Vědci z Weizmann Institute of Science v Rehovotu v Izraeli vybudovali systém umělé inteligence, který dokáže rekonstruovat to, na co se člověk dívá, pouze na základě skenování mozku pomocí fMRI – a předpovídat mozkovou aktivitu člověka ze snímku v opačném směru – uvedl MIT Technology Review 1. října 2026.

Nástroj, který vyvinul počítačový vědec Michal Irani a její kolegové, znovu vytváří zobrazené obrázky s přesností, které se dřívější snahy o dekódování mozku nevyrovnaly. Při srovnání vedle sebe zachovávají rekonstrukce modelu nejen obecný předmět scény, ale i její strukturu, polohu a obsah – přetrvávající slabinu předchozích systémů, které mohly vytvořit věrohodný banán, ale jen zřídka banán, který osoba skutečně viděla. For more context on this story, see our ongoing breaking AI news.

Jak funguje dekodér mozku

Systém je dvouvětvový „dekodér mozku“. Jedna větev předpovídá strukturu obrázku — kde barvy a tvary sedí v rámu —, zatímco druhá předpovídá jeho obsah, například trs banánů na talíři. Tyto kombinované předpovědi pak řídí difúzní model, stejnou rodinu generativních technik umělé inteligence za moderními generátory obrazu a videa, aby vytvořil konečnou rekonstrukci.

Tým vycházel z veřejně dostupných dat skenování mozku: dobrovolníkům byly ukázány stovky snímků, když leželi ve skenerech fMRI, které sledují průtok okysličené krve mozkem jako zástupce nervové aktivity. Iraniho skupina použila novější datové soubory zachycené na skenerech s vyšším rozlišením, kde každý voxel aktivity pokrývá zhruba jeden krychlový milimetr tkáně spíše než zhruba tři krychlové milimetry standardního skeneru.

Školení o vypůjčených datech

Ústřední překážkou byl datový hlad. Skenování fMRI s vysokým rozlišením od osoby, která si prohlíží tisíce snímků, je vzácné a modely potřebovaly mnohem více, než existovaly. Řešením výzkumníků bylo trénovat druhý model v opačném směru – kodér, který předpovídá, jak by vypadal sken mozku, kdyby se člověku zobrazil daný obrázek.

Spuštěním kodéru a dekodéru proti sobě by tým mohl generovat efektivně neomezené tréninkové páry. Začněte s fotografií leoparda, předpovězte aktivitu fMRI, kterou by vyvolal, rekonstruujte snímek z této aktivity a zpřesněte oba modely na neshodách. Přibližně 70 procent tréninkových dat nakonec pocházelo z obrázků, které nebyly nikdy ukázány naskenovanému dobrovolníkovi, tvrdí Irani.

Tento přístup vytvořil to, co tým nazývá univerzálním kodérem mozku, a jeho účinnost je hlavním výsledkem. Předchozí dekódovací nástroje obvykle vyžadovaly přibližně 40 hodin dat fMRI ke kalibraci na novou osobu. Iraniho dekodér potřebuje zhruba jednu hodinu – rozdíl, na kterém záleží, protože čas skenování je drahý. "Nikdo z nás si nemůže dovolit 40 hodin zobrazování pro nový subjekt," řekl Tommy Sprague, neurovědec z Kalifornské univerzity v Santa Barbaře, který se výzkumu nepodílel, a poznamenal, že zobrazování může běžet zhruba 600 až 1000 dolarů za hodinu. Zjištění byla prezentována na konferenci Cognitive Computational Neuroscience v New Yorku v září.

Co je správné – a špatné

Ve srovnávacích testech tento nástroj překonal dříve popsané systémy dekódování mozku „s výrazným náskokem,“ řekl Irani MIT Technology Review. Není neomylný. Během videohovoru ukázala na obrázek dortu, který systém zrekonstruoval jako hromadu tří sendvičů, a psa ve vaně, který se vrátil jako koza podobné barvy ve stejné vaně.

Shromážděním dat z různých studií tým také identifikoval oblasti mozku, které zřejmě sdílejí funkce mezi jednotlivci – jedna oblast reagovala na obrázky jídla, jiná na sport. Irani říká, že nyní spolupracuje s neurovědci na využití nástrojů k mapování toho, jak mozek systematičtěji organizuje význam.

Sliby pro medicínu

Nejbezprostřednější naděje jsou klinické. Irani věří, že tento přístup by nakonec mohl pomoci lidem se syndromem uzamčení - plně paralyzovaným pacientům, kteří nemohou mluvit ani se pohybovat - komunikovat pouze pomocí mozkové aktivity. Také chce tuto techniku ​​rozšířit za statické obrázky na video a zvuk s dlouhodobým cílem rekonstruovat představovaný obsah, včetně snů a smyslového obsahu PTSD flashbacků.

Judy Illesová, neuroetka a profesorka neurologie na University of British Columbia, která se na práci nepodílela, popsala výzkum jako „velkolepý“. "Myšlenka [použít tento přístup] pomoci lidem s neurologickými stavy ... terapeuticky je nesmírně vzrušující," řekla MIT Technology Review.

Problém soukromí

Stejná přesnost zvyšuje vyhlídky, kterých se obor dlouho obával: extrahování mentálních představ člověka bez smysluplného souhlasu. "Výsledky se zdají velmi působivé," řekl Sprague. "Ale pokud existuje způsob, jak tajně získat informace o tom, o čem přemýšlíte, pak... 150 let sci-fi se může splnit kdykoli, a to je v mnoha ohledech znepokojivé."

Tyto obavy zůstávají prozatím omezeny fyzikou. Systém vyžaduje, aby osoba ležela v mnohatunovém magnetu fMRI celé hodiny, a každý předchozí dekodér potřeboval rozsáhlou kalibraci na osobu. Požadavek na kalibraci je však přesně to, co íránský tým omezil na faktor tuctů, a proto etici věnují pozornost nástroji, který je shodou okolností také průlomovým ve výzkumu.

Další cíle skupiny Weizmann – pohyblivé obrázky a zvuk, poté vymyšlený a vysněný obsah – otestují, zda přesnost techniky přežije i mimo pečlivě kontrolované podmínky skenovací laboratoře. Pokud ano, jak lékařské aplikace, tak debaty o soukromí budou eskalovat společně.

Rychle se pohybující pole

Dekódování mozku pokročilo od rozmazaných, stěží rozpoznatelných aproximací ke strukturálně věrným rekonstrukcím za méně než deset let, poháněné lepšími skenery, většími sdílenými datovými sadami a generativními modely, které dokážou vyplnit realistické detaily z hrubých signálů. Weizmannův příspěvek – použití obousměrné smyčky kodéru a dekodéru k prolomení úzkého hrdla dat – je druhem inženýrského vhledu, který má tendenci se rychle šířit, protože nezávisí na novém hardwaru. Očekávejte, že jiné laboratoře zopakují tréninkové schéma a očekávejte, že otázka, kdo kontroluje a schvaluje neurální data, se přesune z okrajů politiky AI směrem k jejímu středu.

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →