← Главная новостей | Торговый зал
2026-11-03 · Источник:36氪快讯·中继

Модель декодирования мозга, разработанная командой Michal Irani из Института Вейцмана, переводит записи нейронной активности напрямую в язык изображений, открывая новые горизонты для интерфейсов мозг–компьютер и визуальных вычислений.
Машина не смотрит в объектив, но способна воспроизвести картинку из ваших глаз. Команда профессора Michal Irani из Израильского института науки Вейцмана недавно разработала AI-модель под названием Brain-IT, которая, анализируя данные функциональной магнитно-резонансной томографии (fMRI), восстанавливает визуальные образы, которые видел испытуемый при просмотре изображений. Значение этого результата в том, что данные нейровизуализации, долгое время остававшиеся на уровне фундаментальных исследований, выдвигаются на первый план в области генерации контента.
fMRI — классический инструмент нейронауки для наблюдения за активностью мозга: он фиксирует изменения кровотока и сигналов, лишь косвенно отражая нейронную активность. Раньше такие данные использовались главным образом для ответа на вопрос, какие зоны мозга участвуют в визуальной обработке, то есть оставались на уровне локализации и атрибуции. Brain-IT переворачивает задачу: модель больше не просто наблюдатель, а исходит непосредственно из данных мозга испытуемого, восстанавливая то, что он видел. От локализации зон к воссозданию изображения — модель выполняет более сложную задачу «перевода»: переписывает записи нейронной активности на язык изображений.
С технической точки зрения такие исследования относятся к направлению «декодирования мозга». Обычно испытуемому показывают в томографе большое количество изображений, собирают соответствующие fMRI-сигналы, обучают модель устанавливать соответствие между сигналами мозга и визуальными признаками, а затем с помощью генеративных моделей изображений переводят сигналы обратно в пиксели. Особенность Brain-IT в том, что она ставит целью именно воссоздание изображения, а не просто классификацию или сопоставление. Это означает, что модель должна понимать, как визуальная информация организована в коре головного мозга, что предъявляет более высокие требования к репрезентационному обучению и генеративным способностям.
Эта новость несёт и другой сигнал: заметные инновации в моделях происходят не только на презентациях технологических гигантов. Работа выполнена в Институте Вейцмана в Израиле: команда Michal Irani нацелилась на соответствие между мозгом и изображением, вновь привлекая внимание отрасли к пересечению «AI + нейронаука». Для отраслевых читателей, следящих за передовым в модельных технологиях, прогресс университетов и исследовательских организаций в междисциплинарных направлениях заслуживает включения в список наблюдения. В последние годы сразу несколько технологических линий — от генерации текста по сигналам мозга до воссоздания изображений — продвинулись почти синхронно, что говорит о перетекании возможностей базовых генеративных моделей обратно в инструментарий нейронауки.
Для покупателей AI-вычислительных мощностей и планировщиков инфраструктуры такие исследования также представляют интерес. Обучение и инференс моделей декодирования мозга по сути остаются крупномасштабными матричными вычислениями над данными высокой размерности: объём fMRI-данных велик, размерность выборки высока, а этап обучения обычно требует длительной работы GPU-кластеров; генеративная реконструкция — типичная нагрузка класса диффузионных или авторегрессионных изображений. Хотя Brain-IT сама по себе — научный проект и не порождает напрямую коммерческих заказов на вычисления, она предвещает тенденцию: в будущем медицинская визуализация, интерфейсы мозг–компьютер, научные вычисления и другие сценарии могут стать новыми потребителями AI-мощностей. Дата-центры и провайдеры вычислений, заранее выстроив работу с научными и медицинскими клиентами, смогут взять старт до подъёма этой кривой.
Разумеется, к границам технологии стоит относиться рационально. По данным Cailianshe, модель была разработана недавно. Границы точности реконструкции, применимые сценарии и потенциальные применения в этой новости не раскрыты — детали предстоит представить команде. fMRI-оборудование дорого, сканирование занимает время, а испытуемый должен сохранять неподвижность в сильном магнитном поле — эти условия означают, что в краткосрочной перспективе технология, скорее всего, останется в исследовательских и клинических вспомогательных сценариях, а не в потребительских приложениях. Нельзя игнорировать и этический аспект: как только способность декодировать визуальные сигналы мозга созреет, разграничение приватности и информированного согласия станет обязательной темой для регуляторов. От научного прорыва до соответствующего нормам внедрения — путь ещё весьма долгий.
Для руководителей закупок и инвестиционных решений, следящих за этим направлением, предлагается рамка наблюдения из трёх пунктов: во-первых, следить за будущими публикациями команды и открытием кода, оценивая воспроизводимость технологии; во-вторых, отслеживать, смогут ли более лёгкие методы сбора мозговых сигналов помимо fMRI (например, ЭЭГ, ближняя инфракрасная спектроскопия) достичь сопоставимого качества реконструкции — от этого зависит доступность технологии; в-третьих, обращать внимание на динамику закупок вычислительных мощностей медицинскими и научными организациями под такие нагрузки — это самый прямой индикатор «температуры» направления.
[Реальные рыночные данные] Актуальных котировок на продажу для этой модели нет. Отметим, что Brain-IT — исследовательская модель, а не приобретаемое вычислительное оборудование или коммерческий API-продукт, поэтому на рынке пока нет данных о количестве продаваемых единиц и ценовых диапазонах. Покупателям, которым необходимо оценить соответствующую конфигурацию вычислений, следует проводить расчёты на основе общих котировок GPU-серверов и систем хранения, а целевое планирование отложить до раскрытия командой дополнительных технических деталей.
В целом ценность Brain-IT не в немедленном изменении структуры издержек какой-то отрасли, а в подтверждении пути: нейронные данные могут быть «переведены» генеративными моделями в визуальный контент. Когда чтение мыслей в изображение выйдет из лаборатории в более широкие сценарии, карта спроса на AI-вычисления, возможно, получит новый прирост — от человеческого мозга.
Вопрос: Кто разработал Brain-IT и на каких данных модель восстанавливает изображение?
Ответ: Модель разработана командой Michal Irani из Израильского института науки Вейцмана; анализируя данные функциональной магнитно-резонансной томографии (fMRI), она восстанавливает визуальные образы, которые видел испытуемый при просмотре изображений.
Вопрос: Можно ли сейчас приобрести Brain-IT или узнать её рыночную цену?
Ответ: Нет. По данным Cailianshe, модель была разработана недавно; актуальных котировок на продажу для этой модели нет, а точность реконструкции и применимые сценарии ещё ждут раскрытия дополнительных деталей от команды.
Вопрос: Кто разработал Brain-IT и на каких данных модель восстанавливает изображение?
Ответ: Модель разработана командой Michal Irani из Израильского института науки Вейцмана; анализируя данные функциональной магнитно-резонансной томографии (fMRI), она восстанавливает визуальные образы, которые видел испытуемый при просмотре изображений.
Вопрос: Можно ли сейчас приобрести Brain-IT или узнать её рыночную цену?
Ответ: Нет. По данным Cailianshe, модель была разработана недавно; актуальных котировок на продажу для этой модели нет, а точность реконструкции и применимые сценарии ещё ждут раскрытия дополнительных деталей от команды.
Теги: Brain-IT · Michal Irani · Weizmann Institute · fMRI · Image Reconstruction
萬安算交所 AIXX · AIXX · Верифицированная биржа · В торговый зал