脳波から文字を読み取る非侵襲BCI「Brain2Qwerty」が、MEGを使った最良参加者で文字エラー率18%を達成した。MetaがNature Neuroscienceに発表した研究で（2026年6月29日発表、同日v2も公開）、脳に電極を埋め込まずにタイプした文章を脳波だけで読み取ることを実証した。
ALSや脳卒中で体が動かせなくなっても、脳は動いている。「伝えたい」という意思はある。でも筋肉が動かないから声も指も使えない。
だから研究者たちは脳波だけでタイピングを読み取ることに挑んだ。Brain2Qwerty v1は、「ノイズだらけの脳波信号からどこまで言語的な意味を取り出せるか」というチャレンジだ。
キーポイントはこの2つ：
- 非侵襲的（noninvasive）：脳に電極を埋め込まない
- 文章レベルのデコード：単語ではなく、文として読み取れる
これまでのBCI（Brain-Computer Interface）研究は「侵襲型」が主流だった。脳に直接電極を刺すので精度は出るが、外科手術が必要になる。Brain2Qwerty v1はその前提に挑んだ。
実験の設定
実験の設計はシンプルだ：
- 35名の健常者が参加
- 短い文章を記憶し、QWERTYキーボードでタイプする
- その間の脳活動をMEGまたはEEGで計測
- Brain2Qwerty（AIモデル）がタイプした文章をデコード
モデルの構造は3段階のパイプライン。①500msウィンドウのMEG/EEG信号を処理する畳み込みモジュール、②文レベルで学習したTransformerモジュール、③事前学習済みの言語モデル。
図1: 実験セットアップとBrain2Qwertyパイプライン（論文 Fig. 1 より、© Springer Nature）
入力（脳波）から出力（テキスト）までの3段階パイプラインが一枚で把握できる。
結果：MEGとEEGで大きな差
| 計測方法 | 平均文字エラー率 | 最高の参加者 |
|---|---|---|
| MEG（磁気脳波計） | 29% | 18% |
| EEG（脳波計） | 65% | — |
文字エラー率18%というのは、100文字のテキストで18文字が間違いになる計算だ。精度が高いとは言い切れないが、「訓練セット外の文章でも18%のエラー率を達成した参加者がいた」という事実はある。全参加者の中で最も成績が良い数値で、平均は29%だ。
実際のデコード例を見るとわかりやすい。
図4: EEGとMEGのデコード結果比較（論文 Fig. 4 より、© Springer Nature）
MEG側を見ると、"la silla ocasiona las lesiones"（実際の文）に対してデコード結果もほぼ一致している例がある。EEG側は同じモデルを使っても、全く異なるテキストが出力されているケースが多い。
MEGとEEGの差はなぜ大きいか
EEGとMEGは「同じ非侵襲センサー」に見えても、拾える信号の質が全然違う。
EEG（electroencephalography）は頭皮に電極を貼り、電位差を測る。安価で装着が簡単。ただし頭蓋骨や頭皮で信号が減衰・歪む。
MEG（magnetoencephalography）は脳のニューロン活動で生じる微弱な磁場を検出する。EEGより信号が鮮明だが、超高感度センサー（SQUID: 超伝導量子干渉素子）が必要で、従来型では液体ヘリウム冷却を要する大型装置が必要になる。
EEGの弱点がそのままスコアに出ている、というのが正直なところだと思う。
この「精度は出るがデバイスが非実用的」というMEGの壁に対して、研究者たちはすでに次の手を打っている。
MEGの実用化課題と次世代技術：OPM-MEG
MEGの最大の問題は「装置が巨大で固定設置が必要」という点だ。液体ヘリウムで-269℃まで冷却したSQUIDセンサーを使うため、数百kgの装置が必要になる。病院に固定設置するしかなく、「自宅で毎日使う」という用途には現状ほど遠い。
ただし、この課題は解決途上にある。近年注目されているOPM-MEG（Optically-Pumped Magnetometer MEG: 光ポンピング磁力計型MEG）は、ヘリウム冷却が不要で小型化できる次世代MEGセンサーだ。実験段階ではヘルメット型の装着式OPM-MEGも研究されており、Brain2QwertyのようなMEGパイプラインとの親和性が研究者間で期待されている。
MEGの実用化の壁は、OPM-MEGの成熟によって数年以内に下がってくる可能性がある。その壁が下がったとき、Brain2Qwertyのようなソフトウェアが生きてくる。Metaはその次のステップも、v1と同日に発表した。
v2で何が変わったか（同日発表）
同日、@AIatMetaのXスレッドでv2も発表された。
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 signals. It advances beyond character-level performance to decoding words and semantics, enabling accuracy for overall communication.
（日本語訳）v2はv1をベースに、生の脳信号からリアルタイムで文章をデコードできる最高性能のend-to-endパイプラインに進化した。文字レベルを超え、単語・意味レベルのデコードへと踏み込み、コミュニケーション全体の精度を実現する。
— AI at Meta (@AIatMeta), 2026年6月29日
v1とv2の対比：
| v1 | v2 | |
|---|---|---|
| 処理タイミング | 事後的（計測後に解析） | リアルタイム |
| デコードの粒度 | 文字・単語レベル | セマンティクス（意味）レベルまで |
| パイプライン | 段階ごとに個別学習 | end-to-end（単一損失で全体を最適化） |
| ステータス | 論文・公式発表済み | @AIatMeta発表ベース（詳細論文未公開） |
※v2は公式発表のみで詳細論文は未公開（2026年6月時点）。「最高性能」は@AIatMetaの発表表現に基づく。
特に「セマンティクスのデコード」は大きな変化だ。v1は「どのキーを叩いたか」を当てる問題だったが、v2は「何を伝えようとしているか」を読み取ることを目標にしている。
end-to-endパイプラインとは、入力（脳波）から出力（テキスト）まで、途中の各モジュールを個別に最適化するのではなく、単一の目的関数で全体を一気通貫に学習する設計のことだ。スケールに強く、データが増えるほど精度が上がりやすい。
v1が「できることを証明した」論文なら、v2は「実際に使えるものにする」ための次のステップ。この日、両方を同時に発表した。
エラー率18%の現在地
論文では対象が明確だ。「コミュニケーションができなくなった患者」のため。
- ALS（筋萎縮性側索硬化症）：進行性の神経変性疾患、最終的には呼吸筋も動かせなくなる
- 脳卒中後の閉じ込め症候群：意識はあるが体を動かせない状態
- 脳損傷によるコミュニケーション障害
こういったケースに対して、現状どんな選択肢があるかを並べてみる。
| 手法 | 侵襲性 | 実用ハードル |
|---|---|---|
| 侵襲型BCI（Utah Array等） | 高（脳手術必要） | 外科的リスク・高コスト。精度は高い |
| 筋電図（EMG） | 低 | 筋肉が残っていることが前提 |
| アイトラッキング | 低 | 眼球運動が残っていることが前提 |
| Brain2Qwerty（MEG） | 低 | 文字エラー率 29%平均。MEG装置の大型・高コスト |
| Brain2Qwerty（EEG） | 低 | 文字エラー率 65%。現状の精度では実用困難 |
Brain2Qwerty は「手術なしでここまでできる」という証明だ。
エラー率18%をどう読むか。音声認識は一般的に高精度とされているが、評価指標（CER/WER）・測定条件・入力モダリティが根本的に異なるため、脳波デコードと単純に比較することには本質的な限界がある。それでも「頭皮の外から磁場を計測してここまで出せる」という文脈で見ると、18%は決して悪い数字ではない。
参加者間の個人差も論文が認めている課題だ。最良参加者が18%なのに対し全体平均が29%という開きは、現状のモデルが個人ごとのファインチューニングをほぼ行っていない汎用モデルであることを示している。人それぞれ脳の形状・活動パターンが違う中で、その差を吸収するパーソナライゼーション技術は実用化に向けた重要な課題として残っている。
次のステップと読んで考えたこと
LLMとの統合
論文でも言及されているが、LLMとの統合が次のステップとして挙げられている。脳波デコーダーが「だいたいこんな文章」を出力し、LLMが文脈から補正する形になれば、実用ラインは大幅に下がる可能性がある。ASR（音声認識）がすでにこのアーキテクチャで高精度を実現しているように、BCIもデコーダー+LLM補正の組み合わせが標準になっていくかもしれない。
読んで気になった問い
v2のリアルタイム処理×LLM補正という組み合わせが実現したとき、それは「タイピングの代替」なのか、それとも「発声の代替」に近いものになるのか。
v1は「キーを叩く動作のパターン」をデコードするが、v2が「伝えたい内容そのもの」をデコードするとすれば、それはもはやタイピングではなく発声に近い。今のスマホの音声入力がそうであるように、技術が十分に成熟した段階で初めて「自然に使える」という感覚が生まれる。BCIが「思っただけで文章が出る」になる前段階として、このリアルタイム化は重要な通過点だと思う。
まとめ
Brain2Qwerty v1が示したのは、「手術なしでも文章レベルの脳波デコードは可能だ」という概念実証だ。MEGで最良参加者18%、全参加者平均29%という数字はまだ実用ラインには遠い。それでも、侵襲型に頼るしかなかったBCIの地図に、非侵襲の経路が書き込まれた意義は大きい。
v1が確認したこと
- 非侵襲BCIでも文章レベルのデコードは技術的に可能
- EEGとMEGの信号品質差がそのままスコアに出る
- 個人差の吸収（パーソナライゼーション）は今後の課題
次の3つのベクトルが向かう先
- v2のend-to-endパイプライン × リアルタイムデコード
- LLM補正による文脈ベースの精度補完
- OPM-MEGによる装置の小型化・可搬化
エラー率18%という数字に驚くか「まだ82%間違える」と読むかは視点による。この研究が示したのは現時点の上限ではなく、非侵襲BCIの出発点だ。
参考
- Lévy, J., Zhang, M., Pinet, S., Rapin, J., Banville, H., d'Ascoli, S., & King, J.-R. "Noninvasive decoding of typed sentences from human brain activity." Nature Neuroscience (2026). https://doi.org/10.1038/s41593-026-02303-2
- AI at Meta (@AIatMeta). Brain2Qwerty v2 発表スレッド, 2026年6月29日. https://x.com/AIatMeta/status/2071566924803395741