Группа исследователей из Института науки Вейцмана представила модель искусственного интеллекта, способную восстанавливать изображения мозговой активности человека. Система, получившая название Brain-IT, использует данные функциональной магнитно-резонансной томографии (фМРТ) для преобразования нейронных сигналов в визуальные представления, превосходя другие методы как по точности, так и по скорости адаптации.
Наиболее поразительным аспектом является то, что Brain-IT требуется всего один час обучения для интерпретации работы мозга нового человека , в то время как существующие методы требуют десятков часов. Этот прогресс приближает нас к созданию более практичных и доступных интерфейсов «мозг-компьютер» , хотя ответственные за разработку специалисты настаивают на том, что до чтения мыслей в целом еще далеко.
Как работает Brain-IT
Модель анализирует активность тысяч вокселей головного мозга человека во время просмотра изображения. Каждая из этих трехмерных единиц по-разному реагирует на визуальные характеристики, такие как цвет, форма или положение объектов. Кроме того, система извлекает семантическую информацию, чтобы определить, содержит ли сцена, например, лицо, еду или пейзаж.
Для учета различий между мозгами, Brain-IT группирует воксели в соответствии с их функцией, а не только анатомическим расположением. Это позволяет выявлять повторяющиеся закономерности у разных людей , обеспечивая перенос полученных знаний на нового человека без необходимости начинать с нуля. Такой подход значительно сокращает время адаптации.

Резкое сокращение времени тренировок
Предыдущие методы требовали около 40 часов сканирования, чтобы научиться «читать» конкретного человека. Brain-IT, напротив, достигает сопоставимых результатов всего за один час обработки данных от нового участника. По словам исследователей, даже 15 минут достаточно для получения узнаваемых реконструкций, что значительно упрощает проведение экспериментов.
Чтобы компенсировать недостаток данных, исследователи разработали двунаправленную систему преобразования изображений в мозговую активность . Кодировщик генерирует прогнозируемые сканы на основе незарегистрированных изображений, а декодер пытается их восстановить. Таким образом, модели обучаются на гораздо большем объеме синтетических примеров, что является ключом к их эффективности.

Приложения и ограничения
Одним из наиболее интересных результатов является то, что Brain-IT выявил 128 функциональных областей, общих для всех людей . Некоторые из них были уже известны, но другие являются новыми, например, подразделение в области, обрабатывающей информацию о местах, с одной частью, посвященной сценам в помещении, и другой — сценам на открытом воздухе. Эти результаты помогают нам лучше понять зрительную организацию мозга.
Авторы подчеркивают, что это не полноценный процесс чтения мыслей ; система лишь восстанавливает то, что человек видит в контролируемых условиях. Кроме того, функциональная магнитно-резонансная томография (фМРТ) имеет ограниченное временное разрешение: на одно измерение уходит около двух секунд, поэтому обработка видео или снов остается сложной задачей . Тем не менее, этот прогресс замечателен и закладывает основу для будущих исследований.

Хотя до создания машины, способной полностью считывать мысли, еще далеко, Brain-IT уже является важной вехой в области интерфейсов «мозг-компьютер». Скорость адаптации и качество реконструкций делают его прочной основой для будущих разработок. Исследования продолжаются и могут открыть двери для приложений, которые сегодня кажутся научной фантастикой.