Niente chip nel cervello: l’IA di Meta “legge” il pensiero e lo trasforma in testo con il 78% di precisione

📌 In Sintesi

• Meta migliora Brain2Qwerty, una BCI non invasiva capace di trasformare segnali cerebrali in frasi complete.
• Il sistema usa scanner MEG, modelli gerarchici e un LLM per decodificare testo da attività motoria cerebrale.
• L’accuratezza arriva al 78% nel miglior soggetto, ma l’hardware resta troppo ingombrante per l’uso clinico immediato.

Meta compie un nuovo passo nella ricerca sulle interfacce cervello-computer con la seconda versione di Brain2Qwerty, un sistema non invasivo progettato per trasformare l’attività cerebrale associata alla digitazione mentale in frasi complete. Il progetto utilizza la magnetoencefalografia, tecnologia nota come MEG, per misurare i deboli campi magnetici generati dai neuroni nella corteccia motoria mentre un soggetto immagina o compie l’atto di digitare su una tastiera virtuale. La nuova versione migliora sensibilmente i risultati della precedente generazione grazie a un volume di dati di addestramento circa dieci volte superiore, raggiungendo un’accuratezza media delle parole del 61% e un picco del 78% nel partecipante migliore. L’obiettivo resta clinico: offrire in futuro uno strumento di comunicazione a persone che hanno perso la capacità di parlare a causa di ictus, traumi o patologie neurologiche, evitando però gli impianti cerebrali chirurgici richiesti dalle BCI invasive.

Brain2Qwerty punta alla comunicazione senza impianti cerebrali

Brain2Qwerty nasce per affrontare uno dei problemi più complessi della neurotecnologia: convertire segnali cerebrali in linguaggio scritto senza ricorrere a elettrodi impiantati. A differenza delle soluzioni invasive, che possono offrire segnali più stabili e ad alta risoluzione ma richiedono interventi chirurgici, il sistema di Meta lavora esclusivamente con misurazioni esterne. I partecipanti agli esperimenti digitano frasi su una tastiera virtuale mentre lo scanner MEG registra l’attività della corteccia motoria legata al movimento delle dita. Il modello impara quindi ad associare pattern neuronali a lettere, parole e sequenze linguistiche. La novità più importante della seconda versione è la capacità di operare su registrazioni continue, senza conoscere in anticipo il momento esatto della pressione di ogni tasto. Questo passaggio rende il sistema molto più vicino a una decodifica naturale del linguaggio, perché non dipende da una segmentazione manuale dei segnali e può generare frasi complete in tempo reale.

La magnetoencefalografia offre precisione ma resta poco pratica

Il cuore tecnico del progetto è la magnetoencefalografia, una tecnologia capace di rilevare i campi magnetici prodotti dall’attività elettrica dei neuroni. Rispetto all’EEG, la MEG può offrire una migliore localizzazione spaziale dell’attività cerebrale, caratteristica utile quando si vuole distinguere il contributo delle aree motorie coinvolte nella digitazione. Durante gli esperimenti il sistema registra segnali con riferimenti temporali nell’ordine di pochi millisecondi, intercettando l’attività che precede il gesto di premere un tasto. Il limite principale è però hardware: gli scanner MEG attuali occupano una stanza intera, richiedono ambienti controllati e impongono al soggetto di rimanere fermo sotto un’apparecchiatura ingombrante. Per questo Brain2Qwerty non è ancora una tecnologia trasferibile direttamente in ospedale, in casa o in un dispositivo indossabile. La sua rilevanza sta piuttosto nella dimostrazione scientifica che la decodifica di frasi complete senza impianti è tecnicamente possibile e migliora in modo misurabile con più dati e modelli più robusti.

La versione 2 usa più dati e una nuova architettura gerarchica

Il salto prestazionale della seconda versione dipende soprattutto dall’aumento del dataset e da una nuova architettura di decodifica. Meta e il Basque Center on Cognition, Brain and Language hanno addestrato il sistema con circa 22.000 frasi, contro le circa 2.200 utilizzate nella versione precedente. Questo incremento consente al modello di riconoscere pattern più vari e di generalizzare meglio la relazione tra attività cerebrale e testo.

L’architettura combina tre livelli: un modulo Conformer per estrarre caratteristiche dai segnali MEG, un modulo di allineamento per collegare le informazioni a lettere e parole, e un modello linguistico di grandi dimensioni incaricato di rendere la frase finale più coerente. La struttura gerarchica permette di compensare errori locali nella decodifica dei singoli caratteri, sfruttando il contesto linguistico per correggere o completare le parole. In pratica, il sistema non interpreta soltanto segnali motori isolati, ma li integra in una previsione linguistica più ampia.

Accuratezza fino al 78%, ma l’uso quotidiano resta lontano

I risultati mostrano un progresso netto rispetto alla prima generazione. L’accuratezza media delle parole raggiunge il 61%, mentre nel miglior partecipante arriva al 78%. In alcuni casi il sistema ricostruisce frasi complete in modo quasi perfetto, mentre in altri sostituisce singole parole o porzioni di frase mantenendo comunque il significato generale. Il dato più interessante riguarda la cosiddetta legge di scaling osservata dai ricercatori: aumentando la quantità di dati, le prestazioni continuano a migliorare senza mostrare ancora un plateau evidente.

Questo suggerisce che ulteriori dataset, modelli più grandi e sessioni di addestramento più lunghe potrebbero portare a risultati superiori. Tuttavia, l’accuratezza attuale non è sufficiente per un impiego quotidiano autonomo, soprattutto in ambito clinico, dove ogni errore può compromettere la comunicazione di un paziente fragile. La tecnologia richiede ancora correzioni, validazione su persone con disturbi neurologici e soprattutto hardware più accessibile.

Il sistema combina AI, crittografia del segnale e linguaggio naturale

La pipeline di Brain2Qwerty dimostra quanto le moderne BCI dipendano ormai dall’integrazione tra neuroscienze, elaborazione del segnale e intelligenza artificiale. Il modello parte da segnali cerebrali rumorosi, li trasforma in rappresentazioni numeriche, prova ad allinearli a unità linguistiche e usa un LLM per generare una frase plausibile. Questo approccio consente di superare parzialmente la fragilità dei segnali non invasivi, ma introduce anche una questione metodologica: una parte del risultato finale dipende dalla previsione linguistica e non soltanto dalla lettura diretta del cervello. Per l’uso clinico sarà quindi essenziale distinguere ciò che il paziente intende comunicare da ciò che il modello inferisce statisticamente. La precisione semantica, la possibilità di correggere rapidamente gli errori e la trasparenza del processo di decodifica diventeranno aspetti centrali prima di qualsiasi applicazione reale.

Le prospettive cliniche dipendono dalla miniaturizzazione della MEG

Il potenziale clinico di Brain2Qwerty è significativo, ma resta legato a progressi hardware ancora non maturi. Una BCI non invasiva capace di decodificare frasi complete potrebbe offrire una nuova forma di comunicazione a persone colpite da ictus, lesioni traumatiche, malattie neurodegenerative o sindromi locked-in. Il vantaggio rispetto agli impianti è evidente: meno rischio chirurgico, minore barriera d’accesso e potenziale adozione più ampia. Tuttavia, finché la MEG resterà confinata a scanner grandi, costosi e immobili, la tecnologia continuerà a essere uno strumento di ricerca più che una soluzione clinica. I ricercatori osservano con attenzione lo sviluppo di sensori MEG miniaturizzati e potenzialmente indossabili, che potrebbero cambiare radicalmente lo scenario. La seconda versione di Brain2Qwerty non porta ancora la lettura del pensiero nella pratica medica, ma dimostra che la decodifica non invasiva del linguaggio sta passando da esperimento limitato a piattaforma di ricerca scalabile, con prestazioni ormai sufficienti per orientare la prossima fase dello sviluppo.