Forskare vid Weizmann Institute of Science i Rehovot, Israel har byggt ett artificiell intelligenssystem som kan rekonstruera vad en person tittar på endast baserat på sin fMRI-hjärnskanning - och förutsäga en persons hjärnaktivitet från en bild i andra riktningen - rapporterade MIT Technology Review den 1 oktober 2026.

Verktyget, utvecklat av datavetaren Michal Irani och hennes kollegor, återskapar visade bilder med en precision som tidigare hjärnavkodningsinsatser inte har matchat. I jämförelser sida vid sida bevarar modellens rekonstruktioner inte bara det allmänna ämnet för en scen utan dess struktur, position och innehåll - en ihållande svaghet hos tidigare system, som kunde generera en rimlig banan men sällan banan som personen faktiskt såg. For more context on this story, see our ongoing AI trends.

Hur hjärnavkodaren fungerar

Systemet är en "hjärnavkodare" med två grenar. En gren förutsäger bildens struktur — där färger och former sitter i ramen — medan den andra förutsäger dess innehåll, till exempel ett gäng bananer på en tallrik. Dessa kombinerade förutsägelser styr sedan en diffusionsmodell, samma familj av generativa AI-tekniker bakom moderna bild- och videogeneratorer, för att producera den slutliga rekonstruktionen.

Teamet utgick från allmänt tillgängliga hjärnskanningsdata: frivilliga hade visats hundratals bilder medan de låg i fMRI-skannrar, som spårar syresatt blodflöde genom hjärnan som en proxy för neural aktivitet. Iranis grupp använde nyare datauppsättningar som fångats på skannrar med högre upplösning, där varje voxel av aktivitet täcker ungefär en kubikmillimeter vävnad snarare än de ungefär tre kubikmillimeterna av en standardskanner.

Utbildning om lånad data

Det centrala hindret var datahunger. Högupplösta fMRI-skanningar från en person som tittar på tusentals bilder är få, och modellerna behövde mycket mer än vad som fanns. Forskarnas lösning var att träna en andra modell i omvänd - en kodare som förutsäger hur en hjärnskanning skulle se ut om en person fick en viss bild.

Genom att köra kodaren och avkodaren mot varandra kunde teamet generera effektivt obegränsade träningspar. Börja med ett foto av en leopard, förutsäg fMRI-aktiviteten den skulle producera, rekonstruera bilden från den aktiviteten och förfina båda modellerna på missmatchningarna. Omkring 70 procent av träningsdata kom slutligen från bilder som faktiskt aldrig visades för en skannad volontär, enligt Irani.

Tillvägagångssättet producerade vad teamet kallar en universell hjärnkodare, och dess effektivitet är huvudresultatet. Tidigare avkodningsverktyg krävde vanligtvis cirka 40 timmars fMRI-data för att kalibrera till en ny person. Iranis dekoder behöver ungefär en timme – en skillnad som är viktig eftersom skannertiden är dyr. "Ingen av oss har råd med 40 timmars avbildning för ett nytt ämne," säger Tommy Sprague, en neuroforskare vid University of California, Santa Barbara, som inte var involverad i forskningen, och noterade att avbildning kan kosta ungefär $600 till $1 000 per timme. Resultaten presenterades vid konferensen Cognitive Computational Neuroscience i New York i september.

Vad det blir rätt – och fel

I jämförelsetester överträffade verktyget tidigare beskrivna hjärnavkodningssystem "med en betydande marginal", sa Irani till MIT Technology Review. Det är inte ofelbart. Under ett videosamtal pekade hon på en bild av en tårta som systemet rekonstruerade som en hög med tre smörgåsar, och en hund i ett badkar som kom tillbaka som en lika färgad get i samma balja.

Genom att slå samman data över flera studier, identifierade teamet också hjärnregioner som verkar dela funktioner mellan individer - en region svarade på bilder av mat, en annan på sport. Irani säger att hon nu arbetar med neuroforskare för att använda verktygen för att kartlägga hur hjärnan organiserar mening mer systematiskt.

Löften för medicin

De mest omedelbara förhoppningarna är kliniska. Irani tror att tillvägagångssättet så småningom kan hjälpa människor med inlåst syndrom - helt förlamade patienter som inte kan tala eller röra sig - att kommunicera med enbart hjärnaktivitet. Hon vill också utöka tekniken bortom statiska bilder till video och ljud, med det långsiktiga målet att rekonstruera föreställt innehåll, inklusive drömmar och det sensoriska innehållet i PTSD-flashbacks.

Judy Illes, en neuroetiker och professor i neurologi vid University of British Columbia som inte var involverad i arbetet, beskrev forskningen som "storslagen". "Tanken [att använda detta tillvägagångssätt] för att hjälpa människor med neurologiska tillstånd ... terapeutiskt är oerhört spännande," sa hon till MIT Technology Review.

Integritetsproblemet

Samma precision höjer utsikterna som fältet länge har fruktat: att extrahera en persons mentala bildspråk utan meningsfullt samtycke. "Resultaten verkar mycket imponerande," sa Sprague. "Men om det finns ett sätt att i smyg extrahera information om vad du tänker på, då ... 150 år av sci-fi kan bli verklighet när som helst, och det är oroande på många sätt."

Dessa farhågor är fortfarande begränsade av fysiken. Systemet kräver att en person ligger inuti en flertons fMRI-magnet i timmar, och varje tidigare avkodare har behövt omfattande kalibrering per person. Men kalibreringskravet är precis vad Iranis team precis minskade med en faktor på dussintals, vilket är anledningen till att etiker uppmärksammar ett verktyg som också råkar vara ett forskningsgenombrott.

Weizmann-gruppens nästa mål - rörliga bilder och ljud, sedan föreställt och drömt innehåll - kommer att testa om teknikens noggrannhet överlever utanför de noggrant kontrollerade förhållandena i ett skannerlabb. Om det gör det kommer både de medicinska applikationerna och integritetsdebatterna att eskalera tillsammans.

Ett fält som rör sig snabbt

Hjärnavkodning har gått från suddiga, knappt igenkännbara approximationer till strukturellt trogna rekonstruktioner på mindre än ett decennium, driven av bättre skannrar, större delade datauppsättningar och generativa modeller som kan fylla i realistiska detaljer från grova signaler. Weizmanns bidrag – att använda en dubbelriktad kodare-avkodarslinga för att bryta dataflaskhalsen – är den typ av teknisk insikt som tenderar att spridas snabbt, eftersom den inte är beroende av ny hårdvara. Förvänta dig att andra labb replikerar träningsschemat och förvänta dig att frågan om vem som kontrollerar och samtycker till neurala data flyttar från marginalerna för AI-policyn mot dess centrum.

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →