Meta apresenta Brain2Qwerty para traduzir ondas cerebrais em texto sem cirurgia

O Brain2Qwerty v2 é um modelo de interface cérebro-computador (BCI) não invasiva desenvolvido pela Meta AI e publicado em junho de 2026, com resultados detalhados na revista Nature Neuroscience. Diferentemente de sistemas como os da Neuralink, que exigem implantes cirúrgicos, ele usa magnetoencefalografia (MEG), um método externo que capta campos magnéticos gerados pela atividade neuronal por meio de sensores posicionados fora do crânio. O treinamento envolveu nove voluntários saudáveis, cada um com cerca de 10 horas de gravação enquanto digitavam mental ou fisicamente, totalizando ~22.000 frases. A arquitetura é end-to-end: processa sinais brutos de MEG diretamente, sem etapas manuais de detecção de eventos neurais, e integra grandes modelos de linguagem (LLMs) fine-tuned em dados cerebrais para melhorar coerência e correção de erros.

A precisão média de 61% em acerto por palavra é um salto em relação aos 8% de métodos não invasivos anteriores, e o melhor participante atingiu 78%, com mais da metade das frases decodificadas com zero ou apenas um erro. A pesquisa mostra que a melhora na acurácia segue uma curva log-linear com volume de dados, sugerindo que escalar a coleta pode reduzir ainda mais a lacuna em relação às abordagens invasivas. Todo o código de treinamento das versões v1 e v2 está no Hugging Face; o dataset da v1 foi liberado pelo Basque Center on Cognition, Brain, and Language (BCBL).

Brain2Qwerty v2 não é só um avanço técnico: é um passo concreto rumo à comunicação assistiva acessível para pessoas com paralisia severa, síndrome do encarceramento, ELA ou lesões cerebrais que impedem fala e movimento. Hoje, soluções eficazes exigem cirurgias de alto risco e custo elevado, como eletrocorticografia (ECoG) ou implantes estereotáxicos. Um sistema não invasivo, aberto e reprodutível muda esse cenário: reduz barreiras clínicas, éticas e logísticas. Além disso, sua disponibilização pública estimula validação independente, replicação e inovação colaborativa, parte do esforço maior da Meta no Digital Brain Project, que inclui modelos como Tribev2, NeuralSet e NeuralBench, além de um fundo de US$ 5 milhões para datasets abertos em neurociência.

Para desenvolvedores e pesquisadores, Brain2Qwerty v2 oferece um pipeline completo e documentado para BCI não invasiva: desde captura com MEG até decodificação via LLMs ajustados. O código no Hugging Face permite experimentar, adaptar e integrar o modelo com outras arquiteturas, por exemplo, trocando o decoder por variantes de Transformer ou testando transfer learning com outros tipos de sinal cerebral (como EEG). A abertura do dataset v1 também serve como benchmark para comparação de novos algoritmos. Importante: o sistema atual depende de equipamentos MEG de laboratório, mas a Meta aponta que miniaturização de sensores é viável a médio prazo, o que abre caminho para futuros dispositivos portáteis baseados em tecnologias derivadas, como magnetômetros ópticos ou SQUIDs de estado sólido.