Brain2Qwerty v2: la IA de Meta que escribe frases completas leyendo el cerebro, sin implantes ni cirugía

Meta no ha construido un lector de mentes de ciencia ficción. Ha construido algo más concreto y, a la vez, más interesante: un modelo de inteligencia artificial capaz de reconstruir frases completas a partir de la actividad cerebral de una persona mientras esta las escribe mentalmente en un teclado QWERTY, sin necesidad de mover un dedo y sin ningún tipo de cirugía. Se llama Brain2Qwerty v2, lo ha desarrollado el laboratorio Fundamental AI Research (FAIR) de Meta junto al Basque Center on Cognition, Brain and Language (BCBL), y representa el salto más significativo hasta la fecha en la interfaz cerebro-computador (BCI) no invasiva.

Meta presenta Brain2Qwerty v2: escritura cerebral con un 61% de precisión media, sin implantes

El anuncio se produjo a finales de junio de 2026, coincidiendo además con la publicación del trabajo previo de la primera versión del sistema, Brain2Qwerty v1, en la revista Nature Neuroscience. Según el informe técnico publicado por el propio equipo de FAIR, Brain2Qwerty v2 alcanza una precisión media de palabra del 61% (lo que equivale a una tasa de error de palabra, o WER, del 39%), con un máximo del 78% de precisión para el participante con mejor rendimiento (22% de WER). Para ese participante, más de la mitad de las frases se decodificaron con un error de una palabra o menos.

La cifra cobra relevancia si se compara con los sistemas no invasivos anteriores, que históricamente rondaban apenas un 8% de precisión. El salto respecto a la propia v1 también es notable: el mejor participante de la primera versión llegaba a un 52% de WER, así que la nueva arquitectura más que duplica esa precisión en el mejor de los casos.

Para entrenar el modelo, el equipo grabó la actividad cerebral de nueve voluntarios sanos a lo largo de 90 sesiones de registro, con aproximadamente 10 horas de grabación por persona, hasta reunir un corpus de unas 22.000 frases: diez veces más datos por sujeto que en la v1. Los investigadores señalan además que la precisión mejora de forma log-lineal con el volumen de datos, es decir, que cuantos más registros se añaden, mejor rinde el sistema, sin que por ahora se observe un techo claro.

El «lector de mentes» no invasivo que compite desde fuera del cráneo

A diferencia de los chips intracorticales de compañías como Neuralink o Synchron, que exigen una cirugía para implantar electrodos directamente en el tejido cerebral, Brain2Qwerty funciona íntegramente desde fuera del cráneo. Utiliza magnetoencefalografía (MEG), una técnica que mide los campos magnéticos generados por la actividad neuronal, principalmente desde la corteza motora, que es la región implicada en el control de los dedos al escribir.

El protocolo experimental es sencillo de describir: cada participante escuchaba una frase por auriculares, esperaba un breve intervalo y después la escribía de memoria en un teclado, sin ver el texto en pantalla. El modelo reconstruye la frase a partir de la actividad registrada durante esa fase de producción.

La distancia con los implantes invasivos sigue siendo considerable: estos ya bajan de un 2% de tasa de error de palabra en tareas de escritura. Pero el hecho de que Brain2Qwerty v2 no muestre todavía un techo de rendimiento al añadir más datos abre la puerta a que esa brecha se siga reduciendo sin necesidad de cirugía.

Anatomía de Brain2Qwerty v2: así convierte la IA el «ruido» neuronal en palabras

El sistema se apoya en una arquitectura híbrida de tres etapas entrenadas conjuntamente, cada una especializada en un nivel distinto de abstracción lingüística:

• Un módulo convolucional/Conformer, que procesa ventanas continuas de la señal MEG y capta los patrones espaciales y temporales asociados a los impulsos motores de la escritura, generando predicciones a nivel de carácter.
• Un tokenizador CTC, la pieza que distingue a la v2 de su predecesora: agrupa esas señales continuas en fragmentos del tamaño de una palabra (usando como referencia dónde el modelo predice que se pulsó la barra espaciadora) y los proyecta al espacio de representación de palabras que espera un modelo de lenguaje.
• Un modelo de lenguaje preentrenado, que recibe tanto las predicciones de caracteres como los embeddings de palabra derivados de la señal cerebral, y genera de forma autorregresiva la frase final, corrigiendo errores locales gracias al contexto semántico más amplio.

Los propios investigadores comprobaron que si se elimina la señal MEG y se deja únicamente el texto de la etapa CTC, el error de palabra empeora en 5,6 puntos, lo que confirma que el modelo de lenguaje no se limita a «corregir ortografía»: está leyendo activamente la señal neuronal para tomar sus decisiones.

La limitación del hardware: del escáner de laboratorio a los wearables cotidianos

Aunque el código de Brain2Qwerty es abierto, la tecnología depende todavía de un escáner MEG de 306 canales, un equipo criogénico voluminoso y costoso que solo funciona dentro de salas blindadas magnéticamente. Es, precisamente, la principal barrera entre este avance «in silico» y cualquier aplicación clínica o de consumo real.

De cara al futuro, el propio equipo de Meta señala como vía de miniaturización los magnetómetros de bombeo óptico (OPM), sensores que ya exploran empresas como Cerca Magnetics como posible camino hacia una MEG portátil. Los investigadores han comprobado además que la precisión se mantiene razonablemente robusta incluso reduciendo el número de sensores MEG utilizados, lo que resulta alentador para esa miniaturización.

Conviene subrayar, en cualquier caso, lo que el propio equipo de Meta repite: esto es investigación, no un producto. No hay ninguna aplicación, dispositivo o lanzamiento comercial previsto a corto plazo, y el uso clínico en pacientes que han perdido la capacidad de hablar o moverse sigue estando a varios años de distancia. Aun así, Brain2Qwerty v2 certifica que la decodificación no invasiva de texto ya opera en un rango de precisión que hace poco se consideraba exclusivo de los implantes quirúrgicos.

Fuentes

• Lévy, J. et al. «Noninvasive decoding of typed sentences from human brain activity», Nature Neuroscience (2026).
• Meta FAIR, informe técnico «Accurate Decoding of Natural Sentences from Non-Invasive Brain Recordings» (Brain2Qwerty v2), facebookresearch.github.io/brain2qwerty.
• MarkTechPost: «Meta AI Releases Brain2Qwerty v2: A Non-Invasive MEG Brain-to-Text Pipeline Decoding Typed Sentences at 61% Word Accuracy».
• The Decoder: «Meta’s non-invasive brain-to-text AI is closing the gap with surgical implants».
• Neurofounders: «Meta Brain2Qwerty Improves Decoding Brain to Text».
• TechiExpert: «Meta AI Unveils Brain2Qwerty v2: Achieving Continuous Brain to Text Decoding».

Nota de transparencia (Reglamento de IA de la UE, artículo 50): este artículo ha sido investigado, verificado y redactado con la asistencia de inteligencia artificial (Claude, de Anthropic), bajo supervisión editorial humana de IAGeducación.