Штучний інтелект Meta зчитує набрані речення з мозку, хірургічне втручання не потрібне

Meta представляє неінвазивний інтерфейс мозок-комп’ютер

Дослідницька група Meta AI представила прототип нової технології нейроінтерфейсу, яка дозволяє декодувати мовлення безпосередньо з мозкової активності людини в режимі, близькому до реального часу. Ключовою особливістю розробки є її неінвазивний характер – система використовує нехірургічні методи зчитування сигналів, що кардинально відрізняє її від багатьох сучасних аналогів, які потребують імплантації електродів. Технологія базується на вдосконалених алгоритмах машинного навчання, які аналізують дані, отримані за допомогою магнітоенцефалографії (MEG) або електроенцефалографії (ЕЕГ).

Принцип роботи та технологічна база

Система Meta перетворює нейронні патерни, пов’язані з уявною вимовою слів, у текстові дані. Процес складається з кількох етапів

Дослідники використовують відкриті набори даних нейровізуалізації (наприклад, дані MEG/EEG, зібрані під час прослуховування або читання історій) для навчання моделі прогнозувати відповідні мозкові реакції. Хоча точність системи наразі нижча, ніж у клавіатури, і вона обмежена невеликим словниковим запасом, демонстрація можливості декодування речень без інвазивного втручання є значним кроком уперед.

Потенціал та обмеження неінвазивного підходу

Переваги неінвазивного інтерфейсу очевидні – відсутність ризиків, пов’язаних із хірургічною операцією, та потенційна доступність для ширшого кола користувачів. Це відкриває нові перспективи для людей із порушеннями мовлення або паралічем. Однак, технологія стикається з серйозними викликами

• Низьке співвідношення сигнал-шум Сигнали, що проходять через череп, значно слабші та спотвореніші, ніж ті, що отримуються з імплантатів.
• Варіативність між людьми Мозкові патерни у кожної людини унікальні, що вимагає індивідуального налаштування моделі.
• Обмежений словник Поточні моделі найкраще працюють із заздалегідь визначеними або дуже обмеженими наборами фраз.

Успіх Meta залежить від здатності покращити алгоритми декодування, щоб вони могли ефективніше працювати з менш якісними даними ЕЕГ/MEG. Компанія продовжує вдосконалювати моделі машинного навчання, прагнучи підвищити швидкість та точність розпізнавання. Досягнення в цій галузі можуть призвести до створення портативних пристроїв для спілкування, що не вимагають інвазивних процедур, хоча до комерційного впровадження такої технології ще потрібні роки досліджень.