В последнее время многие компании заявляют о том, что технологии чтения мыслей выходят на коммерческий уровень. В эту гонку вкладываются Neuralink Илона Маска, тестирующая чипы на людях, и Meta, разрабатывающая неинвазивные методы декодирования речи. Apple внедрила специальный протокол для прямого подключения нейроинтерфейсов к своим устройствам, что позволяет управлять ими силой мысли. Подобную интеграцию демонстрирует Synchron, создающая малоинвазивные эндоваскулярные импланты. В этом же направлении двигаются Blackrock Neurotech, Paradromics, Precision Neuroscience и g.tec medical engineering.

Одна из таких систем преобразует электроэнцефалографическую активность мозга в текст с помощью мерцающих матриц символов, где строки и столбцы вспыхивают в случайном порядке. При концентрации пользователя на нужной букве мозг генерирует импульс P300, который распознает компьютер.

Главный недостаток этого метода — низкая скорость работы. Для отделения сигнала мозга от шума требуется множество повторений вспышек, из-за чего скорость общения составляет одно-два слова в минуту, а пользователи быстро утомляются. Сокращение числа повторов приводит к ошибкам: пропускам, вставкам и неверным заменам букв.

Предыдущие исследования были направлены на улучшение качества считывания сигналов, но Никита Паплавский и Михаил Лебедев из Московского государственного университета имени М.В. Ломоносова предложили постобработку готового текста силами больших языковых моделей (LLM).
Для проверки идеи исследователи создали базу данных на основе текстов из корпуса cLang-8, очистив ее от посторонних символов и оставив базовый набор букв матрицы. Затем в фразы искусственно внесли ошибки по двум сценариям: случайная замена букв и замена на соседние по сетке символы (имитация реальных человеческих ошибок и пространственных сбоев интерфейса).

В качестве текстовых корректоров протестировали компактные языковые модели Gemma 3, Qwen 3, Llama 3.2, а также модель ByT5, обученную исправлять опечатки после сканирования (OCR). Модели проверяли в режимах zero-shot и few-shot (с демонстрацией трех примеров).
Нейросети успешно восстановили поврежденные предложения. Лидером стала модель Gemma 3: метод токенизации SentencePiece проявил максимальную устойчивость к искажениям слов. Модель ByT5 справилась хуже всех, так как специфика ошибок OCR (визуальное сходство знаков) сильно отличается от характера сбоев P300-интерфейсов. Человеческие опечатки при работе со спеллером P300 оказались для моделей сложнее случайных, но общий смысл фраз восстанавливался уверенно.

Таким образом, интеграция языковых моделей позволяет сократить число необходимых повторений стимулов на экранах устройств. Это увеличивает скорость передачи без потери точности и снижает когнитивную нагрузку на пользователей.

В перспективе технология позволит усовершенствовать систему обратной связи в нейроинтерфейсе. Модель сможет анализировать намерения человека в реальном времени, динамически подсвечивать на экране наиболее вероятные буквы и предлагать варианты автозаполнения фраз. Это превратит интерфейсы мозг-компьютер из пассивных декодеров сигналов в интерактивные системы для совместного построения диалога.

https://www.biorxiv.org/content/10.64898/2026.06.24.734268v1