I ricercatori del Weizmann Institute of Science di Rehovot, in Israele, hanno costruito un sistema di intelligenza artificiale in grado di ricostruire ciò che una persona sta guardando basandosi solo sulla scansione cerebrale fMRI - e prevedere l'attività cerebrale di una persona da un'immagine nella direzione opposta - ha riferito il MIT Technology Review il 1 ottobre 2026.
Lo strumento, sviluppato dall'informatico Michal Irani e dai suoi colleghi, ricrea le immagini visualizzate con una precisione che i precedenti tentativi di decodificazione del cervello non hanno eguagliato. Nei confronti affiancati, le ricostruzioni del modello preservano non solo il soggetto generale di una scena ma la sua struttura, posizione e contenuto – una debolezza persistente dei sistemi precedenti, che poteva generare una banana plausibile ma raramente la banana che la persona ha effettivamente visto. Per maggiori informazioni su questa storia, consulta la nostra notizie sull'IA.
Come funziona il decodificatore del cervello
Il sistema è un "decodificatore cerebrale" a due rami. Un ramo predice la struttura dell’immagine – dove colori e forme si trovano nell’inquadratura – mentre il secondo ne predice il contenuto, ad esempio un casco di banane su un piatto. Queste previsioni combinate guidano quindi un modello di diffusione, la stessa famiglia di tecniche di intelligenza artificiale generativa alla base dei moderni generatori di immagini e video, per produrre la ricostruzione finale.
Il team è partito da dati di scansione cerebrale disponibili al pubblico: ai volontari sono state mostrate centinaia di immagini mentre giacevano negli scanner fMRI, che tracciano il flusso di sangue ossigenato attraverso il cervello come proxy dell’attività neurale. Il gruppo di Irani ha utilizzato set di dati più recenti catturati su scanner ad alta risoluzione, in cui ciascun voxel di attività copre circa un millimetro cubo di tessuto anziché i circa tre millimetri cubi di uno scanner standard.
Formazione sui dati presi in prestito
L’ostacolo centrale era la fame di dati. Le scansioni fMRI ad alta risoluzione di una persona che visualizza migliaia di immagini sono scarse e i modelli richiedevano molto più di quanto esistessero. La soluzione alternativa dei ricercatori è stata quella di addestrare un secondo modello al contrario: un codificatore che prevede come apparirebbe una scansione del cervello se a una persona fosse mostrata una determinata immagine.
Eseguendo il codificatore e il decodificatore l'uno contro l'altro, il team è riuscito a generare coppie di allenamento effettivamente illimitate. Inizia con una foto di un leopardo, prevedi l'attività fMRI che produrrebbe, ricostruisci l'immagine da quell'attività e perfeziona entrambi i modelli sulle discrepanze. Secondo Irani, circa il 70% dei dati di formazione provenivano infine da immagini che non erano mai state effettivamente mostrate a un volontario scansionato.
L’approccio ha prodotto quello che il team chiama un codificatore cerebrale universale, e la sua efficienza è il risultato principale. I precedenti strumenti di decodifica richiedevano in genere circa 40 ore di dati fMRI per calibrarli su una nuova persona. Il decoder di Irani impiega circa un'ora, una differenza importante perché il tempo dello scanner è costoso. "Nessuno di noi può permettersi 40 ore di imaging per un nuovo soggetto", ha affermato Tommy Sprague, neuroscienziato dell'Università della California, Santa Barbara, che non è stato coinvolto nella ricerca, sottolineando che l'imaging può costare dai 600 ai 1.000 dollari l'ora. I risultati sono stati presentati alla conferenza sulle neuroscienze cognitive computazionali tenutasi a New York a settembre.
Ciò che è giusto e ciò che è sbagliato
Nei test comparativi, lo strumento ha sovraperformato i sistemi di decodificazione del cervello precedentemente descritti "con un margine significativo", ha detto Irani al MIT Technology Review. Non è infallibile. Durante una videochiamata, ha indicato l'immagine di una torta che il sistema ha ricostruito come una pila di tre panini e un cane in una vasca da bagno che è tornato come una capra di colore simile nella stessa vasca.
Mettendo insieme i dati di più studi, il team ha anche identificato regioni del cervello che sembrano condividere funzioni tra individui: una regione ha risposto alle immagini del cibo, un’altra allo sport. Irani afferma che ora sta lavorando con i neuroscienziati per utilizzare gli strumenti per mappare il modo in cui il cervello organizza il significato in modo più sistematico.
Promesse per la medicina
Le speranze più immediate sono cliniche. Irani ritiene che l’approccio potrebbe eventualmente aiutare le persone affette da sindrome da lock-in – pazienti completamente paralizzati che non possono parlare o muoversi – a comunicare utilizzando solo l’attività cerebrale. Vuole anche estendere la tecnica oltre le immagini statiche al video e all'audio, con l'obiettivo a lungo termine di ricostruire il contenuto immaginato, compresi i sogni e il contenuto sensoriale dei flashback del disturbo da stress post-traumatico.
Judy Illes, neuroeticista e professoressa di neurologia presso l'Università della British Columbia, non coinvolta nel lavoro, ha descritto la ricerca come "magnifica". "L'idea [di utilizzare questo approccio] per aiutare le persone con patologie neurologiche... dal punto di vista terapeutico è tremendamente eccitante", ha detto al MIT Technology Review.
Il problema della privacy
La stessa precisione solleva la prospettiva che il settore teme da tempo: estrarre le immagini mentali di una persona senza un consenso significativo. "I risultati sembrano davvero impressionanti", ha detto Sprague. "Ma se c'è un modo per estrarre di nascosto informazioni su ciò a cui stai pensando, allora... 150 anni di fantascienza possono diventare realtà in qualsiasi momento, e questo è preoccupante in molti modi."
Tali preoccupazioni rimangono, per ora, limitate alla fisica. Il sistema richiede che una persona rimanga per ore all'interno di un magnete fMRI da molte tonnellate, e ogni decodificatore precedente necessitava di un'ampia calibrazione per persona. Ma il requisito di calibrazione è proprio quello che il team di Irani ha appena tagliato di un fattore di dozzine, motivo per cui gli studiosi di etica prestano attenzione a uno strumento che sembra essere anche una svolta nella ricerca.
I prossimi obiettivi del gruppo Weizmann - immagini in movimento e suoni, quindi contenuti immaginati e sognati - metteranno alla prova se l'accuratezza della tecnica sopravvive al di fuori delle condizioni attentamente controllate di un laboratorio di scansione. Se così fosse, sia le applicazioni mediche che i dibattiti sulla privacy aumenterebbero insieme.
Un campo in rapida evoluzione
La decodifica del cervello è passata da approssimazioni sfocate e appena riconoscibili a ricostruzioni strutturalmente fedeli in meno di un decennio, guidate da scanner migliori, set di dati condivisi più ampi e modelli generativi in grado di integrare dettagli realistici a partire da segnali grossolani. Il contributo di Weizmann – utilizzando un circuito codificatore-decodificatore bidirezionale per rompere il collo di bottiglia dei dati – è il tipo di intuizione ingegneristica che tende a diffondersi rapidamente, perché non dipende dal nuovo hardware. Aspettatevi che altri laboratori replichino lo schema di formazione e che la questione di chi controlla e acconsente ai dati neurali si sposti dai margini della politica sull’intelligenza artificiale verso il suo centro.
---
Rimani Aggiornato sull'IALe ultime notizie, analisi e scoperte sull'intelligenza artificiale — tutto in un posto.
Leggi altre notizie sull'IA →
