關鍵數字：只需要 1 小時的腦部掃描數據，就能達到過去需要訓練 40 小時才能完成的精準度，這項突破讓人驚嘆 AI 讀心技術的進展。
📊 數據總覽
根據在 ICLR 2026 會議上發表的最新研究，以色列魏茨曼科學研究所（Weizmann Institute of Science）的團隊開發出名為「Brain-IT」的全新 AI 系統，在視覺腦波重建技術上取得重大突破。以下是該系統的核心效能數據對比：
在訓練時間效率上，新進參與者僅需提供 1 小時的數據，即能達到過去需要 40 小時訓練的準確度。在視覺資訊分群上，系統將數千個微小腦部掃描測量值精確劃分為 128 個群組，藉此解析形狀與色彩。在預測架構方面，系統同時輸出 2 種預測類型，分別為捕捉場景特徵的語意資訊，以及勾勒視覺外觀與物件相對位置的結構資訊。
數據解讀 1：大腦微小體積的精準解析
根據研究團隊的數據顯示，系統的核心在於「通用大腦編碼器」（Universal Brain Encoder），它能為大腦皮質中每一個稱為「體素」（voxel）的 3D 微小立方體建立專屬向量。研究第一作者、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）指出，系統會自動辨識每個體素關注的影像元素，有些負責邊緣與紋理，有些則專注於臉孔或場景等抽象類別。
話說回來，這種跨越不同受試者與 MRI 系統的彈性，正是過去客製化訓練模式所缺乏的。Brain-IT 將這些微小的測量值進行交叉比對，讓不同腦區的資訊能夠互相交流，進而拼湊出完整的視覺樣貌。
數據解讀 2：結構與語意的雙軌重組
有趣的是，這個解碼器並不是直接憑空亂猜，而是透過雙軌機制來重建畫面。系統會同時捕捉結構資訊與語意資訊，前者負責提供影像的輪廓與空間佈局，作為擴散生成器的起點；後者則負責填入狗或草地等細節特徵。魏茨曼科學研究所的電腦科學家、共同作者米歇爾・伊拉尼（Michal Irani）強調，這種結合讓生成的畫面既有憑有據，又能保持高度的真實感。
不過，這並不代表 AI 擁有讀取人類心智或重現記憶的超能力。因為記憶與想像中的畫面往往較為模糊，且缺乏明確的外部參考標的，目前的技術僅限於重現受試者「正在看」的視覺刺激。
從產業面來看，這項技術雖然在神經科學研究上跨出了一大步，但距離日常應用還有一段長路。對一般人來說，現階段最需要釐清的是，這並非真正的「讀心術」，而是基於大腦視覺皮質反應的影像還原工程。如果往後推演，當這項技術未來結合成本更低的 EEG 腦電圖數據時，醫療臨床上或許能更早揪出神經發展與精神相關疾病的微小差異。
趨勢預測
根據研究團隊公開的資訊，在標準客觀重建指標中，Brain-IT 的表現全面超越過去的領先方法。然而，研究人員也坦言，最終產出的逼真畫面部分歸功於現成的擴散生成器（diffusion generator）所提供的「美化」效果，利用 AI 模型自身的學習模式來讓紋理更平滑、細節更銳利。這意味著腦部數據負責限制框架，而生成模型則補足了真實感。
行動呼籲
面對人工智慧逐漸跨足神經科學領域，我們必須思考：當科技越來越接近人類的感官運作機制，隱私與技術應用的界線究竟在哪裡？建議讀者持續關注腦機介面與神經科技的發展，並以理性的態度看待科學突破，避免過度神化或恐慌。
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
這套 AI 系統真的能讀懂人類的心思嗎？
答案是不能。這項技術無法重現記憶或想像中的畫面，它必須仰賴受試者配合，並針對「實際看見」的視覺刺激進行大腦掃描與還原。
Brain-IT 需要花費多少時間進行訓練？
答案是新進參與者僅需提供 1 小時的 fMRI 數據，就能達到過去需要 40 小時訓練的準確度。
這項技術未來有機會應用在醫療領域嗎？
答案是有的。研究人員認為，這類工具未來有助於臨床醫師比對不同大腦區域的視覺處理差異，進而協助辨識神經、神經發展與精神相關疾病。
※ 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。
