脳波を文章に変えるBrain2Qwerty v2、非侵襲BCIはどこまで進んだか｜2026年8月5日版
脳に電極を埋め込まず、頭の外から計測した信号を文章へ変換する。Meta AIが公開した「Brain2Qwerty v2」は、その精度を平均単語誤り率39％まで改善しました。
ただし、自由に考えた内容を読み取る「読心術」ではありません。実験では、健康な参加者が覚えた文章をキーボードで入力している最中の脳活動を、大型の脳磁計で測定しています。現時点では研究段階ですが、非侵襲型の意思伝達支援に向けた技術的な前進です。
- 9人から各10時間、合計2万2,000文の入力データを収集
- MEG（脳磁図）の信号から文章をリアルタイムに復号
- 文字・単語・文の3段階の表現を組み合わせ、誤りを削減
- 学習コードを公開する一方、臨床利用には装置や精度の課題が残る
Brain2Qwerty v2で何が変わったのか
最大の変化は、非侵襲で計測したノイズの多い脳信号から、単語や文章として意味の通る候補を絞り込めるようになったことです。
Meta AI、フランス国立科学研究センターなどの研究チームは、9人の参加者が文章をタイプしている間の脳活動をMEGで記録しました。1人当たりの収録時間は10時間で、データ量は計2万2,000文です。
その結果、Brain2Qwerty v2の平均単語誤り率は39％となりました。言い換えると、平均では約61％の単語が正しく復号された計算です。最も成績の良かった参加者では、評価対象となった文章の半数を「誤り1語以内」で復元できました。
これは完成した意思伝達装置ではありません。日常会話に使うには誤りがまだ多いからです。それでも、手術を伴わない計測方法で、従来は頭蓋内電極が必要と考えられていた精度帯へ近づいた点が重要です。
ここがポイント: Brain2Qwerty v2は頭に浮かんだ考えを無条件に読む装置ではなく、参加者が文章を入力するという決められた課題中の脳活動を学習・復号した研究システムです。
文章へ変換する仕組み
Brain2Qwerty v2は、脳信号を一度に完成文へ変換する単純なモデルではありません。時間に沿って変化する信号を捉え、複数の言語表現を使って候補を絞ります。
1. MEGで神経活動に伴う磁場を測る
MEGは、脳内の電気活動によって生じる微弱な磁場を頭の外から測定します。頭皮上の電位を測るEEG（脳波）と同じく手術は不要ですが、信号は非常に弱く、周囲の雑音や個人差の影響を受けます。
今回の研究で使われたMEG装置は、家庭で装着できるヘッドセットとは大きく異なります。高性能なセンサーと磁気を遮る設備が必要で、装置の小型化と低コスト化は実用化に向けた大きな宿題です。
2. 深層学習で入力動作に対応する信号を捉える
従来のように人が特徴量を細かく設計するのではなく、深層学習モデルが連続するMEG信号から文字入力に関係するパターンを抽出します。
脳信号には「この波形なら必ずこの文字」という単純な対応がありません。そこでモデルは、時間的に連続する活動とキー入力の関係を大量のデータから学びます。研究チームは、データ量が増えるほど復号精度が対数線形的に改善したと報告しています。
3. 文字だけでなく、単語と文の意味を使う
v2の中核は、次の異なる粒度を組み合わせる設計です。
- 文字レベル：脳信号と個々のキー入力の対応を推定する
- 単語レベル：あり得る単語の並びを評価する
- 文レベル：文章全体の意味や自然さを手掛かりに候補を選ぶ
研究チームは、大規模言語モデルを調整して意味表現を抽出し、復号結果の改善に利用しました。さらに、AIエージェントによるコード開発も復号パイプラインの反復改善に使われています。
つまり、精度向上を支えたのは脳信号の計測だけではありません。信号処理、言語モデル、開発工程の自動化という三つのAI活用が組み合わされています。
「思考を読める」とは言えない理由
この研究を理解するうえで、実験条件の確認は欠かせません。
参加者は自由に思考していたのではなく、短い文章を記憶し、キーボードで入力していました。モデルが復号したのは、この明確な行動に伴う脳活動です。発話を試みる患者や、身体を動かせない人が頭の中で文章を組み立てる状況とは条件が異なります。
現段階で確認されている範囲は次の通りです。
- 健康な参加者を対象とした実験である
- 文章をタイプする課題中のデータを使っている
- 個人ごとに長時間の学習データを収集している
- 一般的なウェアラブル機器ではなくMEGを使っている
- 平均では復号単語の約4割に誤りが残る
このため、意思伝達が難しい患者へそのまま転用できる段階ではありません。患者が意図した文章を入力動作なしで生成できるか、個人ごとの長時間学習を短縮できるか、臨床環境でも安定して動くかを別途検証する必要があります。
なぜ非侵襲型BCIが重要なのか
脳卒中、ALS、重い脳損傷などにより、意識や言語能力が保たれていても発話や身体操作が難しくなる人がいます。頭蓋内へ電極を置く侵襲型BCIでは、高精度な文字入力や発話復元が報告されてきました。
一方、手術には医学的リスクがあります。長期利用では、電極周辺の組織反応や信号品質の維持も課題です。専門的な手術と継続管理が必要なため、利用できる患者や施設も限られます。
非侵襲型で実用的な精度を得られれば、手術を避けながら意思伝達を支援できる可能性があります。Brain2Qwerty v2が示したのは、その候補経路の一つです。
ただし、実用化には「非侵襲であること」だけでなく、次の条件もそろわなければなりません。
- 患者本人に過度な訓練負担をかけない
- 誤変換を本人が確認・訂正できる
- 病院や生活環境で使える大きさと価格にする
- 脳由来データの保存、共有、削除を厳格に管理する
- モデルが推定した文章と本人の意思を明確に区別する
とりわけ誤変換は、通常の音声入力より重い問題です。医療、介護、契約などの場面では、AIが補った自然な文章が本人の意図と異なっていても、周囲が気づかない恐れがあります。流暢さだけでなく、確信度の表示や訂正手段まで含めた設計が必要です。
日本の開発者・医療関係者が見るべき点
この研究から直ちに導入できる製品はありません。しかし、医療AIや支援技術に携わる人には、開発の評価軸が見えてきます。
開発者
単一の正解率だけでなく、患者ごとの学習時間、遅延、訂正回数を測る必要があります。言語モデルが文章を自然に補うほど、脳信号から直接得られた情報との境界も記録しなければなりません。
公開された学習コードは、追試や別方式との比較を進める材料になります。ただし、コードが公開されても、MEG装置と長時間の被験者データを用意するハードルは残ります。
医療・福祉の現場
評価すべきなのは、研究室内の精度だけではありません。疲労や服薬、症状の変化がある状態でも使えるか、視線入力やスイッチ入力など既存の支援手段より負担を減らせるかが重要です。
利用者と家族
「AIが脳を読む」という表現より、何を測り、どの条件で文章を推定するのかを確認する必要があります。本人の同意、データの利用範囲、誤変換時の責任も、性能と同じくらい重要な判断材料です。
継続ウォッチ
Brain2Qwerty v2の次の焦点は、精度の数字よりも実験条件をどこまで現実へ近づけられるかです。
- 入力動作を伴わない「発話の試み」でも復号できるか
- 患者を対象とした研究へ進めるか
- 1人10時間というデータ収集量を減らせるか
- 小型のMEGセンサーやEEGで性能を再現できるか
- 言語モデルによる補完部分を利用者へ明示できるか
- 脳由来データの目的外利用を防ぐ規則を整備できるか
今日のまとめ
Brain2Qwerty v2は、非侵襲のMEG信号から文章をリアルタイムに復号し、平均単語誤り率39％を達成しました。文字だけでなく単語と文の意味を使う多段階の設計が、精度向上の鍵です。
一方で、実験は健康な9人が文章をタイプする条件で行われ、大型装置と1人10時間のデータを必要としました。次に見るべきなのは、患者が入力動作を行わない条件での検証と、誤変換を本人が安全に訂正できる仕組みです。臨床への距離は、精度だけでなく、装置・訓練負担・意思確認の三点で測る必要があります。