Il sistema usa registrazioni MEG e intelligenza artificiale per ricostruire frasi digitate. I risultati sono promettenti per la comunicazione assistita, anche se la tecnologia resta confinata alla ricerca.
Meta ha presentato Brain2Qwerty v2, una nuova versione del suo sistema di ricerca per trasformare l’attività cerebrale in testo senza ricorrere a impianti chirurgici. L’obiettivo è avvicinare le interfacce cervello-computer a scenari di comunicazione assistita in cui una persona possa esprimersi anche quando voce, movimento delle mani o tastiera non sono disponibili.
La tecnologia lavora su segnali registrati in modo non invasivo, attraverso magnetoencefalografia, o MEG. Questa tecnica misura dall’esterno i deboli campi magnetici prodotti dall’attività neuronale. Nel caso di Brain2Qwerty v2, i volontari hanno digitato frasi mentre indossavano un dispositivo MEG; il modello ha imparato ad associare i pattern cerebrali osservati alla sequenza di parole scritte.
Il dato più rilevante indicato da Meta riguarda la precisione sulle parole: Brain2Qwerty v2 arriva al 61% in media, con un picco del 78% nel partecipante migliore. Il modello è stato addestrato su circa 22.000 frasi raccolte da nove volontari, ciascuno registrato per circa dieci ore. Sono numeri da leggere nel perimetro di un esperimento controllato, con partecipanti sani e una procedura costruita per studiare la relazione tra attività cerebrale e linguaggio digitato.
Il miglioramento non va interpretato come una forma generale di lettura del pensiero. Il sistema non traduce qualunque contenuto mentale in parole, né funziona come una tastiera invisibile pronta per l’uso quotidiano. La ricerca riguarda un compito specifico: ricostruire frasi associate all’atto di digitare, partendo da segnali cerebrali raccolti in laboratorio e analizzati da una pipeline di intelligenza artificiale.
Il valore scientifico nasce proprio da questa delimitazione. La scrittura è un’attività linguistica e motoria insieme: richiede la scelta delle parole, la pianificazione della frase e il controllo dei movimenti necessari alla digitazione. Se un modello riesce a collegare una parte di questi segnali alla frase prodotta, diventa possibile studiare nuovi percorsi per la comunicazione, soprattutto nei casi in cui il canale motorio sia compromesso.
Brain2Qwerty v2 si inserisce in una linea di ricerca già documentata da un lavoro pubblicato su Nature Neuroscience, dedicato alla decodifica non invasiva di frasi digitate dall’attività cerebrale. In quel contesto sono stati coinvolti 35 partecipanti sani e sono state confrontate diverse modalità di registrazione, con risultati migliori per MEG rispetto a EEG. Il paper descrive anche un’architettura a più stadi, pensata per passare dai segnali neurali alla sequenza testuale.
La scelta della MEG spiega sia il potenziale sia il limite attuale della tecnologia. Rispetto a soluzioni invasive, non richiede elettrodi impiantati nel cervello e riduce la barriera medica iniziale. Allo stesso tempo, la MEG è una strumentazione da laboratorio: ingombrante, costosa e lontana dall’idea di un dispositivo personale. Per arrivare a un impiego clinico o assistivo servirebbero sistemi più pratici, protocolli robusti e verifiche su persone con effettive difficoltà di comunicazione.
La precisione del 61% indica che il modello coglie una quantità significativa di informazione linguistica, pur lasciando spazio a molti errori. In un sistema di comunicazione reale, anche una piccola ambiguità può cambiare il significato di una frase; per questo una tecnologia simile dovrebbe probabilmente essere affiancata da correzione automatica, conferme dell’utente e interfacce progettate per ridurre il carico cognitivo. Il picco del 78% mostra inoltre una variabilità individuale importante, un aspetto tipico delle interfacce neurali.
Per l’accessibilità, la direzione è comunque concreta. Le tecnologie di comunicazione aumentativa e alternativa si basano spesso su movimenti residui, tracciamento oculare, sensori fisici o sistemi di selezione progressiva. Una decodifica neurale non invasiva potrebbe ampliare questo insieme di strumenti, offrendo un canale aggiuntivo quando gli altri sono lenti, faticosi o impossibili. L’impatto più interessante non sarebbe la sostituzione della tastiera per tutti, quanto la possibilità di restituire autonomia comunicativa a chi oggi dispone di canali molto limitati.
La ricerca di Meta mostra anche come l’intelligenza artificiale stia uscendo dal solo ambito dei chatbot e dei generatori di contenuti. In questo caso i modelli non producono testo a partire da un prompt scritto, bensì cercano corrispondenze tra segnali biologici e linguaggio. È una forma diversa di multimodalità: non unisce testo, immagini e audio, bensì attività cerebrale e parole. Le competenze maturate nei modelli sequenziali e nella modellazione del linguaggio diventano utili per interpretare dati rumorosi e complessi.
Dal punto di vista industriale, Brain2Qwerty v2 conferma l’interesse delle grandi piattaforme per interfacce più naturali e meno dipendenti da schermi e tastiere. Meta ha lavorato a lungo su realtà aumentata, dispositivi indossabili e forme di interazione alternative; la decodifica neurale resta un ramo di ricerca avanzata, lontano da una distribuzione commerciale. Il collegamento con i futuri ambienti digitali è però evidente: se le interfacce diventano più sensibili al contesto umano, il linguaggio può essere prodotto, corretto e mediato attraverso canali sempre più diversi.
La cautela è necessaria. I risultati disponibili non dimostrano ancora un sistema clinico pronto, né un prodotto consumer. Mostrano però un progresso misurabile in un’area difficile, dove il compromesso tra qualità del segnale, invasività e usabilità è decisivo. La strada verso una comunicazione assistita basata su segnali cerebrali non invasivi richiederà hardware più accessibile, studi su pazienti, metriche condivise e interfacce progettate con attenzione.
Brain2Qwerty v2 va quindi letto come una dimostrazione di ricerca con conseguenze pratiche potenziali. Il risultato non cambia immediatamente il modo in cui si scrive al computer, però chiarisce una traiettoria: l’intelligenza artificiale può aiutare a trasformare segnali complessi in linguaggio utilizzabile. Per chi si occupa di accessibilità, lavoro cognitivo e strumenti digitali, è una direzione da seguire con attenzione, perché avvicina la comunicazione assistita a modelli più flessibili e personalizzati.
Fonti
- Meta official blog: From Brain Waves to Words: Brain2Qwerty Offers a New Path to Communication Without Surgery
- Nature Neuroscience: Noninvasive decoding of typed sentences from human brain activity
- Digital Trends: Meta’s Brain2Qwerty v2 turns thoughts into text, and it doesn’t need brain implants
