Meta는 2026년 6월 29일, 뇌에 임플란트를 삽입하지 않고도 뇌 활동을 통해 문장을 복원하는 AI 모델 'Brain2Qwerty v2'를 발표했다. 이 연구는 뇌자도(MEG) 장비를 통해 기록된 뇌 활동 데이터에서 사용자가 타이핑하는 자연어를 해석하는 비침습형 BCI 연구다. 향후 뇌 손상 등으로 발화나 신체 움직임이 자유롭지 못한 이들을 위한 의사소통 보조 수단으로 활용하는 것을 목표로 한다.

개발 과정에서는 9명의 참가자가 각각 10시간 동안 MEG 장비를 착용하고 문장을 입력하는 실험을 진행했다. 이를 통해 수집된 약 2만 2000개의 문장 데이터가 모델 학습에 사용됐다. 모델은 뇌 신호를 문장으로 직접 변환하는 엔드투엔드 딥러닝 파이프라인을 채택했으며, Conformer, Aligner, LLM을 결합하고 신경 데이터를 활용한 미세 조정(Fine-tuning)을 통해 문맥적 의미를 반영한 문장 재구성을 구현했다.

복원 성능은 단어 정답률 기준 평균 61%였으며, 가장 높은 기록을 보인 참가자는 78%에 달했다. 실험 대상 문장의 절반 이상에서 단어 오류가 1개 이하로 나타났다. 이전 버전인 v1 모델이 키 입력 타이밍에 의존했던 것과 달리, v2는 연속적인 뇌 신호로부터 직접 문장을 생성하는 방식으로 개선됐다.

다만 Meta는 일상적인 환경에서 활용하기에는 여전히 정확도가 부족하며, 문자나 단어 단위의 오류가 적지 않다고 밝혔다. 또한 실험에 사용된 대형 스캐너 방식의 MEG 장비 역시 임상 현장 도입을 위한 과제로 꼽힌다. 그럼에도 학습 데이터가 늘어날수록 성능이 지속적으로 향상되고 있어, 향후 센서의 소형화와 웨어러블화가 이루어지면 침습형 BCI와의 성능 격차를 줄일 수 있을 것으로 기대된다.

Meta는 2026년 6월 29일, 뇌에 임플란트를 삽입하지 않고도 뇌 활동을 통해 문장을 복원하는 AI 모델 'Brain2Qwerty v2'를 발표했다. 이 연구는 뇌자도(MEG) 장비를 통해 기록된 뇌 활동 데이터에서 사용자가 타이핑하는 자연어를 해석하는 비침습형 BCI 연구다. 향후 뇌 손상 등으로 발화나 신체 움직임이 자유롭지 못한 이들을 위한 의사소통 보조 수단으로 활용하는 것을 목표로 한다.

개발 과정에서는 9명의 참가자가 각각 10시간 동안 MEG 장비를 착용하고 문장을 입력하는 실험을 진행했다. 이를 통해 수집된 약 2만 2000개의 문장 데이터가 모델 학습에 사용됐다. 모델은 뇌 신호를 문장으로 직접 변환하는 엔드투엔드 딥러닝 파이프라인을 채택했으며, Conformer, Aligner, LLM을 결합하고 신경 데이터를 활용한 미세 조정(Fine-tuning)을 통해 문맥적 의미를 반영한 문장 재구성을 구현했다.

복원 성능은 단어 정답률 기준 평균 61%였으며, 가장 높은 기록을 보인 참가자는 78%에 달했다. 실험 대상 문장의 절반 이상에서 단어 오류가 1개 이하로 나타났다. 이전 버전인 v1 모델이 키 입력 타이밍에 의존했던 것과 달리, v2는 연속적인 뇌 신호로부터 직접 문장을 생성하는 방식으로 개선됐다.

다만 Meta는 일상적인 환경에서 활용하기에는 여전히 정확도가 부족하며, 문자나 단어 단위의 오류가 적지 않다고 밝혔다. 또한 실험에 사용된 대형 스캐너 방식의 MEG 장비 역시 임상 현장 도입을 위한 과제로 꼽힌다. 그럼에도 학습 데이터가 늘어날수록 성능이 지속적으로 향상되고 있어, 향후 센서의 소형화와 웨어러블화가 이루어지면 침습형 BCI와의 성능 격차를 줄일 수 있을 것으로 기대된다.