Meta、非侵襲脳信号デコーダ「Brain2Qwerty v2」を発表単語精度61%達成

平均単語精度61%、最高では78%——手術なしで脳のタイピング意図を読み取り、文章へ変換するシステムが現実のものになりつつあります。

MetaのAI研究チーム「Meta FAIR」が2026年6月29日に公開した「Brain2Qwerty v2」は、MEG（脳磁図：頭部の外側から磁場を計測して脳活動を非侵襲的に測定する装置）を搭載したヘルメット型デバイスを用いて、脳信号をリアルタイムで解析し文章を出力するシステムです。
脳にチップを埋め込む侵襲型BCI（Brain-Computer Interface：脳波や脳信号でコンピュータを操作する技術）とは根本的に異なるアプローチで、被験者にメスを入れることなく、脳の外から磁気信号を拾います。

Xで飛び交った驚きと問い

発表直後、AIと神経科学に関心を持つユーザーがX上で反応を示しました。

AI at Meta公式アカウントの投稿は、v2が「非侵襲型の手法としてこれまでで最も高精度なリアルタイム文章デコード」を実現したことを強調するものでした。

We’re sharing the next major milestone in our non-invasive brain-to-text decoder research: Brain2Qwerty v2.

Building on v1, which was published today in @Nature, Brain2Qwerty v2 is the highest-performing end-to-end pipeline capable of real-time sentence decoding from raw brain… pic.twitter.com/qJ8qrrgTaF
— AI at Meta (@AIatMeta) 2026年6月29日

研究チームのリード著者であるJean-Rémi King氏も同タイミングでXに投稿し、「v1が8%だった単語精度がv2で61%へと大幅に向上した」ことを研究者コミュニティへ向けてアナウンスしました。

We’re happy to announce 2 releases today:
– 🧠Brain2qwerty v1 is published at @NatureNeuro
– 🚀 Brain2Qwerty v2 is now publicly released

Explore how we decode sentences from non-invasive brain recordings: https://t.co/NFhDVMQoeR

Links:
📄v1 Nature Neuro:… pic.twitter.com/ZSumQLdEDh
— Jean-Rémi King (@JeanRemiKing) 2026年6月29日

単語精度61%という数字は、同じく非侵襲型の従来手法と比べて約8倍に当たるもので、専門家からは「非侵襲BCIの歴史的な節目」という評価も出ています。
日本のAI研究者やテクノロジー関心層からは「ALSの患者さんに使えるようになる日が近いかも」「こういう技術こそ医療に転用してほしい」といった期待の声が上がる一方、「脳を読まれるってどこまでいくんだろう」というプライバシーへの懸念も同時に寄せられています。

MEGとは何か——なぜ手術なしで脳が読めるのか

MEGは、神経細胞が活動するときに生じる微細な磁気変化を、頭部の外から306チャンネルのセンサで拾う装置です。
fMRI（機能的磁気共鳴画像法）よりも時間分解能が高く、脳活動のリアルタイム変化を追うのに適しています。
ただし、装置自体は磁気シールドルームが必要な大型の研究用機器であり、まだ一般家庭や小規模クリニックで使える段階ではありません。

Brain2Qwerty v2のデータ収集は、9人の健康なボランティアがMEGヘルメットを装着しながらタイピングを行うという形で進められました。
各被験者は約10時間この作業に取り組み、計約22,000文分のデータが収集されています。

v1からv2へ——何がどう変わったか

初代Brain2Qwerty（v1）が2025年にNature Neuroscienceで発表された時点での単語精度は約8%にとどまっていました。
当時は「1文字ずつ解読する」アーキテクチャを採用しており、脳信号のノイズに対して脆弱でした。

v2で採用された3段階パイプラインは、この弱点を大きく克服しています。

第1段階（エンコーダー） では、深層学習モデル（Transformerと畳み込みニューラルネットワークの組み合わせ）が生の磁気信号から文字レベルの特徴を抽出します。
キーストロークのタイミング情報を必要とした旧方式から、非同期デコードへ移行したことで、より自然な脳活動パターンに対応できるようになりました。

第2段階（アライナー） では、脳信号の表現空間と大規模言語モデル（LLM）の空間を橋渡しする新機構が機能します。
スペース文字を手がかりにしたCTC（Connectionist Temporal Classification）トークナイザーが、86%の文で単語数を±1以内で推定できるという精度を発揮します。

第3段階（LLM） では、Qwen3-4Bモデルをベースに、被験者ごとにLoRA（低ランク適応）でファインチューニングし、その重みを平均化する「モデルスープ」手法を用いて文章を補完します。
ノイズの多い脳信号から不完全に取れた文字列であっても、文脈から「この人が言いたかったこと」を推定して補完するイメージです。
スマートフォンの予測変換が、あいまいな入力をもとに最適な候補を提案するのに近いしくみです。

最高成績を出した被験者では単語精度78%に達し、デコードされた文の約半数が1語以内の誤差に収まっています。

オープンソース公開の意義

Metaはv2の発表と合わせて、訓練コードをGitHub（github.com/facebookresearch/brain2qwerty）で公開しました。
共同研究機関のBCBL（バスク認知・脳・言語センター）はv1のデータセットも公開しており、世界中の研究者がこのシステムを基盤として発展させられる環境が整いつつあります。

学術界にとってはブラックボックスを排除した再現性の確保という意味があり、医療機器開発の視点からは、将来の製品化に向けた技術標準の早期形成という側面もあります。

医療応用への道筋と残る課題

Brain2Qwerty v2が主たるターゲットとして見据えているのは、ALS（筋萎縮性側索硬化症：筋肉が徐々に動かなくなる神経疾患）や脳卒中後遺症、ロックイン症候群など、自力でのコミュニケーションが困難になった患者への応用です。

現在の最大の課題は二点あります。
一つは、訓練データの収集方法そのものです。
現行モデルは「タイピングしながら脳信号を収集する」プロセスを必要としますが、コミュニケーション障害のある患者はこのプロセス自体が行えません。
適応型の訓練手法の開発が、臨床展開への重要なステップとなります。

もう一点は、リアルタイム処理への対応です。
現在のシステムは文章全体を一度に処理する方式のため、会話のように逐次的に文字を出力するには追加の最適化が必要です。

ポータブル化への道も模索されており、光ポンプMEG（OPM）と呼ばれる小型センサを用いた実験では、153チャンネルでも一定の性能が確認されています。
将来的にはリュックに入るサイズの装置が実現する可能性も示唆されており、病院外での利用への期待が高まっています。

さらに読みたい方へのリンク

Meta AI公式ブログ: https://ai.meta.com/blog/brain2qwerty-brain-ai-human-communication/
Digital Trends解説記事（英語）: https://www.digitaltrends.com/cool-tech/metas-brain2qwerty-v2-turns-thoughts-into-text-and-it-doesnt-need-brain-implants/
コード公開リポジトリ: https://github.com/facebookresearch/brain2qwerty

SocialReport編集部の考察

Brain2Qwerty v2が示す最大の意義は、「精度の向上」そのものより、「非侵襲でここまで届いた」という事実の方にあると感じます。

Neuralink代表するように、高精度なBCIはこれまで脳への物理的な介入を前提としてきました。
しかしMEGというアプローチが61%という実用的な精度水準に達したことで、「手術リスクを許容できる重篤患者にしか使えない」という制約が崩れつつあります。
精度がさらに上がり、デバイスが小型化されれば、ALSや脳卒中患者だけでなく、発語困難を抱える自閉スペクトラム症の方や、手術後のリハビリ補助としても広く活用できる未来が見えてきます。

一方で、「脳を読まれる」技術の社会実装には、テクノロジー面の議論だけでは足りません。
脳信号は指紋や顔認証と異なり、感情や思考内容に近い情報を含む可能性があります。
データをどの主体が管理し、何に使い、どう消去するかというガバナンスの枠組みが、技術開発と並行して整備される必要があります。

Metaがオープンソースという形を選んだことは研究コミュニティへの貢献として評価できますが、同時に悪用のリスクを分散させるという側面もあります。
医療応用と監視利用の間にある線を社会としてどう引くか——Brain2Qwerty v2の登場は、そのような問いを私たちに突きつけています。

まとめ

MetaのBrain2Qwerty v2は、MEGを用いた非侵襲型の脳信号デコードで平均単語精度61%を達成し、従来手法の約8倍という性能を実現しました。
3段階のディープラーニングパイプラインと大規模言語モデルの組み合わせが精度向上の核心で、訓練コードとデータセットはオープンソースとして公開されています。
ALSや脳卒中患者への医療応用が主な目標ですが、リアルタイム処理への対応や患者向け訓練データの収集方法など、臨床展開にはまだ課題が残ります。
技術の進化とともに、脳データのプライバシー保護やガバナンスの議論も急務となっています。