GPT-Images-2.0
Kurzfassung
▾
Quellen
▾
Meta hat mit Brain2Qwerty v2 ein neues KI-Modell veröffentlicht, das Hirnsignale nicht-invasiv in Text übersetzt.
Das System analysiert MEG-Daten mit Deep Learning und erreicht dabei eine Wortgenauigkeit von 61 Prozent.
Damit schließt die Software erstmals die Leistungslücke zu deutlich riskanteren chirurgischen Hirnimplantaten.
Meta stellt den Trainingscode ab sofort als Open Source bereit, um die weltweite Medizinforschung zu beschleunigen.
Meta AI Blog: From Brain Waves to Words
X: @AIatMeta über Brain2Qwerty v2
Meta hat heute Brain2Qwerty v2 vorgestellt. Das Modell übersetzt rohe Hirnsignale in Echtzeit in Text, ohne dass Nutzer dafür einen operativen Eingriff benötigen. Damit nähert sich Brain2Qwerty v2 bei der nicht-invasiven Sprachdecodierung erstmals der Genauigkeit von chirurgischen Implantaten an. Direkte Decodierung über Sprachmodelle Bisherige nicht-invasive Ansätze litten unter extremen Ungenauigkeiten bei der Signalverarbeitung. Brain2Qwerty v2 liest die Messwerte von Magnetoenzephalographie-Scannern (MEG) nun direkt über Deep-Learning-Algorithmen aus. Statt mühsam Buchstaben aneinanderzureihen, decodiert Brain2Qwerty v2 vollständige Wörter. Um die verrauschten Hirnsignale in fehlerfreie Sätze zu überführen, verknüpft Meta die Daten mit dem semantischen Wissen von Large Language Models. + Quelle: Meta Für das Training zeichnete das Unternehmen die Hirnaktivität von neun Probanden über jeweils zehn Stunden mit einem MEG-Gerät auf. Die Teilnehmer tippten parallel aktiv Texte ab, wodurch ein Trainingsset von rund 22.000 Sätzen entstand. KI-Agenten berechneten im Vorfeld verschiedene Optimierungen für die Verarbeitung, die finalen Einstellungen wählten Metas Ingenieure manuell aus. Höhere Trefferquote durch mehr Daten Brain2Qwerty v2 erreicht eine allgemeine Wortgenauigkeit von 61 Prozent. Andere nicht-invasive Methoden blieben bisher bei rund acht Prozent hängen. Beim stärksten Teilnehmer decodierte Brain2Qwerty v2 exakt 78 Prozent der Wörter korrekt. Mehr als die Hälfte der ausgegebenen Sätze enthielt maximal einen einzigen Fehler. Die Testreihen belegen: Die Erkennungsrate steigt logarithmisch mit der Menge der eingespeisten Trainingsdaten. Meta kalkuliert, den restlichen Rückstand auf chirurgisch implantierte Sensoren künftig allein durch größere Datenmengen ausgleichen zu können. + Quelle: Meta Code und Daten für die offene Forschung Das Modell richtet sich perspektivisch an Millionen von Menschen, die durch Hirnläsionen oder neurologische Erkrankungen ihre Kommunikationsfähigkeit verloren haben. Meta veröffentlicht den kompletten Trainingscode für Brain2Qwerty v1 und v2 als Open Source. Der Projektpartner, das Basque Center on Cognition, Brain, and Language (BCBL), schaltet den Datensatz der Vorgängerversion frei. Meta finanziert das zugrundeliegende Digital Brain Project mit fünf Millionen US-Dollar, um die Produktion offener Datensätze für die Neuroforschung voranzutreiben. Anzeige
