Pas grand-chose à signaler aujourd'hui

Meta Brain2Qwerty v2 : L’IA qui traduit vos pensées en texte sans implant cérébral

Meta a présenté Brain2Qwerty v2, une version améliorée de son système de décodage cérébral capable de transformer des signaux neuronaux en texte tapé, sans aucune intervention chirurgicale. Pour fonctionner, le dispositif s'appuie sur un scanner MEG (magnétoencéphalographie) porté sur la tête, qui capte les infimes champs magnétiques produits par l'activité cérébrale pendant que l'utilisateur imagine taper sur un clavier. À la différence de la première version, qui décodait les lettres une par une, Brain2Qwerty v2 est capable d'interpréter des caractères, des mots et des phrases entières simultanément, grâce à une combinaison de Transformers, de réseaux neuronaux convolutifs et de grands modèles de langage agissant comme un correcteur contextuel. Le modèle a été entraîné sur environ 22 000 phrases produites par neuf volontaires, chacun ayant passé près de dix heures sous scanner. Résultat : une précision moyenne de 61 % dans la reconnaissance des mots, avec un pic à 78 % pour le meilleur participant et plus de la moitié des phrases décodées comportant une seule erreur. Pour les personnes atteintes de paralysie ou privées de la parole, cette avancée représente une piste sérieuse vers une communication autonome sans chirurgie. Les interfaces cerveau-ordinateur les plus précises, comme celles de Neuralink, nécessitent des électrodes implantées directement dans le cortex, avec tous les risques opératoires que cela implique. Brain2Qwerty v2 démontre qu'une approche entièrement non invasive peut produire des résultats comparables, même si les taux de précision restent encore en deçà des systèmes implantés. Pour l'industrie neurotechnologique au sens large, ce résultat déplace les lignes : il prouve que la précision de lecture cérébrale n'est pas l'apanage exclusif des implants, et ouvre un axe de recherche distinct. Meta s'inscrit dans une course technologique qui réunit des acteurs très différents : Neuralink côté implants, BrainGate pour la recherche académique, et désormais Meta sur le segment non invasif. L'entreprise a choisi de publier en open source le code d'entraînement et l'ensemble de données, une décision qui devrait accélérer les travaux d'autres laboratoires. Les obstacles restent néanmoins considérables : les scanners MEG sont des équipements encombrants, extrêmement coûteux et confinés aux environnements de recherche. Aucune perspective de produit grand public n'est envisageable à court terme. Mais le signal envoyé est clair : les interfaces cerveau-ordinateur sans chirurgie cessent d'être de la science-fiction pour devenir un domaine d'ingénierie à part entière, et Meta entend y jouer un rôle central.

Meta AI publie Brain2Qwerty v2 : un pipeline MEG non invasif qui décode des phrases tapées avec 61 % de précision au niveau des mots

Meta AI a publié Brain2Qwerty v2, un système capable de décoder en temps réel des phrases tapées à partir d'enregistrements cérébraux non invasifs. La technologie repose sur la magnétoencéphalographie (MEG), qui mesure les champs magnétiques générés par l'activité neuronale pendant qu'une personne frappe sur un clavier, sans implant ni intervention chirurgicale. C'est la suite directe de Brain2Qwerty v1, sorti en février 2025. Le nouveau modèle atteint une précision moyenne de 61 % sur les mots (taux d'erreur de 39 %), contre seulement 8 % pour les méthodes non invasives précédentes. Le meilleur participant a atteint 78 % de précision, avec plus de la moitié des phrases comportant une erreur ou moins. Le système a été entraîné sur environ 22 000 phrases issues de neuf volontaires, chacun enregistré pendant dix heures, en collaboration avec le BCBL (Basque Center on Cognition, Brain and Language) en Espagne. Meta publie également le code d'entraînement complet des deux versions sous licence CC BY-NC 4.0. Ces résultats représentent un saut qualitatif majeur pour les interfaces cerveau-machine sans chirurgie. Contrairement aux systèmes précédents qui s'appuyaient sur des pipelines manuels pour détecter des événements neuronaux précis, Brain2Qwerty v2 utilise un apprentissage profond de bout en bout. L'architecture repose sur trois composants : un encodeur convolutif qui extrait des caractéristiques directement depuis les signaux MEG bruts, un transformer qui modélise la structure temporelle du signal, et un modèle de langage au niveau des caractères qui oriente la sortie vers des textes plausibles. Des grands modèles de langage ont par ailleurs été affinés sur les données neuronales pour ajouter un contexte sémantique, permettant au décodeur de reconstituer des phrases cohérentes malgré le bruit inhérent aux enregistrements cérébraux. La précision croît de façon log-linéaire avec la quantité de données, ce qui laisse entrevoir un fort potentiel d'amélioration à mesure que les corpus s'élargissent. Ces travaux s'inscrivent dans une compétition croissante autour des interfaces cerveau-machine, un secteur où Neuralink, la société d'Elon Musk, mise sur des implants invasifs pour atteindre des performances élevées. L'approche de Meta présente un avantage évident en termes d'accessibilité et d'éthique, puisqu'elle ne requiert aucune opération. En revanche, les appareils MEG restent aujourd'hui des équipements de laboratoire encombrants et coûteux, très loin d'un usage quotidien. Meta précise que Brain2Qwerty v2 est un projet de recherche, pas un produit, testé sur un échantillon limité dans des conditions contrôlées. Les applications à long terme visent en priorité les personnes atteintes de maladies paralysantes comme la SLA, pour qui un système de communication piloté par la pensée pourrait transformer radicalement la qualité de vie. La publication du code source ouvre la voie à des reproductions indépendantes et à de futures collaborations académiques.

Meta rapproche son IA de lecture cérébrale non invasive des performances des implants chirurgicaux

Meta a présenté une nouvelle version de son système Brain2Qwerty, développé par l'équipe de recherche FAIR, capable de traduire l'activité cérébrale en texte tapé sans recourir à un implant chirurgical. L'appareil capte les signaux magnétiques émis par le cerveau depuis l'extérieur du crâne, grâce à une technologie de magnétoencéphalographie, puis reconstitue les lettres que la personne pense taper sur un clavier. Selon Meta, la précision du système s'améliore à chaque nouvel enregistrement ajouté à l'entraînement du modèle, un signe encourageant pour la suite du projet. Fait notable, des agents d'intelligence artificielle capables d'écrire eux-mêmes du code ont participé à l'optimisation technique du système. Cette avancée intéresse particulièrement le domaine médical, où elle pourrait un jour offrir une alternative aux interfaces cerveau-machine invasives, comme celles développées par Neuralink, pour les patients paralysés ou atteints de troubles moteurs sévères. Un dispositif non invasif réduirait les risques chirurgicaux et les coûts, tout en rendant la technologie accessible à un plus grand nombre de patients incapables de communiquer autrement. Toutefois, Meta reste prudent sur le calendrier d'un usage clinique réel, qui demeure encore lointain. La technologie s'inscrit dans une compétition mondiale croissante autour des interfaces cerveau-ordinateur, où des acteurs comme Neuralink d'Elon Musk misent sur l'implant chirurgical, tandis que des laboratoires de recherche comme FAIR explorent des voies non invasives. Les prochaines étapes dépendront probablement de l'ampleur des données collectées et de la capacité du système à généraliser au-delà des conditions de laboratoire.

💬 Selon Meta, la précision de Brain2Qwerty s'améliore à chaque enregistrement ajouté, ce qui veut dire que la vraie course n'est plus l'implant vs le non-invasif, mais qui accumule le plus de données cérébrales en premier. Neuralink a l'avantage du signal propre, Meta a l'avantage du volume et de FAIR qui tourne dessus depuis des années. Bon, sur le papier c'est impressionnant, mais "usage clinique lointain" ça veut dire encore des années avant qu'un patient paralysé en profite vraiment.

Décodage cérébral MEG de bout en bout via NeuralSet et apprentissage profond pour prédire les traits linguistiques

Des chercheurs en neuroIA ont publié un tutoriel détaillant la construction d'un pipeline complet de décodage cérébral à partir de signaux MEG (magnétoencéphalographie), une technique d'imagerie cérébrale non invasive qui mesure les champs magnétiques produits par l'activité électrique des neurones. L'objectif concret du projet : prédire la longueur des mots qu'une personne lit ou entend, uniquement à partir des signaux cérébraux bruts, sans aucun autre indice. Pour y parvenir, l'équipe s'appuie sur deux bibliothèques Python dédiées, NeuralSet et NeuralFetch, couplées à PyTorch pour l'entraînement d'un réseau de neurones convolutif (CNN). Le pipeline transforme les données MEG en événements temporels structurés, extrait des caractéristiques linguistiques via un extracteur personnalisé nommé CharCount, puis entraîne le modèle à reconnaître les patterns spatiaux et temporels associés au traitement du langage dans le cerveau. Ce type de pipeline représente une avancée méthodologique importante pour la recherche en interface cerveau-machine, un domaine jusqu'ici freiné par la complexité de traitement des signaux neuronaux bruts. En proposant un workflow modulaire et reproductible, avec gestion des dépendances, graine aléatoire fixée pour la reproductibilité, et catalogage automatique des jeux de données MEG disponibles, les auteurs offrent aux équipes de recherche une base de travail standardisée. L'enjeu pratique est considérable : décoder des features linguistiques à partir d'activité cérébrale ouvre la voie à des systèmes de communication pour des patients atteints de paralysie ou de maladies neurodégénératives comme la SLA, sans implants chirurgicaux invasifs. Ce projet s'inscrit dans une dynamique plus large qui voit la neuroIA attirer des investissements massifs et des équipes de recherche de premier plan. Meta AI a démontré en 2023 qu'il était possible de décoder la parole perçue à partir de signaux MEG avec une précision inédite grâce à des architectures Transformer. OpenAI, DeepMind et plusieurs startups spécialisées comme Synchron ou Precision Neuroscience explorent parallèlement des approches invasives via des électrodes corticales. La particularité de l'approche MEG non invasive est qu'elle ne nécessite pas d'intervention chirurgicale, mais elle souffre d'une résolution spatiale plus faible que les implants. L'utilisation de CNN pour capturer les structures spatio-temporelles des signaux MEG reste un compromis efficace, et la publication de frameworks open source comme NeuralSet devrait accélérer la standardisation des protocoles expérimentaux, facilitant la comparaison entre études et la montée en puissance de modèles de décodage plus robustes dans les années à venir.