Meta AI’ın 29 Haziran 2026’da yayınladığı Brain2Qwerty v2 araştırması, beyin-bilgisayar arayüzü (BCI) alanında dikkate değer bir kilometre taşı: hiçbir cerrahi müdahale gerektirmeden, beyin aktivitesini metne çevirme. Kelime doğruluğu (word accuracy) %61’e ulaştı — ki bu, mevcut diğer non-invasive yöntemlerin %8 oranının yaklaşık 7-8 katı. En iyi performans gösteren katılımcıda doğruluk %78, ve cümlelerin yarısından fazlası bir hatalı kelimeden az hatayla doğru çözümleniyor.
Brain2Qwerty v1 geçen yıl tanıtılmıştı. v2 hem doğruluk hem de gerçek zamanlı çözümleme açısından önemli bir sıçrama getiriyor. Daha da önemlisi: Meta tüm eğitim kodunu açık kaynak olarak yayınladı, partner BCBL (Basque Center on Cognition, Brain, and Language) ise v1 veri setini Hugging Face üzerinden paylaştı. Bu, beyin-AI arayüzü araştırması için bir dönüm noktası olabilir.
Sorun: cerrahi müdahale gerektiren BCI’ların ölçeklenme sorunu
Beyin-bilgisayar arayüzlerinin tıbbi potansiyeli devasa. Beyin lezyonları (ALS, locked-in sendrom, ciddi inme, beyin sapı travmaları) yüzünden konuşma yetisini kaybeden milyonlarca insan var. Mevcut yaklaşımlar bu cepheye şöyle yanıt veriyor:
İnvazif (cerrahi) yöntemler:
- Stereotaktik EEG (sEEG): Beyne yerleştirilen ince elektrot dizileri.
- Elektrokortikografi (ECoG): Kafatasının altına, beyin yüzeyine yerleştirilen elektrot grid’leri.
- Neuralink ve benzeri implant’lar: Daha yeni nesil mikro-elektrot yaklaşımları.
Cerrahi BCI’lar yüksek doğruluk veriyor (%90+’a varan). Ama ciddi sorunları var: cerrahi risk (enfeksiyon, kanama), uzun adaptasyon süreci, yüksek maliyet (tek bir implant 100K dolar bandında), ve ölçeklenmeyen yapı. Tek başına ABD’de Neuralink’in 2026 itibarıyla onaylı operasyon kapasitesi yılda binlerle ölçülüyor; ihtiyaç ise milyonlarca.
Non-invazif (cerrahisiz) yöntemler:
- EEG (elektroensefalografi): Kafa derisine yerleştirilen elektrotlar. Düşük maliyet, kolay uygulama. Ama beyin sinyali kafatasını geçerken bozulduğu için doğruluk düşük.
- fNIRS: Yakın kızılötesi ile beyin kan akışı ölçümü. Sınırlı uzaysal çözünürlük.
- MEG (magnetoensefalografi): Beyin nöronlarının ürettiği manyetik alanları ölçer. EEG’den daha yüksek çözünürlük, ama cihaz büyük ve pahalı.
Şimdiye kadar non-invazif yöntemlerin doğum kelime doğruluğu %8 bandında kalıyordu — pratik kullanım için yetersiz. Brain2Qwerty v2’nin %61’e çıkması, bu açıyı dramatik şekilde kapatıyor.
Brain2Qwerty v2 nasıl çalışıyor?
Çalışmanın teknik mimarisi üç ana parçadan oluşuyor:
1. MEG cihazıyla veri toplama. 9 gönüllü katılımcı, MEG cihazı takılı şekilde toplam 10’ar saat boyunca klavyede yazı yazdı. Bu sırada beyin sinyalleri ve yazılan kelimeler eşzamanlı kaydedildi. Toplam veri seti: yaklaşık 22.000 cümle.
MEG önemli bir detay: yüksek uzaysal çözünürlük ile beyin yüzeyindeki manyetik aktiviteyi okuyabiliyor. EEG’nin (kafatasını geçen elektriksel sinyal) zayıflığını aşıyor. Ama MEG cihazları büyük, soğutmalı ve milyon dolar bandında maliyetli — şu an sadece araştırma laboratuvarlarında bulunuyor.
2. End-to-end deep learning decoder. Önceki nesil BCI yaklaşımlarında, beyin sinyalini metne çevirmek için elle tasarlanmış aşamalar (signal preprocessing → event detection → phoneme mapping → text generation) kullanılırdı. Brain2Qwerty v2 bu pipeline’ı atıyor. Ham beyin sinyali doğrudan model girdisi; model çıktısı doğrudan metin. Yani uçtan uca derin öğrenme.
3. LLM fine-tuning — semantic context bridging. Modelin en yenilikçi tarafı bu. Beyin sinyali doğal olarak gürültülü ve eksik bilgi içeriyor. Meta, büyük dil modelleri (LLM’ler) üzerinde nöral veri ile fine-tune yaparak modele semantik bağlam kazandırmış. Yani beyin sinyali “bir köpek var”ı tam olarak veremiyorsa bile, LLM cümle bağlamından (önceki kelimeler, syntax kuralları) bu boşluğu tamamlayabiliyor. Bu, gürültülü beyin kaydı ile tutarlı dil arasındaki köprü.
İlginç bir detay: Meta, decoder pipeline optimizasyonu için AI ajanları kullandığını belirtiyor. Yani yapay zeka ajanları farklı eğitim konfigürasyonlarını otomatik olarak araştırdı; nihai konfigürasyonu mühendisler manuel olarak seçti. Bu, AI’ın bilim araştırmasında giderek daha aktif bir rol oynadığının somut örneği.
Performans: %8’den %61’e (bireysel %78’e)
Brain2Qwerty v2’nin sonuçları:
- Ortalama kelime doğruluğu: %61.
- En iyi katılımcı: %78.
- Cümle bazında performans: En iyi katılımcıda cümlelerin yarısından fazlası 1 hata veya daha az ile doğru.
- Önceki non-invazif yöntemler: %8 (Nature Neuroscience 2023 referansı).
- Cerrahi yöntemler: %90+ bandında.
Yani Brain2Qwerty v2, cerrahi BCI ile non-invazif BCI arasındaki uçurumun yarısından fazlasını kapattı. Hâlâ cerrahi yöntemler daha doğru, ama fark dramatik şekilde azaldı.
Bence en önemli bulgu şu: doğruluk, veri miktarı ile log-linear olarak artıyor. Meta’nın iddiası, mevcut performans açığının sadece veri ölçeklendirme ile daha da kapatılabileceği. Yani 22.000 cümle yerine 100.000 cümle, 1 milyon cümle ile çalışsalar, non-invazif yöntem cerrahi yöntemle eşitlenebilir.
Açık kaynak strateji: Meta neden tüm kodu paylaşıyor?
Bu araştırmanın en dikkat çekici yanlarından biri tamamen açık olarak yayınlanması:
- Eğitim kodu: Brain2Qwerty v1 ve v2 için tüm kod github.com/facebookresearch/brain2qwerty üzerinde.
- Veri seti: BCBL (Basque Center on Cognition, Brain, and Language) v1 veri setini Hugging Face üzerinden İspanyolca olarak yayınladı.
- Bilim makalesi: “Accurate Decoding of Natural Sentences from Non-Invasive Brain Recordings” başlığıyla araştırma yayında.
- $5 milyon fon: Meta’nın Digital Brain Project’i, açık beyin veri setlerini teşvik etmek için fon dağıtıyor.
Bu, Meta’nın geniş AI stratejisinin somut bir örneği: foundation model katmanında (Llama) açık kaynak olduğu gibi, beyin araştırması katmanında da topluluğa açık. Strateji mantıklı: tek başına Meta’nın 22.000 cümlelik MEG veri seti, küresel BCI araştırması için yetersiz. Eğer toplulukları (üniversiteler, BCI startup’ları, hastane araştırma grupları) aynı pipeline’ı kullanırsa, toplam veri katlanarak büyür ve doğruluk paralelde artar.
Karşılaştırma için: Neuralink ve diğer BCI implant üreticileri kendi platformlarını proprietary tutuyor. Meta, “onlar invazif yolda; biz noninvazif yolu açık kaynakla hızlandıracağız” pozisyonu alıyor.
Pratik uygulamalar: kim için ne anlama geliyor?
Brain2Qwerty v2 henüz hastane veya evde kullanılan bir ürün değil — MEG cihazı gereksinimi nedeniyle araştırma aşamasında. Ama yakın geleceğe dair pratik etkileri ciddi:
1. ALS, locked-in sendrom, ciddi inme hastaları için yeni bir umut. Bu hastalıklar nedeniyle konuşma yetisini kaybeden, ama bilişsel olarak hâlâ üst düzey insanlar için, cerrahisiz iletişim teknolojisi yaşam kalitesinde devrim niteliğinde olabilir.
2. MEG cihazı maliyetinin düşmesi kritik. Şu an MEG cihazları 1-3 milyon dolar bandında. Önümüzdeki 5-10 yılda, oda sıcaklığında çalışan SQUID alternatifleri veya OPM (optically pumped magnetometer) tabanlı yeni nesil MEG’ler bu maliyeti dramatik düşürebilir. O zaman teknik klinik ortamlara taşınır.
3. Klinik araştırma kapsamı genişler. Akademik tıp merkezleri ve nöroloji araştırma grupları için, Meta’nın açık ağırlık pipeline’ı kullanılarak kendi MEG veri setleri üzerinde decoder eğitilebilir. Türkiye’de Acıbadem, Hacettepe, Marmara gibi üniversite hastaneleri MEG laboratuvarları kurarsa, yerli Türkçe pipeline geliştirme imkânı doğar.
4. Genel BCI ekosisteminin hızlanması. Açık kaynak salınımı, akademik araştırmaların 5-10 yıl içinde non-invazif BCI ürünlerine dönüşmesini hızlandırabilir.
Meta’nın beyin foundation model stratejisi
Brain2Qwerty, Meta’nın daha geniş bir “beyin foundation modelleri” stratejisinin parçası. Aynı blog yazısında bahsedilen diğer açık çalışmalar:
- Tribev2: Algı (perception) encoding için foundation model. Yani beyin görsel ve işitsel uyaranları nasıl temsil ediyor — bu modellenecek.
- NeuralSet: Beyin verisini ölçekli işlemek için altyapı.
- NeuralBench: Beyin AI modellerini sistematik olarak değerlendirme.
- Digital Brain Project: Açık veri setlerini teşvik eden $5M fon.
Bu, Meta’nın LLM dünyasında Llama ile yaptığı “açık ağırlık + ekosistem” stratejisinin nöroloji versiyonu. Önümüzdeki yıllarda Meta’nın bu cephede önemli bir oyuncu olacağı belli.
Türkiye için ne anlama geliyor?
Türkiye’de BCI araştırması henüz erken aşamada. Birkaç üniversitede (Boğaziçi, ODTÜ, Sabancı) BCI/EEG araştırma grupları var ama frontier seviyede ürün geliştirme süreçleri sınırlı. Brain2Qwerty’nin açık kaynak salınımı şu fırsatları yaratıyor:
1. Yerli akademisyenler için referans kod tabanı. Sıfırdan pipeline yazmak yerine, Meta’nın altyapısı üzerine inşa edilebilir.
2. Türkçe veri seti potansiyeli. Mevcut veri setleri İspanyolca; Türkçe için yerel klinik MEG laboratuvarları benzer bir çalışmayı yapıp, modeli Türkçe için yeniden eğitebilir.
3. Tıbbi BCI girişimleri. Türk medikal cihaz şirketleri (Vestel Medikal Sistemleri, Esan Eczacıbaşı), açık ağırlık BCI altyapısı üzerine yerel ürün geliştirme stratejileri kurabilir.
Türkiye’nin 2026-2030 Yapay Zeka Eylem Planı’ndaki sağlık vurgusu ile birleştirildiğinde, BCI alanında ciddi bir ekosistem inşa edilebilir. Ama bunun için klinik MEG/EEG araştırma altyapısının ciddi bir kapasite artışına ihtiyacı var.
Sonuç: BCI’nın “Llama anı”
Brain2Qwerty v2, beyin-bilgisayar arayüzü tarihinde “Llama anı”na benzetilebilir. Llama nasıl LLM ekosisteminde açık ağırlık modelleri merkeze taşıdıysa, Brain2Qwerty v2 de noninvazif BCI cephesinde benzer bir kayma yaratabilir.
%61 (en iyi katılımcıda %78) kelime doğruluğu hâlâ klinik kullanım için yeterli değil. Ama log-linear veri ölçekleme bulgusu, mevcut açığın kapatılabileceğini gösteriyor. Önümüzdeki 3-5 yıl içinde noninvazif BCI’nın %90+ doğruluğa ulaşma ihtimali ciddi.
Bu, hem bilimsel hem etik açıdan önemli bir adım: cerrahi gerektirmeyen BCI demek, BCI teknolojisinin çok daha geniş kitlelere ulaşması demek. Locked-in sendromu hastasından MEG ile evden çalışan bilim insanına kadar, “beyinden metne” teknolojisi farklı senaryolarda işlevsel olabilir.
Tam araştırma makalesi Meta AI Research üzerinden, kod GitHub’da, veri seti ise Hugging Face’te.
Bir yanıt yazın