根據魏茨曼科學研究所（Weizmann Institute of Science）研究團隊在 arXiv 平台發表、並於 2026 年 4 月 23 日至 25 日舉行的 ICLR 2026 會議上發表的最新研究指出，一項名為 Brain-IT 的全新人工智慧工具，已經能夠透過功能性磁振造影（fMRI）掃描數據，以驚人的準確度還原人類正在觀看的影像。
突破傳統限制的通用大腦解碼器
根據研究數據顯示，傳統的影像至 fMRI 系統通常需要針對每一位參與者和數據集進行客制化訓練，而這項新技術則是建立在名為「通用大腦解碼器」（Universal Brain Encoder）的方法上。根據研究團隊統計，該模型能夠從多人的數據中進行學習，並跨越不同參與者、數據集或具備不同磁場強度的 MRI 系統來轉移資訊。研究第一作者、以色列魏茨曼科學研究所電腦科學與應用數學系博士生羅曼·貝利（Roman Beliy）說明：「核心概念在於，大腦組織中的每一個微小三立體像素（voxel），都能獲得自身學習到的向量，藉此捕捉它在影像中所關注的元素。」
根據數據分析，系統會將來自視覺皮層的數千個微小大腦掃描測量數據，根據其攜帶的視覺資訊類型分為 128 個群組。這些群組隨機能夠彼此分享線索，例如結合形狀、顏色與可能物體等資訊。根據研究統計，解碼器能產生兩種視覺預測：其一是捕捉場景中可能內容特徵的「語義資訊」，其二是捕捉大致視覺佈局或形態排列的「結構資訊」。結構預測能為生成器提供起始點，而非從純粹雜訊開始，語義資訊則能引導影像生成器逐步移除剩餘靜態畫面，直到影像浮現為止。
從產業面來看，Brain-IT 的出現證明了 AI 在跨個體腦波解析上的可行性，這打破了過去大腦解碼必須高度依賴個人化長期訓練的瓶頸。不過，這距離大眾想像的「讀心術」還有一大段距離。對一般人來說，這項技術更像是把大腦視覺神經的微弱電磁訊號，透過已知物理世界的影像規律進行「拼圖」。如果往後推演，這類技術在臨床神經學的病理檢測上，潛在價值遠大於消費性應用，我們必須釐清科學邊界，避免過度神化 AI 的解讀能力。
實驗數據表現與「美化」機制的運作
根據實驗測試數據，Brain-IT 的合成影像與參與者實際看到的影像進行對比時，在標準客觀重建指標上超越了先前領先的方法，並產出更忠實的結果。研究作者指出，當只有新參與者的有限 fMRI 數據可用時，系統表現特別亮眼——僅需來自新參與者的 1 小時數據，就能產生與先前需要 40 小時記錄訓練的方法一樣準確的結果。
然而，根據研究團隊的說法，高評分或逼真的輸出結果不應被誤認為是某人所見景象的完美複製品。在處理的最後階段，系統使用了一個在大量影像上訓練的現成擴散生成器。貝利指出，這種「美化」過程可以讓重建結果更加精緻且具說服力，並引入不一定直接來自大腦數據本身的細節。換句話說，腦部掃描限制了生成的圖片，但 AI 模型透過照片中學到的模式提供了一些真實感。
為何這不是記憶解碼？
根據研究團隊強調，雖然這套新系統針對看到的影像產生了令人印象深刻的結果，但它無法用於重建想像或記憶中的影像。共同作者、魏茨曼科學研究所電腦科學家米查爾·伊拉尼（Michal Irani）向《Live Science》表示：「我們並沒有在讀取人們的想法。我們成功從 fMRI 中恢復的影像，需要人們的合作與完全預期的配合。」
根據伊拉尼的說法，記憶和想像中的影像無法提供相同的乾淨參考，它們可能很模糊，並由涉及記憶和思考的大腦網路所形塑，視覺區域只有部分且較弱的再活化。此外，一項會阻止這項技術被廣泛部署的限制在於，獲得可靠結果的唯一方法是進行 fMRI 掃描，這既繁瑣又昂貴。目前團隊正在實驗使用較容易收集、透過頭部電極獲得的腦電圖（EEG）數據，但這項工作處於非常初步的階段。
從資料科學出發的下一步行動
如果您對神經科學與人工智慧的交會領域感興趣，建議持續關注各大頂級學術會議如 ICLR 的最新論文發表。對於研究人員或臨床醫生而言，理解這類非侵入式腦波解析工具的限制與潛力，將有助於未來在神經學、神經發育及精神疾病診斷上的早期應用評估。
本文改寫整理自公開新聞來源，原始報導由Live Science發布。
常見問題 FAQ
Brain-IT 是如何將大腦掃描轉化為圖片的？
根據研究指出，Brain-IT 使用來自功能性磁振造影（fMRI）的數據來測量視覺皮層的活動，透過電腦模型預測影像佈局與高階內容，接著將預測結果傳遞給 AI 影像生成器來重建影像。
這項技術可以用來讀取人類的記憶或想法嗎
不行，研究團隊明確指出，Brain-IT 無法重建想像或記憶中的影像，它依賴大腦對實際看到影像的處理過程，且需要參與者的全力配合與合作。
Brain-IT 與傳統的影像重建系統有什麼不同？
傳統系統通常需要針對每一位參與者進行客製化訓練，而 Brain-IT 的基礎「通用大腦解碼器」能夠從多人的數據中學習，並跨越不同參與者、數據集或不同磁場強度的 MRI 系統轉移資訊。
※ 此篇文章由 AI 改寫或生成，內容僅供參考，可能存在錯誤或不準確之處。
