Una persona entra en un escáner de resonancia magnética, observa la fotografía de un partido de béisbol y no dice una palabra . El sistema registra únicamente cómo cambia la actividad de su cerebro. Después, una inteligencia artificial recibe esas señales y genera una imagen donde vuelven a aparecer el campo, los jugadores y buena parte de la composición de la fotografía original. No está leyendo pensamientos en el sentido que normalmente asociamos con esa expresión.
No sabe qué estamos imaginando libremente ni puede husmear recuerdos al azar. Pero Brain-IT sí puede reconstruir lo que una persona está viendo a partir de su actividad cerebral, y acaba de superar uno de los grandes obstáculos que mantenían estas tecnologías encerradas en experimentos extremadamente personalizados. El modelo, desarrollado en el laboratorio de Michal Irani en el Instituto Weizmann de Ciencias y presentado en ICLR 2026 , consigue con aproximadamente una hora de datos de un nuevo individuo resultados comparables a métodos anteriores entrenados con unas 40 horas. Incluso con 15 minutos comienzan a aparecer reconstrucciones reconocibles.
El problema no era solo reconstruir una imagen: cada cerebro obligaba prácticamente a empezar de nuevo © Roman Beliy, Amit Zalcher, Jonathan Kogman, Navve Wasserman y Michal Irani / Brain-IT, ICLR 2026. Las técnicas para convertir fMRI en imágenes existen desde hace años y los modelos de difusión produjeron un salto espectacular. El inconveniente es que podían acertar que alguien estaba mirando, por ejemplo, un perro y después inventar otro perro plausible, con colores, posiciones u objetos que no correspondían realmente a la fotografía observada. Brain-IT intenta conservar las dos cosas.
Por un lado reconstruye información semántica, necesaria para saber qué objetos o conceptos aparecen. Por otro obtiene información visual de más bajo nivel relacionada con su estructura y posición. Ambas guían después al generador para evitar que la IA simplemente fabrique una bonita imagen compatible con una interpretación aproximada de la señal cerebral. Pero había un obstáculo todavía mayor: los cerebros humanos no están organizados exactamente igual.
Los conjuntos de datos disponibles son diminutos comparados con los utilizados normalmente para entrenar inteligencia artificial. El conocido Natural Scenes Dataset, empleado en estos experimentos , contiene registros intensivos de apenas ocho participantes. Conseguir más información significa mantener personas durante horas dentro de una máquina de fMRI mientras observan miles de imágenes. La solución fue buscar qué tienen en común cerebros diferentes © Instituto Weizmann de Ciencias.
En vez de considerar cada cerebro como un mapa completamente independiente, Brain-IT agrupa vóxeles (pequeños volúmenes tridimensionales medidos mediante fMRI) según la función que parecen desempeñar. Su Brain Interaction Transformer trabaja así con grupos funcionalmente similares que pueden encontrarse en personas diferentes, aunque físicamente no estén exactamente en el mismo lugar. El sistema aprende entonces conocimiento de varios cerebros y puede transferirlo cuando aparece alguien nuevo. El equipo desarrolló además un codificador que recorre el camino inverso: recibe una imagen e intenta predecir qué actividad cerebral produciría.
Eso permite generar enormes cantidades de ejemplos sintéticos sin tener que introducir a alguien en una resonancia cada vez. Durante ese trabajo aparecieron 128 agrupaciones funcionales compartidas entre individuos. Algunas coincidían con regiones conocidas por la neurociencia y otras mostraron especializaciones más específicas. El equipo asegura, por ejemplo, haber observado una separación dentro de la región relacionada con lugares entre respuestas a escenas interiores y exteriores.
Una hora cambia bastante lo que significa “leer” un cerebro La comparación es probablemente el dato más impresionante. Con solo una hora de registros específicos de una persona nueva, Brain-IT logra un rendimiento comparable al de sistemas anteriores que utilizan las aproximadamente 40 horas completas de ese individuo. En las evaluaciones del estudio superó a los métodos de referencia en siete de ocho métricas utilizadas para comparar fidelidad estructural y semántica. Eso todavía está lejísimos de una máquina capaz de mirar pensamientos desde fuera .
Hace falta una enorme resonancia magnética, la persona debe estar observando imágenes bajo condiciones controladas y la señal de fMRI es lenta e indirecta: mide cambios asociados al flujo sanguíneo, no cada disparo individual de las neuronas. Pero la frontera se ha movido. Hasta ahora, enseñar a una IA a interpretar un cerebro nuevo era prácticamente un proyecto en sí mismo . Brain-IT sugiere que una parte del lenguaje visual del cerebro podría ser suficientemente común entre personas como para aprenderlo una vez y trasladarlo después a alguien que el sistema casi no conoce.
Y eso quizá sea más importante que cualquier imagen espectacular que consiga reconstruir.