La ciencia logra "leer" la mente: el modelo de IA que reconstruye imágenes desde la actividad cerebral

El estadio está lleno , la pelota está en el aire y todas las miradas están fijas en el bateador, preparado para golpear con su bate de béisbol.

Es una escena rica en detalles y significado simbólico, reconocible al instante para los aficionados.

Un modelo de IA de “lectura de la mente” llamado Brain-IT , desarrollado en el laboratorio de la profesora Michal Irani, del Instituto Weizmann de Ciencias , puede reconstruir esta escena basándose únicamente en la actividad cerebral de una persona que la observa.

Brain-IT ha aprendido a identificar patrones de actividad cerebral que se repiten en regiones cerebrales de distintas personas mientras procesan imágenes, lo que le permite aprender a “leer” a una nueva persona con una rapidez sin precedentes y una precisión extraordinaria.

En los últimos años, los científicos han logrado restaurar la capacidad de hablar a personas con parálisis grave, utilizando modelos de IA personalizados entrenados con decenas de horas de registros de su actividad cerebral.

Estas tecnologías cambian vidas, pero aún están lejos de leer la mente, ya que se adaptan a individuos específicos y requieren un entrenamiento extenso.

Brain-IT , en cambio, reconoce patrones de actividad cerebral que todos compartimos y los traduce en imágenes.

“Hoy en día existen modelos que traducen la actividad cerebral en imágenes, e incluso pueden producir reconstrucciones impresionantes que preservan razonablemente bien el significado semántico de la imagen”, afirma Irani .

“Sin embargo, tienden a cometer errores en características básicas, como la composición y el color.

El nuevo modelo que desarrollamos los supera en la reconstrucción tanto del contenido de la imagen como de sus detalles.

Además, mientras que cualquier otro modelo requiere decenas de horas de escáneres cerebrales para aprender a “leer” a una nueva persona, nuestro modelo necesita solo una hora”.

El camino para desarrollar Brain-IT —que este año fue seleccionado para presentarse en la Conferencia Internacional sobre Representaciones de Aprendizaje ( ICLR , por sus siglas en inglés), una de las principales conferencias mundiales sobre IA— fue desafiante.

El equipo de Irani , del Departamento de Ciencias de la Computación y Matemáticas Aplicadas del Instituto Weizmann , tuvo que hacer frente a una grave escasez de datos.

Entrenar un modelo de inteligencia artificial de este tipo para lograr un rendimiento óptimo requiere una enorme cantidad de imágenes, emparejadas con exploraciones de imágenes por resonancia magnética funcional ( fMRI , por sus siglas en inglés) de la actividad cerebral registradas mientras los participantes observan esas imágenes.