Pesquisadores do Instituto Weizmann de Ciência em Rehovot, Israel, construíram um sistema de inteligência artificial que pode reconstruir o que uma pessoa está olhando com base apenas em sua ressonância magnética cerebral - e prever a atividade cerebral de uma pessoa a partir de uma imagem na outra direção - informou a MIT Technology Review em 1º de outubro de 2026.

A ferramenta, desenvolvida pelo cientista da computação Michal Irani e seus colegas, recria as imagens visualizadas com uma precisão que os esforços anteriores de decodificação cerebral não alcançaram. Em comparações lado a lado, as reconstruções do modelo preservam não apenas o tema geral de uma cena, mas também a sua estrutura, posição e conteúdo – uma fraqueza persistente dos sistemas anteriores, que poderia gerar uma banana plausível, mas raramente a banana que a pessoa realmente viu. Para mais contexto sobre esta história, confira nossa atualizações de inteligência artificial.

Como funciona o decodificador cerebral

O sistema é um “decodificador cerebral” de duas ramificações. Um ramo prevê a estrutura da imagem – onde as cores e formas ficam no quadro – enquanto o segundo prevê seu conteúdo, por exemplo, um cacho de bananas em um prato. Essas previsões combinadas orientam então um modelo de difusão, a mesma família de técnicas generativas de IA por trás dos modernos geradores de imagem e vídeo, para produzir a reconstrução final.

A equipe começou com dados de tomografia cerebral disponíveis publicamente: foram mostradas aos voluntários centenas de imagens enquanto estavam deitados em scanners de fMRI, que rastreiam o fluxo sanguíneo oxigenado através do cérebro como um proxy para a atividade neural. O grupo de Irani usou conjuntos de dados mais recentes capturados em scanners de alta resolução, onde cada voxel de atividade cobre aproximadamente um milímetro cúbico de tecido, em vez dos cerca de três milímetros cúbicos de um scanner padrão.

Treinamento em dados emprestados

O obstáculo central era a fome de dados. Varreduras de fMRI de alta resolução de uma pessoa que visualiza milhares de imagens são escassas e os modelos precisavam de muito mais do que existiam. A solução alternativa dos pesquisadores foi treinar um segundo modelo ao contrário – um codificador que prevê como seria uma tomografia cerebral se uma determinada imagem fosse mostrada a uma pessoa.

Ao executar o codificador e o decodificador um contra o outro, a equipe poderia gerar pares de treinamento efetivamente ilimitados. Comece com a foto de um leopardo, preveja a atividade de fMRI que ele produziria, reconstrua a imagem dessa atividade e refine ambos os modelos nas incompatibilidades. Cerca de 70% dos dados de treinamento vieram de imagens que nunca foram mostradas a um voluntário escaneado, segundo Irani.

A abordagem produziu o que a equipe chama de codificador cerebral universal, e sua eficiência é o principal resultado. As ferramentas de decodificação anteriores normalmente exigiam cerca de 40 horas de dados de fMRI para calibrar para uma nova pessoa. O decodificador da Irani precisa de aproximadamente uma hora – uma diferença que importa porque o tempo do scanner é caro. "Nenhum de nós pode pagar 40 horas de imagens para um novo sujeito", disse Tommy Sprague, neurocientista da Universidade da Califórnia, em Santa Bárbara, que não esteve envolvido na pesquisa, observando que as imagens podem custar cerca de US$ 600 a US$ 1.000 por hora. As descobertas foram apresentadas na conferência Cognitive Computational Neuroscience, em Nova York, em setembro.

O que dá certo - e errado

Em testes de comparação, a ferramenta superou os sistemas de decodificação cerebral descritos anteriormente “por uma margem significativa”, disse Irani ao MIT Technology Review. Não é infalível. Durante uma videochamada, ela apontou para a imagem de um bolo que o sistema reconstruiu como uma pilha de três sanduíches e um cachorro em uma banheira que voltou como uma cabra de cor semelhante na mesma banheira.

Ao reunir dados de vários estudos, a equipe também identificou regiões do cérebro que parecem compartilhar funções entre os indivíduos – uma região respondeu a imagens de comida, outra a esportes. Irani diz que agora está trabalhando com neurocientistas para usar as ferramentas para mapear como o cérebro organiza o significado de forma mais sistemática.

Promessas para remédios

As esperanças mais imediatas são clínicas. Irani acredita que a abordagem poderia eventualmente ajudar pessoas com síndrome do encarceramento – pacientes totalmente paralisados ​​que não conseguem falar ou se mover – a se comunicarem usando apenas a atividade cerebral. Ela também quer estender a técnica além das imagens estáticas para vídeo e áudio, com o objetivo de longo prazo de reconstruir conteúdo imaginado, incluindo sonhos e o conteúdo sensorial de flashbacks de TEPT.

Judy Illes, neuroeticista e professora de neurologia na Universidade da Colúmbia Britânica que não esteve envolvida no trabalho, descreveu a pesquisa como “magnífica”. “A ideia [de usar esta abordagem] para ajudar pessoas com condições neurológicas... terapeuticamente é tremendamente excitante”, disse ela ao MIT Technology Review.

O problema da privacidade

A mesma precisão levanta a perspectiva que a área há muito temia: extrair imagens mentais de uma pessoa sem consentimento significativo. “Os resultados parecem muito impressionantes”, disse Sprague. "Mas se houver uma maneira de extrair informações sub-repticiamente sobre o que você está pensando, então... 150 anos de ficção científica podem se tornar realidade a qualquer momento, e isso é preocupante de várias maneiras."

Essas preocupações permanecem, por enquanto, limitadas pela física. O sistema exige que uma pessoa fique dentro de um ímã de fMRI de várias toneladas por horas, e todos os decodificadores anteriores precisaram de uma calibração extensiva por pessoa. Mas o requisito de calibração é precisamente o que a equipa de Irani acabou de reduzir por um factor de dezenas, razão pela qual os especialistas em ética estão a prestar atenção a uma ferramenta que também é um avanço na investigação.

Os próximos alvos do grupo Weizmann – imagens em movimento e som, depois conteúdo imaginado e sonhado – testarão se a precisão da técnica sobrevive fora das condições cuidadosamente controladas de um laboratório de scanner. Se isso acontecer, tanto as aplicações médicas como os debates sobre privacidade aumentarão em conjunto.

Um campo em rápida evolução

A decodificação cerebral progrediu de aproximações borradas e quase irreconhecíveis para reconstruções estruturalmente fiéis em menos de uma década, impulsionada por scanners melhores, conjuntos de dados compartilhados maiores e modelos generativos que podem preencher detalhes realistas a partir de sinais grosseiros. A contribuição de Weizmann — usando um loop codificador-decodificador bidirecional para quebrar o gargalo de dados — é o tipo de conhecimento de engenharia que tende a se espalhar rapidamente, porque não depende de novo hardware. Espere que outros laboratórios repliquem o esquema de treinamento e espere que a questão de quem controla e consente com os dados neurais passe das margens da política de IA em direção ao seu centro.

---

Fique à Frente da IA

As últimas notícias, análises e avanços em inteligência artificial — tudo em um só lugar.

Ler mais notícias de IA →