Des chercheurs de l'Institut des sciences Weizmann de Rehovot, en Israël, ont construit un système d'intelligence artificielle capable de reconstruire ce qu'une personne regarde sur la base uniquement de son scanner cérébral IRMf - et de prédire l'activité cérébrale d'une personne à partir d'une image dans l'autre sens - a rapporté le MIT Technology Review du 1er octobre 2026.

L’outil, développé par l’informaticien Michal Irani et ses collègues, recrée les images visualisées avec une précision que les efforts antérieurs de décodage cérébral n’ont pas égalée. Dans les comparaisons côte à côte, les reconstructions du modèle préservent non seulement le sujet général d'une scène, mais aussi sa structure, sa position et son contenu - une faiblesse persistante des systèmes précédents, qui pouvaient générer une banane plausible mais rarement celle que la personne a réellement vue. Pour plus de contexte sur cette histoire, consultez notre plus d'articles sur l'IA.

Comment fonctionne le décodeur cérébral

Le système est un « décodeur cérébral » à deux branches. Une branche prédit la structure de l’image – où les couleurs et les formes se trouvent dans le cadre – tandis que la seconde prédit son contenu, par exemple un régime de bananes dans une assiette. Ces prédictions combinées orientent ensuite un modèle de diffusion, la même famille de techniques d’IA générative derrière les générateurs d’images et de vidéos modernes, pour produire la reconstruction finale.

L’équipe est partie de données d’analyse cérébrale accessibles au public : des volontaires ont vu des centaines d’images alors qu’ils étaient allongés dans des scanners IRMf, qui suivent le flux sanguin oxygéné dans le cerveau comme indicateur de l’activité neuronale. Le groupe d'Irani a utilisé des ensembles de données plus récents capturés sur des scanners à plus haute résolution, où chaque voxel d'activité couvre environ un millimètre cube de tissu plutôt que les trois millimètres cubes d'un scanner standard.

Formation sur les données empruntées

Le principal obstacle était la faim de données. Les analyses IRMf haute résolution d'une personne visualisant des milliers d'images sont rares et les modèles nécessaires bien plus qu'ils n'existaient. La solution de contournement des chercheurs consistait à entraîner un deuxième modèle à l'envers : un encodeur qui prédit à quoi ressemblerait un scanner cérébral si une image donnée était montrée à une personne.

En exécutant l’encodeur et le décodeur l’un contre l’autre, l’équipe a pu générer un nombre illimité de paires d’entraînement. Commencez par une photo d'un léopard, prédisez l'activité IRMf qu'il produirait, reconstruisez l'image à partir de cette activité et affinez les deux modèles sur les discordances. Selon Irani, environ 70 % des données de formation provenaient en fin de compte d’images qui n’ont jamais été montrées à un volontaire numérisé.

L’approche a produit ce que l’équipe appelle un encodeur cérébral universel, et son efficacité est le résultat principal. Les outils de décodage précédents nécessitaient généralement environ 40 heures de données IRMf pour se calibrer sur une nouvelle personne. Le décodeur d'Irani a besoin d'environ une heure – une différence importante car le temps passé au scanner coûte cher. "Aucun d'entre nous ne peut se permettre 40 heures d'imagerie pour un nouveau sujet", a déclaré Tommy Sprague, neuroscientifique à l'Université de Californie à Santa Barbara, qui n'a pas participé à la recherche, soulignant que l'imagerie peut coûter entre 600 et 1 000 dollars de l'heure. Les résultats ont été présentés lors de la conférence Cognitive Computational Neuroscience à New York en septembre.

Ce qui est bien et mal

Dans les tests comparatifs, l'outil a surpassé les systèmes de décodage cérébral décrits précédemment "de manière significative", a déclaré Irani au MIT Technology Review. Ce n'est pas infaillible. Lors d'un appel vidéo, elle a montré l'image d'un gâteau que le système a reconstitué comme une pile de trois sandwichs, et un chien dans une baignoire qui est revenu sous la forme d'une chèvre de couleur similaire dans la même baignoire.

En regroupant les données de plusieurs études, l’équipe a également identifié des régions du cerveau qui semblent partager des fonctions entre individus : une région réagissait aux images de nourriture, une autre aux sports. Irani dit qu'elle travaille maintenant avec des neuroscientifiques pour utiliser les outils permettant de cartographier plus systématiquement la manière dont le cerveau organise le sens.

Promesses pour la médecine

Les espoirs les plus immédiats sont cliniques. Irani pense que cette approche pourrait éventuellement aider les personnes atteintes du syndrome d'enfermement (des patients complètement paralysés qui ne peuvent ni parler ni bouger) à communiquer en utilisant uniquement l'activité cérébrale. Elle souhaite également étendre la technique au-delà des images statiques à la vidéo et à l’audio, dans le but à long terme de reconstruire le contenu imaginé, y compris les rêves et le contenu sensoriel des flashbacks du SSPT.

Judy Illes, neuroéthicienne et professeur de neurologie à l'Université de la Colombie-Britannique qui n'a pas participé aux travaux, a qualifié la recherche de « magnifique ». "L'idée [d'utiliser cette approche] pour aider les personnes atteintes de troubles neurologiques... sur le plan thérapeutique est extrêmement excitante", a-t-elle déclaré au MIT Technology Review.

Le problème de la confidentialité

La même précision soulève la perspective que le domaine redoute depuis longtemps : extraire l’imagerie mentale d’une personne sans son consentement significatif. "Les résultats semblent très impressionnants", a déclaré Sprague. "Mais s'il existe un moyen d'extraire subrepticement des informations sur ce à quoi vous pensez, alors... 150 ans de science-fiction peuvent devenir réalité à tout moment, et c'est inquiétant à bien des égards."

Ces préoccupations restent, pour l’instant, limitées à la physique. Le système nécessite qu’une personne reste allongée à l’intérieur d’un aimant IRMf de plusieurs tonnes pendant des heures, et chaque décodeur précédent nécessitait un étalonnage approfondi par personne. Mais l'équipe d'Irani a justement réduit d'un facteur plusieurs dizaines l'exigence d'étalonnage. C'est pourquoi les éthiciens s'intéressent à un outil qui se révèle également être une avancée majeure dans la recherche.

Les prochaines cibles du groupe Weizmann – images et sons en mouvement, puis contenu imaginé et rêvé – testeront si la précision de la technique survit en dehors des conditions soigneusement contrôlées d'un laboratoire de scanner. Si tel est le cas, les débats sur les applications médicales et sur la vie privée connaîtront une escalade simultanée.

Un domaine en évolution rapide

Le décodage du cerveau est passé d'approximations floues et à peine reconnaissables à des reconstructions structurellement fidèles en moins d'une décennie, grâce à de meilleurs scanners, des ensembles de données partagés plus vastes et des modèles génératifs capables de remplir des détails réalistes à partir de signaux grossiers. La contribution de Weizmann – l'utilisation d'une boucle codeur-décodeur bidirectionnelle pour éliminer le goulot d'étranglement des données – est le type de connaissances techniques qui ont tendance à se propager rapidement, car elles ne dépendent pas d'un nouveau matériel. Attendez-vous à ce que d’autres laboratoires reproduisent le programme de formation et attendez-vous à ce que la question de savoir qui contrôle et autorise les données neuronales passe des marges de la politique de l’IA vers son centre.

---

Restez à la Pointe de l'IA

Les dernières actualités, analyses et percées en IA — au même endroit.

Lire plus d'actualités IA →