MIT Technology Review'un 1 Ekim 2026'da bildirdiğine göre, İsrail'in Rehovot kentindeki Weizmann Bilim Enstitüsü'ndeki araştırmacılar, yalnızca fMRI beyin taramasına dayanarak bir kişinin baktığı şeyi yeniden yapılandırabilen ve diğer yöndeki bir görüntüden kişinin beyin aktivitesini tahmin edebilen bir yapay zeka sistemi kurdular.
Bilgisayar bilimcisi Michal Irani ve meslektaşları tarafından geliştirilen araç, görüntülenen görüntüleri daha önceki beyin kod çözme çabalarının ulaşamadığı bir hassasiyetle yeniden yaratıyor. Yan yana karşılaştırmalarda, modelin yeniden yapılandırmaları yalnızca bir sahnenin genel konusunu değil aynı zamanda yapısını, konumunu ve içeriğini de korur; bu, önceki sistemlerin kalıcı bir zayıflığıdır; bu, makul bir muz üretebilir ancak nadiren kişinin gerçekte gördüğü muzu üretebilir. For more context on this story, see our ongoing AI industry coverage.
Beyin kod çözücüsü nasıl çalışır?
Sistem iki dallı bir "beyin kod çözücüsüdür". Bir dal, görüntünün yapısını (renklerin ve şekillerin çerçevede yer aldığı yeri) tahmin ederken, ikincisi, örneğin bir tabaktaki bir salkım muz gibi içeriğini tahmin eder. Bu birleştirilmiş tahminler daha sonra, nihai yeniden yapılanmayı oluşturmak için modern görüntü ve video oluşturucuların arkasındaki aynı üretken yapay zeka teknikleri ailesi olan bir yayılma modelini yönlendirir.
Ekip, halka açık beyin taraması verilerinden yola çıktı: Gönüllülere, sinirsel aktivitenin bir temsili olarak beyindeki oksijenli kan akışını izleyen fMRI tarayıcılarında yatarken yüzlerce görüntü gösterildi. Irani'nin grubu, yüksek çözünürlüklü tarayıcılarda yakalanan daha yeni veri kümelerini kullandı; burada her bir aktivite vokseli, standart bir tarayıcının kabaca üç milimetreküpü yerine kabaca bir milimetreküp dokuyu kapsıyor.
Ödünç alınan verilerle ilgili eğitim
Temel engel veri açlığıydı. Binlerce görüntüyü izleyen bir kişinin yüksek çözünürlüklü fMRI taramaları nadirdir ve modellerin mevcut olandan çok daha fazlasına ihtiyacı vardı. Araştırmacıların geçici çözümü, ikinci bir modeli tersine eğitmekti; bir kişiye belirli bir görüntü gösterildiğinde beyin taramasının nasıl görüneceğini tahmin eden bir kodlayıcı.
Ekip, kodlayıcıyı ve kod çözücüyü birbirine karşı çalıştırarak etkili bir şekilde sınırsız eğitim çiftleri oluşturabildi. Bir leoparın fotoğrafıyla başlayın, üreteceği fMRI aktivitesini tahmin edin, bu aktiviteden görüntüyü yeniden oluşturun ve her iki modeli de uyumsuzluklara göre iyileştirin. Irani'ye göre, eğitim verilerinin yaklaşık yüzde 70'i, taranan bir gönüllüye asla gösterilmeyen görüntülerden geldi.
Bu yaklaşım, ekibin evrensel beyin kodlayıcı olarak adlandırdığı şeyi üretti ve bunun verimliliği ana sonuç oldu. Önceki kod çözme araçlarının yeni bir kişiye göre kalibre edilmesi genellikle yaklaşık 40 saatlik fMRI verisi gerektiriyordu. Irani'nin kod çözücüsünün yaklaşık bir saate ihtiyacı var; bu önemli bir fark çünkü tarayıcı süresi pahalı. Araştırmada yer almayan Santa Barbara'daki Kaliforniya Üniversitesi'nden sinir bilimci Tommy Sprague, "Hiçbirimiz yeni bir denek için 40 saatlik görüntülemeye gücümüz yetmiyor" dedi ve görüntülemenin saatte yaklaşık 600 ila 1.000 dolar arasında bir ücret alabileceğini belirtti. Bulgular Eylül ayında New York'ta düzenlenen Bilişsel Hesaplamalı Sinirbilim konferansında sunuldu.
Ne doğru, ne yanlış
Irani, MIT Technology Review'a yaptığı açıklamada, karşılaştırma testlerinde aracın daha önce tanımlanan beyin kod çözme sistemlerini "önemli bir farkla" geride bıraktığını söyledi. Bu yanılmaz değildir. Bir video görüşmesi sırasında, sistemin üç sandviç yığını olarak yeniden oluşturduğu bir pastanın ve aynı küvette benzer renkte bir keçi olarak geri gelen küvetteki bir köpeğin görüntüsünü işaret etti.
Ekip, birden fazla çalışmadaki verileri bir araya toplayarak, bireyler arasında işlevleri paylaşıyor gibi görünen beyin bölgelerini de belirledi; bir bölge yiyecek görüntülerine, diğeri ise spora tepki verdi. Irani, beynin anlamı daha sistematik bir şekilde nasıl organize ettiğinin haritasını çıkarmak için araçları kullanmak üzere sinir bilimcilerle birlikte çalıştığını söylüyor.
Tıp için vaatler
En acil umutlar kliniktir. Irani, bu yaklaşımın sonunda kilitlenme sendromlu (konuşamayan veya hareket edemeyen tamamen felçli hastalar) kişilerin yalnızca beyin aktivitesini kullanarak iletişim kurmasına yardımcı olabileceğine inanıyor. Ayrıca, rüyalar ve TSSB'ye geri dönüşlerin duyusal içeriği de dahil olmak üzere hayali içeriği yeniden yapılandırmak gibi uzun vadeli bir hedefle, tekniği statik görüntülerin ötesinde video ve sese kadar genişletmek istiyor.
Çalışmada yer almayan British Columbia Üniversitesi'nden nöroetik uzmanı ve nöroloji profesörü Judy Illes, araştırmayı "muhteşem" olarak nitelendirdi. MIT Technology Review'a verdiği demeçte, "[Bu yaklaşımı] nörolojik rahatsızlıkları olan insanlara terapötik açıdan yardım etmek için kullanma fikri son derece heyecan verici" dedi.
Gizlilik sorunu
Aynı hassasiyet, alanın uzun zamandır korktuğu ihtimali de artırıyor: Anlamlı bir rıza olmadan bir kişinin zihinsel imgesinin çıkarılması. Sprague, "Sonuçlar çok etkileyici görünüyor" dedi. "Fakat eğer düşündüğünüz şey hakkında gizlice bilgi almanın bir yolu varsa, o zaman... 150 yıllık bilimkurgu her an gerçekleşebilir ve bu birçok açıdan endişe verici."
Bu endişeler şimdilik fizikle sınırlı kalıyor. Sistem, bir kişinin çok tonlu bir fMRI mıknatısının içinde saatlerce yatmasını gerektiriyor ve önceki kod çözücülerin her biri, kişi başına kapsamlı kalibrasyona ihtiyaç duyuyordu. Ancak kalibrasyon gerekliliği, İranlı ekibin az önce düzinelerce katladığı şeyle aynı; etik uzmanlarının aynı zamanda bir araştırma atılımı olan bir araca dikkat etmelerinin nedeni de bu.
Weizmann grubunun bir sonraki hedefleri (hareketli görüntü ve ses, ardından hayal edilen ve hayal edilen içerik) tekniğin doğruluğunun, bir tarayıcı laboratuvarının dikkatlice kontrol edilen koşulları dışında hayatta kalıp kalamayacağını test edecek. Aksi takdirde hem tıbbi uygulamalar hem de mahremiyet tartışmaları birlikte kızışacak.
Hızlı hareket eden bir alan
Beyin kod çözme, daha iyi tarayıcılar, daha büyük paylaşılan veri kümeleri ve kaba sinyallerden gerçekçi ayrıntıları doldurabilen üretken modeller sayesinde, on yıldan kısa bir süre içinde bulanık, zar zor farkedilebilen yaklaşımlardan yapısal olarak sadık yeniden yapılandırmalara doğru ilerledi. Weizmann'ın veri darboğazını kırmak için çift yönlü kodlayıcı-kod çözücü döngüsünü kullanan katkısı, yeni donanıma bağlı olmadığı için hızla yayılma eğiliminde olan türden bir mühendislik anlayışıdır. Diğer laboratuvarların da eğitim planını kopyalamasını ve sinirsel verileri kimin kontrol edip onaylayacağı sorusunun yapay zeka politikasının kenarlarından merkezine doğru ilerlemesini bekleyin.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
