorizzati.

Il rilascio del codice di training aumenta la trasparenza tecnica ma non elimina la necessità di linee guida normative e standard di sicurezza.

Sebbene richieda ancora macchinari ospedalieri ingombranti, il progetto segna un passo avanti verso prestazioni paragonabili ai chip sottocutanei. Il fatto che Meta AI abbia deciso di rilasciare il codice sorgente favorisce la ricerca scientifica ma ci sono aspetti che vanno ancora chiariti.

Perché serve cauto ottimismo

La metrica chiamata word accuracy (accuratezza delle parole) usata per misurare i risultati ottenuti dal sistema di Meta AI è la percentuale di parole di un testo di riferimento che Brain2Qwerty v2 ha trascritto con successo.

È una misura grezza che conta le parole corrette ma ignora il tipo di errore, mettendo sullo stesso piano un’omissione, una sostituzione o un errore marchiano. Due decodifiche con la medesima word accuracy possono rappresentare utilità molto diverse tra loro.

Inoltre, in attesa che gli specialisti riproducano gli esperimenti svolti da Meta AI, non sono evidenti valutazioni relative alle metriche dette fluency (fluidità) e semantic similarity (somiglianza semantica). La prima misura quanto un testo generato appare naturale e scorrevole, mentre la somiglianza semantica certifica che due testi mantengano lo stesso significato al di là delle parole usate.

Lo stesso vale per l’overfitting, ossia la possibilità che un modello di apprendimento automatico (Machine learning) impari bene i dettagli dei dati di addestramento al posto di imparare le regole generali. Ne consegue che può dare buoni risultati sulla scorta dei dati sui quali è addestrato ma fallisce quando confrontato con dati nuovi.

I risultati presentati da Meta AI sono stati prodotti da 9 partecipanti, ognuno monitorato per circa 10 ore di digitazione,attività assai ridotte che inficiano sulle performance medie e riflettono una condizione controllata che poco dice riguardo l’uso su vasta scala del sistema.

Non di meno, un tasso di successo del 61% significa che il 39% delle parole trascritte è sbagliato (ossia 2 parole su 5). Un passo avanti più che significativo, certo, ma i risultati più attendibili si avranno quando la quantità di dati raccolti sarà tanto ingente da potere avere un quadro più preciso.

La passione di Meta AI per i segnali neuromotori

A luglio del 2025 Reality Labs, divisione di Meta che si occupa dello sviluppo della realtà aumentata e delle interfacce uomo-macchina, ha presentato un bracciale neuromotorio la cui funzione è rilevare i segnali elettrici che il cervello invia ai muscoli per farli muovere, traducendo questi impulsi in comandi digitali utili per controllare computer, dispositivi mobili o interfacce di realtà aumentata senza la mediazione di hardware quali tastiere o mouse.

Il sistema permette di eseguire azioni come puntare o scrivere a mano libera nell'aria, raggiungendo una velocità di input di circa 20,9 parole al minuto.

Nel 2024 Meta ha presentato il progetto Orion, occhiali che raccolgono segnali ambientali e biometrici per comprendere dove si trova chi li indossa, cosa sta guardando e come interagisce con l’ambiente.

L’uso degli occhiali, ancora in fase sperimentale, è appannaggio del personale interno e di un gruppo selezionato di sviluppatori.

Tuttavia, nelle intenzioni di Meta, gli occhiali e i visori rivestono un ruolo privilegiato.

Meta investe miliardi in queste tecnologie perché sta cercando di diventare la prossima piattaforma dominante del computer personale, ovvero il sistema che sostituisce smartphone e tastiera come punto principale di accesso al digitale.

Sta finanziando metodi che permettano di trasformare l’intenzione dell’utente in comandi, cercando di ridurre il passaggio fisico tra pensiero e input perché, negli occhiali o nei sistemi di realtà aumentata, non è previsto l’uso di tastiere, mouse o schermi esterni.