Trzy prace i ich najważniejsze odkrycia

1. Dekodowanie mowy (Journal of Neural Engineering) — Naukowcy wytrenowali model oparty na architekturze transformera na danych z kilku osób jednocześnie. Taki „wieloosobowy” model osiągnął średnio o ponad 50% niższy względny wskaźnik błędów słów (WER) w porównaniu z modelami trenowanymi na danych tylko jednej osoby. Co więcej, aby zaadaptować go do nowego, nieznanego wcześniej użytkownika, wystarczyło zaledwie kilkadziesiąt minut danych z kalibracji . Prace te bazują na wcześniejszym systemie Tether Evo — BrainWhisperer, który w konkursie Brain-to-Text '25 Kaggle osiągnął wskaźnik błędów na poziomie 1,78% .

2. Dekodowanie wzroku (Imaging Neuroscience) — Model odtwarza obrazy na podstawie aktywności mózgu małp, ponownie wykorzystując podejście polegające na trenowaniu na danych od wielu osobników, a nie na indywidualnym dostrajaniu . Co więcej, model był w stanie zidentyfikować dokładny obraz spośród tysięcy opcji z 70% skutecznością na podstawie zaledwie 20 milisekund danych mózgowych .

3. Dekodowanie muzyki (Neural Networks) — Model rozpoznaje utwory i gatunki muzyczne na podstawie aktywności mózgu, udowadniając, że ta sama zasada uniwersalnego dekodowania działa również w przypadku bodźców słuchowych i muzycznych .

Jak działa podejście z jednym modelem?

Kluczowym odkryciem technicznym we wszystkich trzech artykułach jest wspólna architektura transformera trenowana na danych mózgowych połączonych od wielu osób jednocześnie . Dzięki takiemu „wspólnemu” treningowi model uczy się uniwersalnych wzorców — czyli tego, jak mózg koduje mowę, wzrok i muzykę w sposób spójny u różnych osób — jednocześnie minimalizując wpływ indywidualnych różnic . Gdy model trafia do nowego pacjenta, wymaga jedynie krótkiej sesji dostrajającej (minuty, a nie tygodnie), a nie pełnego procesu uczenia od podstaw . Wcześniejsza publikacja Tether Evo (z maja 2026 roku) na temat dekodowania fonemów z danych wielu osób pokazała, że model trenowany łącznie na dwóch największych zestawach danych do dekodowania mowy dorównywał lub przewyższał modele trenowane na każdej osobie z osobna .

Dlaczego to ma znaczenie?

Większość istniejących interfejsów mózg–komputer (BCI) wymaga indywidualnej kalibracji dla każdego użytkownika, co może zająć tygodnie zbierania danych i trenowania modelu . Podejście Tether Evo rozwiązuje jeden z największych problemów stojących na drodze do powszechnego zastosowania BCI — zarówno w medycynie, jak i w życiu codziennym: wysoki koszt personalizacji. Dzięki udowodnieniu, że jeden model może działać u różnych osób, a nawet z różnymi typami rejestracji neuronowej, badania te otwierają drogę do neuroprotez typu „plug-and-play”, które są gotowe do użycia od razu po wszczepieniu, przy minimalnej konfiguracji .

Trzy prace i ich najważniejsze odkrycia

1. Dekodowanie mowy (Journal of Neural Engineering) — Naukowcy wytrenowali model oparty na architekturze transformera na danych z kilku osób jednocześnie. Taki „wieloosobowy” model osiągnął średnio o ponad 50% niższy względny wskaźnik błędów słów (WER) w porównaniu z modelami trenowanymi na danych tylko jednej osoby. Co więcej, aby zaadaptować go do nowego, nieznanego wcześniej użytkownika, wystarczyło zaledwie kilkadziesiąt minut danych z kalibracji . Prace te bazują na wcześniejszym systemie Tether Evo — BrainWhisperer, który w konkursie Brain-to-Text '25 Kaggle osiągnął wskaźnik błędów na poziomie 1,78% .

2. Dekodowanie wzroku (Imaging Neuroscience) — Model odtwarza obrazy na podstawie aktywności mózgu małp, ponownie wykorzystując podejście polegające na trenowaniu na danych od wielu osobników, a nie na indywidualnym dostrajaniu . Co więcej, model był w stanie zidentyfikować dokładny obraz spośród tysięcy opcji z 70% skutecznością na podstawie zaledwie 20 milisekund danych mózgowych .

3. Dekodowanie muzyki (Neural Networks) — Model rozpoznaje utwory i gatunki muzyczne na podstawie aktywności mózgu, udowadniając, że ta sama zasada uniwersalnego dekodowania działa również w przypadku bodźców słuchowych i muzycznych .

Jak działa podejście z jednym modelem?

Kluczowym odkryciem technicznym we wszystkich trzech artykułach jest wspólna architektura transformera trenowana na danych mózgowych połączonych od wielu osób jednocześnie . Dzięki takiemu „wspólnemu” treningowi model uczy się uniwersalnych wzorców — czyli tego, jak mózg koduje mowę, wzrok i muzykę w sposób spójny u różnych osób — jednocześnie minimalizując wpływ indywidualnych różnic . Gdy model trafia do nowego pacjenta, wymaga jedynie krótkiej sesji dostrajającej (minuty, a nie tygodnie), a nie pełnego procesu uczenia od podstaw . Wcześniejsza publikacja Tether Evo (z maja 2026 roku) na temat dekodowania fonemów z danych wielu osób pokazała, że model trenowany łącznie na dwóch największych zestawach danych do dekodowania mowy dorównywał lub przewyższał modele trenowane na każdej osobie z osobna .

Dlaczego to ma znaczenie?

Większość istniejących interfejsów mózg–komputer (BCI) wymaga indywidualnej kalibracji dla każdego użytkownika, co może zająć tygodnie zbierania danych i trenowania modelu . Podejście Tether Evo rozwiązuje jeden z największych problemów stojących na drodze do powszechnego zastosowania BCI — zarówno w medycynie, jak i w życiu codziennym: wysoki koszt personalizacji. Dzięki udowodnieniu, że jeden model może działać u różnych osób, a nawet z różnymi typami rejestracji neuronowej, badania te otwierają drogę do neuroprotez typu „plug-and-play”, które są gotowe do użycia od razu po wszczepieniu, przy minimalnej konfiguracji .