脳信号から「思考中のタイピング」を読む—メタの最新BCI
米メタは日本時間2026年6月30日（米国時間6月29日）、非侵襲型脳コンピュータインターフェース（BCI）の第2世代「Brain2Qwerty v2」を発表しました。The RegisterおよびNature Neuroscienceに掲載された論文で詳細が明かされています。
このシステムは、ユーザーが頭の中でタイピングしているときの脳活動を読み取り、実際に入力されたテキストを復号化するというものです。手術不要で脳に電極を埋め込まないため、参加者への負担が少ないのが特徴です。
従来の非侵襲型BCIシステムが単一桁の精度に留まる中、Brain2Qwerty v2は平均61%の単語認識精度を達成しました。
精度向上の秘密—MEGとLLMの組み合わせ
Brain2Qwerty v2の開発には、9名の参加者が10時間かけて22,000文を入力したデータが用いられました。参加者は磁気脳波計（MEG）ヘッドセットを装着した状態で、その脳信号がディープラーニングアルゴリズムと大規模言語モデル（LLM）を通じて処理されました。
注目すべきは、メタが脳信号の取得方式を比較検討した点です。
| 項目 | MEG | EEG |
|---|---|---|
| 単語認識精度（平均） | 61% | 記載なし |
| 文字エラー率 | 29% | 65% |
| シグナルノイズ比 | 高い | 低い |
| 一般的な使用状況 | 実験室向け | 広く使用 |
メタの研究チームは論文で「MEGがEEGを上回ることは予想していたが、その差の大きさは想定以上だった」とコメントしています。MEGはより高いシグナルノイズ比を持つため、脳雑音に埋もれた信号をより正確に抽出できるということです。
最後の要となるのがLLMです。復号化されたデータは、実際のタイピング内容に近い文章に変換されるよう、LLMが意味的なコンテキストを活用します。
「ニューラルデータ上でLLMをファインチューニングすることで、システムはノイズの多い脳記録と首尾一貫した言語の間にあるギャップを埋めることができます」とメタは説明しています。
さらに興味深いのは、AIエージェントが復号化パイプラインの最適化を探索し、最終的なトレーニング設定をエンジニアが手動で選択するという手法を採用していること。このようなハイブリッドアプローチは、大規模言語モデルの運用コストが高い現下のLLM開発でも一般的になってきた印象です。
現実とのギャップ—実用化には何が足りないのか
ただし、精度61%は商用利用には程遠いという現実から目を逸らすわけにはいきません。
参考までに、外科的に脳に電極を埋め込む侵襲型BCIシステムは最大92%の文レベルの精度を達成しているとされています。メタの研究チームも、この性能ギャップについて論文で言及しています。
メタ側は「より多くのトレーニングデータが利用可能になれば、精度は継続的に改善されるべき」と主張し、Brain2Qwerty v2の精度が「データ量に対して対数線形に向上する」と述べています。つまり、データを増やし続ければ精度が高まる見込みがあるということです。
しかし、ここで根本的な問題が浮かび上がります。
「現在のシステムは『タイピングしている脳信号』を前提としているが、そもそも対象患者は指が動かせない人たちです。」
メタの研究チーム自身が論文の結論で認めているように、限定的な身体機能障害を持つ患者には有効かもしれませんが、完全な閉じ込め症（locked-in syndrome）患者には適用できません。閉じ込め症患者の脳には、タイピングに相当する運動皮質活動がそもそも存在しないからです。
メタはこの課題に対し、「運動イメージ（motor imagery）」パラダイムへの適応と、参加者間の堅牢な汎化能力を持つAIシステムの設計が必要だと指摘しています。つまり、実際のタイピングではなく、患者が「タイピングを想像する」時の脳活動を読む方式への転換が必須ということです。
もう一つの課題は、現在のシステムがまだ研究室の外では実用的ではないという点。リアルタイムコミュニケーションには対応していません。
AI時代の入出力インターフェースの進化と課題
メタのBCI研究と並行して、別のアプローチでAIを入力方法に統合する動きも進んでいます。シンガポール発のスタートアップ「Acti」は、スマートフォンのキーボードにAIエージェント機能を直接組み込むという、より現実的なアプローチを取っています。
ここで両者の違いが明確になります。
- メタのBCI：身体障害者向けの医療用途を想定、複雑だが潜在的にはユニバーサル
- Actiの「エージェントキーボード」：全ユーザー向けの利便性向上、実装は現実的だが機能は限定的
メタの研究が医療応用に向かう一方で、Actiのような企業は汎用的なAI統合を目指しています。両者とも「ユーザーコンテキストがアプリ間に分断されている」という問題を認識していますが、解決手段が異なるわけです。
参考になるのは、Elasticがオープンソース化した「Atlas」や、Weaviateの「Engram」のような長期メモリシステムです。これらはエージェント型AIに「記憶」を与えることで、複数セッション間での文脈を保持する仕組みを提供しています。メタのBCIにしろ、キーボード統合AIにしろ、ユーザーのインテント理解には強固なメモリレイヤーが不可欠になるでしょう。
MEGヘッドセットの解像度やローカルLLMの高速化といった技術的な進歩も、こうしたシステムの実用化を加速させるはずです。自作PCでローカルLLMを扱う身としては、脳信号の復号化に必要な計算量がどの程度まで削減できるかに注目しています。
