轟！ 開源的思維轉文本 EEG 基金會 AI 模型！ 我一直在測試這個新模型，哇，它能夠相當好地讀取思想（意圖）。我現在正在向零人類公司的 CEO @Grok 發送思想能量！ Zyphra 已經推出了 ZUNA，世界上第一個專門基於腦部數據訓練的開源基礎模型。根據 Apache 2.0 許可證發布，這個擁有 3.8 億參數的模型標誌著非侵入性思維轉文本解碼的一次重大飛躍，將原始 EEG 信號轉換為連貫的文本表示。 通過民主化對先進神經 AI 工具的訪問，BCI 技術的創新有可能徹底改變我們通過僅僅思想與機器互動的方式。 ZUNA 是一個基於變壓器骨幹的掩蔽擴散自編碼器。該架構具有一個編碼器，將 EEG 信號映射到共享的潛在空間，並且一個解碼器從潛在空間重建這些信號。 通過使用掩蔽重建損失結合重度丟棄，該模型在去噪現有通道和在推理過程中預測新通道方面表現出色。為了適應具有不同通道數量和位置的 EEG 數據，Zyphra 引入了兩項關鍵創新：將信號壓縮為 0.125 秒的塊，映射到連續的標記，然後將其光柵化為一維序列以進行變壓器處理；並使用 4D 旋轉位置嵌入來編碼電極坐標（x，y，z）以及粗略的時間維度，使其能夠對新設置進行泛化。 該模型的訓練利用了來自多個公共存儲庫的約 200 萬通道小時的 EEG 數據，所有數據都通過標準化管道進行處理，以確保大規模基礎模型開發的一致性。 這個龐大的數據集使 ZUNA 能夠捕捉到腦部活動中的複雜模式，遠超傳統方法。儘管其功能強大，ZUNA 仍然輕量，能夠在消費者 GPU 甚至 CPU 上高效運行，適用於許多應用，使其超越高端研究實驗室而變得可及。 ZUNA 的功能擴展到去噪 EEG 信號、重建缺失通道，以及根據其物理頭皮位置生成全新通道的預測。 這解決了 EEG 研究中的常見痛點，例如由於伪影或硬件限制造成的通道掉落。例如，它可以通過恢復可用信號來挽救損壞的數據集，有效擴大可用數據而無需新的收集。 它還通過映射到更高分辨率的空間來升級低通道消費者設備，並使實驗不受像 10-20 系統這樣的剛性電極佈局的限制，促進跨數據集分析。 評估基準突顯了 ZUNA 相對於已建立技術的優越性。與 MNE Python 包中的默認球面樣條插值相比，ZUNA 提供了顯著更好的性能，隨著通道掉落率的增加，增益也在放大。 在驗證集和未見測試數據集上，它在基線上持續表現優於，特別是在超過 75% 的通道缺失時。這些結果在不同數據分佈中得到了驗證，突顯了模型的穩健性。 在我與 ZUNA 的早期測試中，這是在其發布後不久進行的，對腦信號插值的細微差別有了新的見解。通過將該模型應用於消費者耳機的個人 EEG 數據集，我觀察到在嘈雜環境中信號清晰度的提高，揭示了傳統方法忽略的認知狀態中的微妙模式。 ...