Il settore delle interfacce cervello computer, da sempre ha vissuto una contraddizione apparentemente insolubile. isistemi più efficaci richiedevano un intervento chirurgico, con elettrodi impiantati direttamente nella corteccia cerebrale; quelli non invasivi, invece, erano sufficientemente sicuri ma troppo imprecisi per diventare strumenti realmente utili. La nuova ricerca presentata da Meta suggerisce che questa distinzione potrebbe iniziare a sfumare. Con Brain2Qwerty v2 l’azienda afferma di aver sviluppato un sistema capace di ricostruire il testo che una persona sta cercando di digitare semplicemente osservando l’attività cerebrale registrata dall’esterno del cranio, raggiungendo un’accuratezza media del 61% delle parole, contro circa l’8% ottenuto dai precedenti approcci non invasivi.
Il risultato non nasce da una forma di “lettura del pensiero” nel senso cinematografico del termine. Il sistema utilizza la magnetoencefalografia, nota come MEG, una tecnologia consolidata nella ricerca neuroscientifica che misura i debolissimi campi magnetici prodotti dall’attività elettrica del cervello. I volontari hanno trascorso circa dieci ore ciascuno indossando un casco MEG mentre digitavano complessivamente circa 22.000 frasi. Questo enorme volume di dati è stato utilizzato per addestrare un modello di deep learning end-to-end che, invece di cercare manualmente specifici eventi neuronali, apprende direttamente dai segnali grezzi come tradurre l’attività cerebrale in testo.
La vera innovazione non risiede soltanto nella raccolta dei segnali, ma nell’integrazione tra neuroscienze e modelli linguistici di grandi dimensioni. Meta spiega infatti che il sistema sfrutta Large Language Models specializzati sui dati neurali per interpretare segnali inevitabilmente rumorosi utilizzando il contesto semantico della frase. In altre parole, l’intelligenza artificiale non si limita a identificare impulsi elettrici, ma utilizza la probabilità linguistica per ricostruire ciò che il cervello stava probabilmente cercando di comunicare. È un approccio che ricorda da vicino il funzionamento degli attuali sistemi di riconoscimento vocale, nei quali il contesto linguistico corregge automaticamente errori di interpretazione acustica.
Dal punto di vista tecnologico questo rappresenta un cambiamento importante. Per anni il collo di bottiglia delle interfacce cervello computer non è stato tanto la capacità di registrare l’attività neuronale quanto quella di interpretarla in modo affidabile. L’esplosione recente dell’intelligenza artificiale generativa offre oggi strumenti matematici molto più sofisticati per estrarre significato da dati estremamente rumorosi. Non sorprende quindi che Meta abbia dichiarato di aver utilizzato anche agenti AI per esplorare automaticamente differenti configurazioni della pipeline di addestramento prima che gli ingegneri selezionassero quella definitiva.
L’obiettivo dichiarato rimane eminentemente clinico. Brain2Qwerty è pensato per persone che hanno perso la capacità di comunicare a causa di lesioni cerebrali, ictus o malattie neurodegenerative. Restituire la possibilità di scrivere o parlare attraverso il semplice pensiero rappresenterebbe uno dei progressi più significativi della neurotecnologia contemporanea. Tuttavia, il percorso verso applicazioni ospedaliere è ancora lungo. I sistemi MEG utilizzati nello studio sono apparecchiature estremamente costose, grandi quanto una stanza e disponibili quasi esclusivamente nei centri di ricerca avanzati.
Meta sembra esserne perfettamente consapevole. Contestualmente all’annuncio, l’azienda ha pubblicato il codice sorgente e il dataset del progetto nell’ambito del proprio Digital Brain Project, accompagnando l’iniziativa con un fondo da cinque milioni di dollari destinato alla creazione di database neuroscientifici aperti. È una strategia che richiama quanto già visto nel campo dell’intelligenza artificiale, dove la disponibilità di dataset condivisi ha accelerato enormemente il progresso scientifico.
Il lavoro, pubblicato anche su Nature Neuroscience, affronta indirettamente uno dei principali dibattiti del settore. Oggi le migliori prestazioni continuano infatti ad appartenere alle interfacce invasive sviluppate da aziende come Neuralink o Synchron, che impiantano elettrodi direttamente nel cervello. Questi sistemi possono raggiungere livelli di precisione straordinari, ma richiedono neurochirurgia, comportano rischi clinici e pongono interrogativi sulla durata degli impianti nel tempo.
Accanto a questo approccio si sta sviluppando una seconda scuola di pensiero, meno spettacolare ma probabilmente più scalabile. Startup come Neurable stanno sperimentando cuffie EEG potenziate dall’intelligenza artificiale per monitorare concentrazione e affaticamento cognitivo, mentre lo spin-off del Massachusetts Institute of Technology denominato AlterEgo ha sviluppato dispositivi indossabili capaci di trasformare i segnali neuromuscolari del volto e della gola in testo e comandi, evitando completamente qualsiasi intervento chirurgico.
Anche la competizione industriale sta rapidamente aumentando. Oltre a Neuralink di Elon Musk, il settore vede l’interesse di numerosi grandi operatori tecnologici. Merge Labs, sostenuta anche dal CEO di OpenAI Sam Altman, rappresenta un ulteriore esempio di come le interfacce neurali siano ormai considerate uno dei possibili mercati strategici del prossimo decennio.
La questione economica merita attenzione almeno quanto quella scientifica. Se i grandi modelli linguistici hanno dimostrato che il valore competitivo deriva dalla qualità dei dati e dalla capacità computazionale, le interfacce cervello computer potrebbero inaugurare una nuova corsa alla raccolta di dati neurali su larga scala. Meta osserva infatti che l’accuratezza cresce progressivamente all’aumentare del volume dei dati disponibili per l’addestramento. Questo suggerisce che i limiti attuali potrebbero essere più legati alla scarsità di dataset che non alle capacità intrinseche degli algoritmi.
Il dato del 61% non deve essere interpretato come un traguardo definitivo. Rimane insufficiente per una comunicazione quotidiana senza correzioni automatiche e lontano dalle prestazioni richieste per un utilizzo commerciale diffuso. Tuttavia rappresenta un indicatore importante della velocità con cui l’intelligenza artificiale sta trasformando un settore che fino a pochi anni fa procedeva quasi esclusivamente attraverso progressi incrementali dell’hardware. Oggi il vantaggio competitivo si sta spostando verso il software, gli algoritmi di apprendimento e la disponibilità di dati.
Se questa traiettoria continuerà, il futuro delle interfacce cervello computer potrebbe essere meno dominato dalla miniaturizzazione degli elettrodi e molto più dalla qualità dei modelli AI che interpretano il linguaggio del cervello. Sarebbe una trasformazione coerente con l’intera evoluzione dell’industria tecnologica: l’hardware continua a essere fondamentale, ma è sempre più il software intelligente a determinare dove si crea il vero valore.