« On n’en revenait pas » : une IA développée en France traduit l’activité cérébrale en texte sans ouvrir le crâne

Des chercheurs français et espagnols, dont cinq employés de Meta AI à Paris, ont développé Brain2Qwerty, une intelligence artificielle capable de traduire l'activité cérébrale en texte sans nécessiter d'opération chirurgicale. Publiée dans la revue Nature Neuroscience en septembre 2026, cette innovation marque une avancée majeure pour les personnes paralysées, car elle évite les risques liés aux implants intracérébraux. L'étude a impliqué 35 volontaires sains, tous hispanophones et droitiers, âgés en moyenne de 31,6 ans. Leur tâche consistait à taper des phrases mémorisées sur un clavier spécial, conçu sans métal pour ne pas perturber les capteurs. L'IA décode les signaux cérébraux captés par magnétoencéphalographie (MEG), une technique mesurant les champs magnétiques produits par le cortex, avec un taux d'erreur moyen de 29 % par caractère. Le meilleur participant a atteint un taux d'erreur de 18 %, contre 65 % avec l'électroencéphalographie (EEG), une méthode moins précise mais plus accessible.

Pour simuler une écriture naturelle, les volontaires devaient taper des phrases de mémoire, sans voir les lettres s'afficher à l'écran. Un clavier sans métal, aux ressorts en argent, a été spécialement conçu pour éviter les interférences avec les capteurs MEG. Chaque essai suivait un protocole en trois étapes : l'affichage d'une phrase mot à mot, une croix de fixation, puis la frappe de la phrase mémorisée. Un simple carré pivotant signalait chaque frappe sans indiquer la lettre correspondante. Ce protocole visait à activer les représentations sémantiques du cerveau, tout en évitant que l'IA ne décode une activité liée à la lecture plutôt qu'à l'écriture. Les données recueillies ont totalisé 193 000 caractères en MEG et 146 000 en EEG, avec moins d'une heure d'enregistrement par volontaire. L'équipe a combiné trois modules d'IA : un réseau convolutif pour analyser les signaux, un transformeur pour contextualiser chaque caractère, et un modèle de langage entraîné sur Wikipédia en espagnol pour corriger les erreurs.

L'IA Brain2Qwerty présente plusieurs limites majeures pour une utilisation réelle. D'abord, elle ne fonctionne pas en temps réel, car elle attend la fin de la phrase pour produire sa sortie. Ensuite, elle nécessite de connaître l'instant exact de chaque frappe, ce qui n'est pas toujours possible dans la vie quotidienne. Enfin, les volontaires devaient bouger physiquement leurs doigts, une contrainte incompatible avec les patients totalement paralysés. Les erreurs de décodage révèlent aussi des défis : l'IA confond souvent des touches voisines sur le clavier, reflétant la somatotopie du cortex moteur, où les doigts sont représentés dans des zones contiguës. Les mots fréquents sont mieux décodés, et le taux d'erreur diminue avec l'augmentation des données d'entraînement. Les écarts entre participants varient de 18 % à 47 % d'erreur, en raison de différences individuelles dans l'intensité et le timing des signaux cérébraux.

Les implants intracorticaux, bien que performants, restent une solution invasive. Ils permettent de traduire l'activité cérébrale en texte à une vitesse de 90 caractères par minute, avec moins de 6 % d'erreur. Cependant, ils nécessitent une neurochirurgie, ce qui limite leur accessibilité. En comparaison, Brain2Qwerty offre une alternative non invasive, mais avec des performances bien inférieures : 29 % d'erreur en moyenne avec la MEG, et 65 % avec l'EEG. Les chercheurs soulignent que le choix du matériel de mesure, comme la MEG ou l'EEG, influence autant les résultats que l'algorithme d'IA. La MEG, bien que précise, reste un appareil fixe, lourd et rare dans les hôpitaux. Les auteurs envisagent de la rendre portable grâce aux magnétomètres à pompage optique, une technologie prometteuse mais encore en développement.