Investigadores del Instituto Weizmann de Ciencias en Rehovot, Israel, han construido un sistema de inteligencia artificial que puede reconstruir lo que una persona está mirando basándose únicamente en su escáner cerebral por resonancia magnética funcional y predecir la actividad cerebral de una persona a partir de una imagen en la otra dirección, informó MIT Technology Review el 1 de octubre de 2026.
La herramienta, desarrollada por la científica informática Michal Irani y sus colegas, recrea imágenes visualizadas con una precisión que los esfuerzos anteriores de decodificación cerebral no habían igualado. En comparaciones lado a lado, las reconstrucciones del modelo preservan no sólo el tema general de una escena sino también su estructura, posición y contenido, una debilidad persistente de los sistemas anteriores, que podían generar un plátano plausible pero rara vez el plátano que la persona realmente vio. Para más contexto sobre esta historia, consulta nuestra novedades de IA.
Cómo funciona el decodificador cerebral
El sistema es un "decodificador cerebral" de dos ramas. Una rama predice la estructura de la imagen (dónde se ubican los colores y las formas en el marco), mientras que la segunda predice su contenido, por ejemplo, un racimo de plátanos en un plato. Luego, esas predicciones combinadas dirigen un modelo de difusión, la misma familia de técnicas de inteligencia artificial generativa detrás de los modernos generadores de imágenes y videos, para producir la reconstrucción final.
El equipo partió de datos de escáneres cerebrales disponibles públicamente: a los voluntarios se les habían mostrado cientos de imágenes mientras yacían en escáneres de resonancia magnética funcional, que rastrean el flujo sanguíneo oxigenado a través del cerebro como indicador de la actividad neuronal. El grupo de Irani utilizó conjuntos de datos más nuevos capturados en escáneres de mayor resolución, donde cada vóxel de actividad cubre aproximadamente un milímetro cúbico de tejido en lugar de los aproximadamente tres milímetros cúbicos de un escáner estándar.
Capacitación sobre datos prestados
El obstáculo central fue el hambre de datos. Las exploraciones por resonancia magnética funcional de alta resolución realizadas por una persona que ve miles de imágenes son escasas y los modelos necesitaban muchos más de los que existían. La solución alternativa de los investigadores fue entrenar un segundo modelo a la inversa: un codificador que predice cómo se vería un escáner cerebral si a una persona se le mostrara una imagen determinada.
Al ejecutar el codificador y el decodificador entre sí, el equipo podría generar efectivamente pares de entrenamiento ilimitados. Comience con una fotografía de un leopardo, prediga la actividad de resonancia magnética funcional que produciría, reconstruya la imagen a partir de esa actividad y refine ambos modelos en función de las discrepancias. Según Irani, alrededor del 70 por ciento de los datos del entrenamiento provinieron en última instancia de imágenes que nunca fueron mostradas a un voluntario escaneado.
El enfoque produjo lo que el equipo llama un codificador cerebral universal, y su eficiencia es el resultado principal. Las herramientas de decodificación anteriores normalmente requerían alrededor de 40 horas de datos de resonancia magnética funcional para calibrarse en una nueva persona. El decodificador de Irani necesita aproximadamente una hora, una diferencia importante porque el tiempo del escáner es caro. "Ninguno de nosotros puede permitirse 40 horas de imágenes para un nuevo sujeto", dijo Tommy Sprague, neurocientífico de la Universidad de California en Santa Bárbara, que no participó en la investigación, y señaló que las imágenes pueden costar aproximadamente entre 600 y 1.000 dólares por hora. Los hallazgos se presentaron en la conferencia de Neurociencia Computacional Cognitiva celebrada en Nueva York en septiembre.
Lo que hace bien y mal
En pruebas comparativas, la herramienta superó a los sistemas de decodificación cerebral descritos anteriormente "por un margen significativo", dijo Irani a MIT Technology Review. No es infalible. Durante una videollamada, señaló la imagen de un pastel que el sistema reconstruyó como una pila de tres sándwiches y un perro en una bañera que regresó como una cabra de color similar en la misma bañera.
Al combinar datos de múltiples estudios, el equipo también identificó regiones del cerebro que parecen compartir funciones entre individuos: una región respondió a imágenes de comida y otra a deportes. Irani dice que ahora está trabajando con neurocientíficos para utilizar las herramientas para mapear cómo el cerebro organiza el significado de manera más sistemática.
Promesas para la medicina
Las esperanzas más inmediatas son clínicas. Irani cree que el enfoque podría eventualmente ayudar a las personas con síndrome de enclaustramiento (pacientes completamente paralizados que no pueden hablar ni moverse) a comunicarse utilizando únicamente la actividad cerebral. También quiere extender la técnica más allá de las imágenes estáticas al video y al audio, con el objetivo a largo plazo de reconstruir el contenido imaginado, incluidos los sueños y el contenido sensorial de los flashbacks del trastorno de estrés postraumático.
Judy Illes, neuroética y profesora de neurología de la Universidad de Columbia Británica que no participó en el trabajo, describió la investigación como "magnífica". "La idea [de utilizar este enfoque] para ayudar a las personas con afecciones neurológicas... terapéuticamente es tremendamente emocionante", dijo a MIT Technology Review.
El problema de la privacidad
La misma precisión plantea la perspectiva que el campo ha temido durante mucho tiempo: extraer las imágenes mentales de una persona sin un consentimiento significativo. "Los resultados parecen muy impresionantes", dijo Sprague. "Pero si hay una manera de extraer subrepticiamente información sobre lo que estás pensando, entonces... 150 años de ciencia ficción pueden hacerse realidad en cualquier momento, y eso es preocupante en muchos sentidos".
Esas preocupaciones siguen, por ahora, limitadas a la física. El sistema requiere que una persona permanezca dentro de un imán de resonancia magnética funcional de varias toneladas durante horas, y todos los decodificadores anteriores necesitaban una calibración exhaustiva por persona. Pero el requisito de calibración es precisamente lo que el equipo de Irani acaba de reducir en un factor de docenas, razón por la cual los especialistas en ética están prestando atención a una herramienta que también constituye un gran avance en la investigación.
Los próximos objetivos del grupo Weizmann (imágenes en movimiento y sonido, luego contenido imaginado y soñado) probarán si la precisión de la técnica sobrevive fuera de las condiciones cuidadosamente controladas de un laboratorio de escáner. Si es así, tanto las aplicaciones médicas como los debates sobre privacidad escalarán juntos.
Un campo en rápido movimiento
La decodificación del cerebro ha progresado desde aproximaciones borrosas y apenas reconocibles hasta reconstrucciones estructuralmente fieles en menos de una década, impulsada por mejores escáneres, conjuntos de datos compartidos más grandes y modelos generativos que pueden completar detalles realistas a partir de señales burdas. La contribución de Weizmann –utilizando un bucle codificador-decodificador bidireccional para romper el cuello de botella de los datos– es el tipo de conocimiento de ingeniería que tiende a difundirse rápidamente, porque no depende de nuevo hardware. Espere que otros laboratorios repliquen el esquema de capacitación, y espere que la cuestión de quién controla y da su consentimiento a los datos neuronales pase de los márgenes de la política de IA a su centro.
---
Mantente al Día con la IALas últimas noticias, análisis y avances de inteligencia artificial, en un solo lugar.
Leer más noticias de IA →
