Brain2Qwerty v2 ya Meta: Kuziba Pengo katika AI ya Ubongo-kwenda-Maandishi Isiyohitaji Upasuaji

Mafanikio mapya ya Meta katika teknolojia ya neva (neurotechnology) yanatuvusha karibu zaidi na mifumo ya mawasiliano kati ya ubongo na kompyuta bila hitaji la upasuaji. Kwa kutumia mifumo ya lugha ya hali ya juu na seti kubwa za data, mfumo wa Brain2Qwerty v2 unaonyesha jinsi vitambuzi visivyohitaji upasuaji vinavyoweza kutafsiri shughuli za neva kuwa maandishi yenye mantiki.

Kusonga Mbele Zaidi ya Viungio vya Upasuaji

Kwa miaka mingi, mawasiliano ya ubongo-kwenda-maandishi yenye usahihi wa juu yalihitaji viungio vya upasuaji (surgical implants) ili kupata viwango vya chini vya makosa. Wakati mifumo iliyowekwa ndani ya mwili kwa sasa inaongoza kwa viwango vya makosa ya maneno (WER) chini ya 2%, mbinu ya Meta isiyohitaji upasuaji inayotumia Magnetoencephalography (MEG) inaziba pengo hilo kwa kasi. Kwa kupima nyanja za sumaku nje ya fuvu la kichwa, watafiti katika maabara ya Meta ya Fundamental AI Research (FAIR) wanaweza kunasa shughuli za motor cortex—ishara zinazotumwa wakati mtu anapokusudia kusogeza vidole vyake—ili kuunda upya sentensi zilizopigwa chapa.

Ukubwa wa utafiti huu ni mkubwa: watafiti walirekodi watu tisa wenye afya kwa saa kumi kila mmoja, na kusababisha seti ya data yenye sentensi 22,000. Hii inawakilisha ongezeko la mara kumi la data ikilinganishwa na Brain2Qwerty v1 iliyopita, ikiruhusu modeli hiyo kuacha kuhitaji muda kamili wa kila mguso wa herufi (keystroke timestamps) na kuelekea kwenye dirisha la ishara la mfululizo na lisilo la wakati mmoja (asynchronous).

Nguvu ya Muunganisho wa LLM

Ubunifu wa msingi katika Brain2Qwerty v2 ni muunganisho wa modeli ya lugha iliyoboreshwa, Qwen3, ili kufanya kazi kama "msawazishaji" wa kimaana (semantic smoother). Mfumo huo huchakata ishara katika ngazi tatu tofauti: herufi, maneno, na sentensi kamili.

Matokeo yanaonyesha mabadilishano ya kuvutia kati ya usahihi wa herufi na maana ya kimaana:

  • Word Error Rate (WER): Modeli ya v2 ilifikia wastani wa WER wa 39%, ikiwa ni maboresho makubwa dhidi ya 55% iliyoonekana kwenye raw encoder na 43% iliyofikiwa na modeli ya v1 N-gram.
  • Character Error Rate (CER): Kwa kushangaza, CER kwa v2 ilikuwa 31%, ikiwa ni juu zaidi kuliko raw encoder (28%).

Hii hutokea kwa sababu modeli ya lugha ya Qwen3 inatoa kipaumbele kwa ufasaha na sarufi. Ikiwa ishara ya neva ina kelele (noisy), LLM "inaunda" (hallucinates) sentensi yenye sarufi sahihi ambayo inaweza isiendane na herufi zilizokusudiwa. Hata hivyo, kwa matumizi ya kliniki, uwezo wa kufikisha maana iliyokusudiwa (usahihi wa kimaana) ni muhimu zaidi kuliko tahajia kamili ya herufi kwa herufi.

Uboreshaji wa Utafiti Unaochochewa na AI

Katika mbinu ya kimeta ya ubunifu, Meta ilitumia mawakala watatu huru wa AI wanaozingatia Claude Opus 4.6 ili kuboresha kodi ya modeli hiyo. Mawakala hawa walifanikiwa kutambua mbinu zenye ufanisi mkubwa kama vile label smoothing na modality dropout, wakizidi mbinu za kawaida za uboreshaji zilizoundwa na binadamu. Ingawa mawakala hao walipata changamoto na kazi zisizo na mwisho na uthabiti wa kodi tata, mafanikio yao katika kurekebisha hyperparameters yanaashiria enzi mpya ambapo AI inaharakisha maendeleo ya zana za teknolojia ya neva.

Wakati Meta ikichunguza vitambuzi vya MEG vinavyobebeka na vinavyofanya kazi katika joto la chumba, njia kuelekea kifaa cha mawasiliano cha wakati halisi na kisichohitaji upasuaji kwa watu wenye ulemavu wa motor inazidi kuwa wazi.

Mambo Muhimu ya Kuzingatia

  • Hatua Kubwa ya Kimaana: Kwa kuunganisha modeli ya lugha ya Qwen3, Brain2Qwerty v2 ilipunguza viwango vya makosa ya maneno kwa kiasi kikubwa hadi 39%, ikitoa kipaumbele kwa maana kuliko usahihi wa herufi mbichi.
  • Uchakataji Usio wa Wakati Mmoja (Asynchronous): Modeli mpya haihitaji tena muda kamili wa kila mguso wa herufi, ikisogeza teknolojia hiyo karibu na matumizi ya wakati halisi na yasiyohitaji upasuaji.
  • Modeli Zilizoboreshwa na AI: Meta ilitumia kwa mafanikio mawakala wanaozingatia Claude Opus ili kurahisisha kwa njia ya kiotomatiki na kuboresha uboreshaji wa kodi ya neural decoding.