LONDON (IT BOLTWISE) – Ein Forschungsteam hat mit „Brain-IT“ ein KI-Modell entwickelt, das aus gemessener Gehirnaktivität sichtbar macht, was eine Person betrachtet. Statt wie frühere Ansätze mehrere Stunden zu benötigen, soll der Rekonstruktionsprozess in etwa einer Stunde abgeschlossen sein. Grundlage ist ein Zusammenspiel aus Encoder und Decoder, die wiederholt gemeinsam trainiert werden. Damit rückt nicht nur die Bildrekonstruktion schneller vor, sondern auch eine mögliche Kommunikationshilfe für Menschen mit Lähmungen.
Die Vorstellung, dass ein Computer „liest“, was im Kopf gerade visuell passiert, klingt nach Science-Fiction. Die neue Arbeit zu „Brain-IT“ macht daraus jedoch ein messbares Verfahren: Gehirnaktivität wird in eine Bildrekonstruktion übersetzt, die inhaltlich nah an dem liegt, was die betrachtende Person sieht. Die Geschwindigkeit ist dabei der zentrale Hebel der Meldung. Laut Beschreibung liegt der komplette Schritt von der Messung bis zur Rekonstruktion bei etwa einer Stunde – deutlich schneller als frühere Systeme, die oft mehrere Stunden brauchten. Für KI-Entwicklungsteams und Neurowissenschaftler ist das vor allem deshalb relevant, weil sich dadurch Experimente mit mehr Durchläufen und engeren Feedback-Zyklen eher realistisch planen lassen.
Technisch startet das System nicht mit dem Bild selbst, sondern mit seiner „Gehirnspur“. Das Modell wurde im Labor von Prof. Michal Irani am Weizmann Institute of Science entwickelt. Im Training lernt Brain-IT, dass bestimmte Muster der Gehirnaktivität bei verschiedenen Menschen wieder auftauchen, wenn sie vergleichbare visuelle Inhalte anschauen. Anders als frühere Ansätze, die Bilder oft nur grob oder mit Fehlern bei grundlegenden Bildeigenschaften zurückgeben, soll Brain-IT sowohl den semantischen Inhalt als auch feinere Details besser treffen. In der Argumentation des Teams geht es dabei nicht nur um „Treffer“, sondern um die Qualität der Rekonstruktion in Bereichen wie Komposition und Farbwiedergabe.
Um diese Musterbildung umzusetzen, greifen die Forschenden auf einen Encoder-Decoder-Mechanismus zurück. Der Encoder ordnet Gehirnaktivität und Bildbezug in eine gemeinsame Struktur: Er prognostiziert, wie sich die Gehirnaktivität darstellen sollte, wenn eine Person ein bestimmtes Bild sieht. Der Decoder arbeitet dann spiegelbildlich und erzeugt aus den gemessenen Aktivitätsdaten wieder das Bild. Die Trainingslogik wird dabei iterativ verschachtelt: Indem beide Komponenten wiederholt gemeinsam optimiert werden, verbessern sich die Rekonstruktionen zunehmend. Besonders präzise wird das beim beschriebenen Detailgrad der Eingabedaten, denn die Gehirnscans wurden in rund 40.000 winzige Abschnitte – sogenannte Voxels – zerlegt. Für jeden dieser Bereiche wird festgehalten, wie stark er auf unterschiedliche Bildvorlagen reagiert.
Der Anspruch des Modells zielt auch auf die Frage, ob und wie sich „gemeinsame“ Repräsentationen im Gehirn finden lassen. Die Forschenden nutzten dafür mehr als 70.000 Bilder, die acht Versuchspersonen zeigten, während ihre Gehirne gescannt wurden. Acht Personen wirken im Kontext moderner KI-Datensätze klein, und genau dieses Problem adressiert das Team mit einer Art „Gemeinsamkeitsdetektor“: Der Encoder identifiziert Muster, die in den Gehirnen mehrerer Personen geteilt werden, obwohl die individuellen Reaktionen nicht identisch sind. Danach ordnen die Forschenden die erkannten gemeinsamen Muster 128 funktionalen Regionen zu, die an der Bildverarbeitung beteiligt sind. Die Arbeit geht dabei sogar so weit, dass eine Aufteilung innerhalb eines Areals beschrieben wird, das Orte verarbeitet – mit einem Anteil für Innen- und einem Anteil für Außen-Szenen.
Aus dieser Struktur heraus lässt sich die Rekonstruktionsfähigkeit erklären, ohne dass das System „einfach nur“ Bilder nachbaut. Die Teams kombinieren für die Bildseite Merkmale wie Farben und Positionen sowie die semantische Ebene, also etwa ob auf den Vorlagen Gesichter oder Nahrung zu sehen sind. Indem sie diese extrahierten visuellen Faktoren den Aktivitätsmustern gegenüberstellen, können sie die Regelmäßigkeiten zwischen Sehen und Gehirnreaktion herausarbeiten. In der Folge dient der Decoder dazu, aus der Aktivität das wahrscheinlichste visuelle Ergebnis abzuleiten. Entscheidend ist hier: Der Encoder erzeugt eine Art Zwischenbeschreibung, in der „visuelle Rollen“ im Gehirn abgebildet sind, während der Decoder daraus das konkrete Bild rekonstruiert.
Für den Markt und die praktische Nutzung steckt in der Formulierung „in etwa einer Stunde“ ein Signal. Beschleunigte Inferenz- und Trainingsschleifen verändern, wie schnell man neue Datensätze evaluieren oder klinische Prototypen iterieren kann. Die Arbeit nennt als mögliche Anwendungen, Menschen mit Lähmungen das Kommunizieren zu erleichtern, indem visuelle Absichten in einer maschinell interpretierbaren Form nutzbar gemacht werden. Gleichzeitig eröffnet der Ansatz Wissenschaftlerinnen und Wissenschaftlern einen effizienteren Weg, zu untersuchen, wie das Gehirn Bilder verarbeitet – also nicht nur „ob“ ein Modell etwas wiedererkennt, sondern auch, welche geteilten funktionalen Strukturen dabei eine Rolle spielen.
Wer solche Systeme in Produkte oder Forschungsplattformen überführen möchte, sollte allerdings auch die Grenzen im Blick behalten: Das Training basiert auf Daten von nur acht Personen, und selbst wenn der Encoder gemeinsame Muster extrahiert, bleibt die Übertragbarkeit auf andere Populationen oder abweichende Messbedingungen eine offene Entwicklungsfrage. Für KI-Engineering bedeutet das: Es braucht saubere Pipeline-Designs für Datenqualität, Normalisierung und Modellmonitoring, damit Rekonstruktionsfehler nicht nur zufällig, sondern kontrolliert gemessen werden können. Dennoch setzt Brain-IT einen klaren technischen Schwerpunkt – weniger Zeitaufwand pro neuem „Lesen“ einer Person bei zugleich höherer Detailtreue – und liefert damit ein überzeugendes Beispiel dafür, wie sich Encoder-Decoder-Architekturen in der Schnittstelle zwischen KI und Neurodaten konkret weiterentwickeln.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Brain-IT: KI rekonstruiert Bilder aus Gehirnaktivität in etwa einer Stunde" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Brain-IT: KI rekonstruiert Bilder aus Gehirnaktivität in etwa einer Stunde" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Brain-IT: KI rekonstruiert Bilder aus Gehirnaktivität in etwa einer Stunde« bei Google Deutschland suchen, bei Bing oder Google News!