Meta Brain2Qwerty v2: 수술 없는 brain-to-text가 넘은 선과 남은 간격

Meta FAIR가 공개한 Brain2Qwerty v2의 핵심은 “뇌를 읽어 문장을 만든다”는 자극적인 문장이 아니다. 더 중요한 변화는 이전 버전이 필요로 했던 키 입력 타이밍 정보를 제거했다는 점이다. Brain2Qwerty v1은 각 키가 눌린 정확한 시각을 알아야 뇌 신호와 문자를 맞출 수 있었다. v2는 MEG로 얻은 연속 신호 창을 보고 스스로 문자를 배치한다. 아직 실시간은 아니지만, 정렬된 실험 로그를 해석하는 단계에서 흐르는 신호를 문장으로 바꾸는 단계로 이동했다. 연구는 건강한 참가자 9명을 대상으로 진행됐다. 각 참가자는 10시간씩 기록됐고, 모두 합쳐 2만 2천 문장을 타이핑했다. 참가자는 문장을 들은 뒤 잠깐 멈추고, 화면에 문장이 보이지 않는 상태에서 키보드로 입력했다. 모델은 이 타이핑 구간의 뇌 신호를 사용했다. 논문 설명에 따르면 측정 가능한 활동은 주로 손가락 움직임을 제어하는 운동피질에서 나온다. 즉 “생각 자체”를 직접 읽었다기보다, 타이핑이라는 운동 계획과 실행에 가까운 신호를 문장으로 복원한 것이다. 성능은 분명히 개선됐다. Brain2Qwerty v2의 평균 word error rate는 39%로, raw encoder의 55%와 v1식 N-gram 보정의 43%보다 낮다. 최고 참가자는 22%까지 내려갔고, 28%의 문장은 완벽히 복원됐으며 47%는 틀린 단어가 하나 이하에 그쳤다. 하지만 글자 단위로 보면 이야기가 바뀐다. character error rate는 v2가 31%로, raw encoder 28%와 N-gram 26%보다 나쁘다. 이 역전은 언어모델을 붙인 대가다. v2는 Qwen3를 fine-tune해 noisy brain signal을 더 자연스러운 문장으로 다듬는다. 덕분에 단어와 의미 단위의 점수는 좋아지지만, 신호가 애매할 때는 그럴듯하지만 완전히 틀린 문장을 만들 수 있다. 실제 사례로 목표 문장 “cars are not allowed on this road”가 “had she not fallen down the stairs”로 복원됐다. 유창성은 올라갔지만, 의미는 완전히 빗나간다. 그래서 Brain2Qwerty v2는 낙관과 경고를 동시에 담고 있다. 의사소통에서는 철자보다 의미가 중요하므로 WER와 semantic error 개선은 의미 있는 진전이다. 동시에 LLM 후처리가 들어가는 순간, 뇌 신호 해독은 단순한 인식 문제가 아니라 “그럴듯한 오답”을 어떻게 감지하고 제어할 것인가의 문제가 된다. 의료용 인터페이스라면 사용자가 확인하고 수정할 수 있는 루프가 필수다. 침습형 BCI와의 격차도 여전히 크다. 수술형 인터페이스는 타이핑에서 2% 미만의 word error rate를 달성한다. Brain2Qwerty v2의 평균 39%는 임상 제품과는 거리가 있다. 연구 대상도 마비 환자가 아니라 건강한 참가자였고, 실제 손가락 움직임을 사용했으며, 실시간 동작도 아직 아니다. 이 결과를 곧바로 의료 현장으로 연결하면 과장이다. 그럼에도 방향성은 중요하다. 데이터가 늘수록 성능이 계속 개선되고, 연구진은 아직 뚜렷한 한계점이 보이지 않는다고 본다. 절반 수준의 센서만으로도 거의 전체 성능을 냈다는 결과는 휴대형 MEG와 상온 센서 같은 다음 하드웨어 경로와 연결된다. Brain2Qwerty v2는 임플란트를 당장 대체하는 기술이 아니라, 비침습 신호에서도 문장 수준 의미 복원이 어디까지 가능한지 보여주는 연구 플랫폼에 가깝다. 흥미로운 부록도 있다. 연구팀은 Claude Opus 4.6 기반 에이전트 3개에게 오류율을 낮추는 코드를 직접 수정하고 실험하게 했다. 에이전트들은 label smoothing, modality dropout, shorter prompts 같은 개선을 찾아냈고 제한된 최적화 과제에서는 표준 방식보다 나았다. 하지만 열린 과제에서는 큰 코드 변경으로 compute job을 많이 깨뜨렸다. AI가 AI 연구를 도울 수는 있지만, 문제를 나누고 검증하는 인간 연구자의 역할은 아직 사라지지 않았다.