Das KI-Tool „Gedankenlesen“ des Weizmann-Instituts rekonstruiert, was Sie aus Gehirnscans sehen

Forscher am Weizmann Institute of Science in Rehovot, Israel, haben ein künstliches Intelligenzsystem entwickelt, das allein auf der Grundlage ihres fMRT-Gehirnscans rekonstruieren kann, was eine Person sieht – und die Gehirnaktivität einer Person anhand eines Bildes in der anderen Richtung vorhersagen kann – MIT Technology Review berichtete am 1. Oktober 2026.

Das von der Informatikerin Michal Irani und ihren Kollegen entwickelte Tool stellt betrachtete Bilder mit einer Präzision wieder her, die frühere Gehirnentschlüsselungsbemühungen nicht erreichen konnten. Bei direkten Vergleichen bewahren die Rekonstruktionen des Modells nicht nur das allgemeine Thema einer Szene, sondern auch deren Struktur, Position und Inhalt – eine anhaltende Schwäche früherer Systeme, die eine plausible Banane erzeugen konnten, aber selten die Banane, die die Person tatsächlich gesehen hat. Weitere Informationen zu dieser Geschichte finden Sie in unserer aktuelle KI-Trends.

So funktioniert der Brain-Decoder

Das System ist ein zweizweigiger „Gehirn-Decoder“. Ein Zweig sagt die Struktur des Bildes voraus – wo Farben und Formen im Rahmen sitzen –, während der zweite seinen Inhalt vorhersagt, zum Beispiel ein Bündel Bananen auf einem Teller. Diese kombinierten Vorhersagen steuern dann ein Diffusionsmodell, dieselbe Familie generativer KI-Techniken, die auch modernen Bild- und Videogeneratoren zugrunde liegen, um die endgültige Rekonstruktion zu erstellen.

Das Team ging von öffentlich zugänglichen Gehirnscandaten aus: Freiwilligen wurden Hunderte von Bildern gezeigt, während sie in fMRT-Scannern lagen, die den sauerstoffhaltigen Blutfluss durch das Gehirn als Proxy für die neuronale Aktivität verfolgen. Iranis Gruppe verwendete neuere Datensätze, die mit Scannern mit höherer Auflösung erfasst wurden, bei denen jedes Aktivitätsvoxel etwa einen Kubikmillimeter Gewebe abdeckt und nicht die etwa drei Kubikmillimeter eines Standardscanners.

Schulung zu geliehenen Daten

Das zentrale Hindernis war der Datenhunger. Hochauflösende fMRT-Scans von einer Person, die Tausende von Bildern betrachtet, sind rar, und die Modelle, die weitaus mehr benötigt werden als vorhanden sind. Die Problemumgehung der Forscher bestand darin, ein zweites Modell umgekehrt zu trainieren – einen Encoder, der vorhersagt, wie ein Gehirnscan aussehen würde, wenn einer Person ein bestimmtes Bild gezeigt würde.

Durch den Vergleich von Encoder und Decoder konnte das Team praktisch unbegrenzte Trainingspaare generieren. Beginnen Sie mit einem Foto eines Leoparden, sagen Sie die fMRT-Aktivität voraus, die er erzeugen würde, rekonstruieren Sie das Bild dieser Aktivität und verfeinern Sie beide Modelle hinsichtlich der Nichtübereinstimmungen. Rund 70 Prozent der Trainingsdaten stammten letztlich aus Bildern, die einem gescannten Freiwilligen nie gezeigt wurden, so Irani.

Der Ansatz führte zu dem, was das Team einen universellen Gehirn-Encoder nennt, und seine Effizienz ist das Hauptergebnis. Frühere Dekodierungstools erforderten in der Regel etwa 40 Stunden an fMRT-Daten, um sie auf eine neue Person zu kalibrieren. Der Decoder von Irani benötigt ungefähr eine Stunde – ein Unterschied, der wichtig ist, weil die Scannerzeit teuer ist. „Keiner von uns kann sich 40 Stunden Bildgebung für ein neues Thema leisten“, sagte Tommy Sprague, ein Neurowissenschaftler an der University of California in Santa Barbara, der nicht an der Forschung beteiligt war, und stellte fest, dass die Bildgebung etwa 600 bis 1.000 US-Dollar pro Stunde kosten kann. Die Ergebnisse wurden im September auf der Cognitive Computational Neuroscience-Konferenz in New York vorgestellt.

Was es richtig macht – und was falsch

In Vergleichstests übertraf das Tool zuvor beschriebene Gehirndekodierungssysteme „bei weitem“, sagte Irani gegenüber MIT Technology Review. Es ist nicht unfehlbar. Während eines Videoanrufs zeigte sie auf das Bild eines Kuchens, den das System als einen Stapel von drei Sandwiches rekonstruierte, und auf einen Hund in einer Badewanne, der als ähnlich gefärbte Ziege in derselben Wanne zurückkam.

Durch die Zusammenführung von Daten aus mehreren Studien identifizierte das Team auch Gehirnregionen, die offenbar Funktionen bei allen Individuen teilen – eine Region reagierte auf Bilder von Essen, eine andere auf Sport. Irani sagt, sie arbeite jetzt mit Neurowissenschaftlern zusammen, um mithilfe der Tools systematischer abzubilden, wie das Gehirn Bedeutungen organisiert.

Versprechen für die Medizin

Die unmittelbarsten Hoffnungen sind klinischer Natur. Irani glaubt, dass der Ansatz letztendlich Menschen mit Locked-in-Syndrom – vollständig gelähmten Patienten, die weder sprechen noch sich bewegen können – dabei helfen könnte, allein über Gehirnaktivität zu kommunizieren. Sie möchte die Technik auch über statische Bilder hinaus auf Video und Audio ausweiten, mit dem langfristigen Ziel, imaginäre Inhalte, einschließlich Träume und den sensorischen Inhalt von PTSD-Flashbacks, zu rekonstruieren.

Judy Illes, Neuroethikerin und Professorin für Neurologie an der University of British Columbia, die nicht an der Arbeit beteiligt war, beschrieb die Forschung als „großartig“. „Die Idee [diesen Ansatz zu nutzen], um Menschen mit neurologischen Erkrankungen therapeutisch zu helfen, ist enorm aufregend“, sagte sie gegenüber MIT Technology Review.

Das Datenschutzproblem

Die gleiche Präzision eröffnet die Möglichkeit, vor der sich die Fachwelt seit langem gefürchtet hat: das Extrahieren der mentalen Bilder einer Person ohne sinnvolle Einwilligung. „Die Ergebnisse scheinen sehr beeindruckend zu sein“, sagte Sprague. „Aber wenn es eine Möglichkeit gibt, heimlich Informationen darüber zu extrahieren, woran man denkt, dann … können 150 Jahre Science-Fiction jederzeit wahr werden, und das ist in vielerlei Hinsicht besorgniserregend.“

Diese Bedenken bleiben vorerst durch die Physik begrenzt. Das System erfordert, dass eine Person stundenlang in einem tonnenschweren fMRI-Magneten liegt, und jeder frühere Decoder musste eine umfassende Kalibrierung pro Person erfordern. Aber genau die Kalibrierungsanforderungen hat das iranische Team gerade um den Faktor Dutzend gesenkt, weshalb Ethiker auf ein Werkzeug achten, das zufällig auch einen Forschungsdurchbruch darstellt.

Die nächsten Ziele der Weizmann-Gruppe – bewegte Bilder und Ton, dann imaginäre und geträumte Inhalte – werden testen, ob die Genauigkeit der Technik außerhalb der sorgfältig kontrollierten Bedingungen eines Scannerlabors bestehen bleibt. Wenn dies der Fall ist, werden sowohl die medizinischen Anwendungen als auch die Datenschutzdebatten gemeinsam eskalieren.

Ein schnelllebiges Feld

Die Gehirndekodierung hat sich in weniger als einem Jahrzehnt von verschwommenen, kaum erkennbaren Annäherungen zu strukturgetreuen Rekonstruktionen entwickelt, angetrieben durch bessere Scanner, größere gemeinsame Datensätze und generative Modelle, die realistische Details aus groben Signalen ergänzen können. Weizmanns Beitrag – die Verwendung einer bidirektionalen Encoder-Decoder-Schleife zur Überwindung des Datenengpasses – gehört zu den technischen Erkenntnissen, die sich schnell verbreiten, da sie nicht auf neue Hardware angewiesen sind. Erwarten Sie, dass andere Labore das Trainingsschema nachahmen, und erwarten Sie, dass sich die Frage, wer neuronale Daten kontrolliert und ihnen zustimmt, von den Rändern der KI-Richtlinie in deren Zentrum verlagert.

---

Bleib vorne bei KI

Die neuesten KI-Nachrichten, Analysen und Durchbrüche – alles an einem Ort.

Mehr KI-Nachrichten lesen →