Oleh Pesach Benson • 14 Oktober 2026

Yerusalem, 14 Oktober 2026 (TPS-IL) — Para peneliti Israel telah mengembangkan sebuah model kecerdasan buatan yang merekonstruksi gambar dari aktivitas otak menggunakan sekitar satu jam pemindaian otak dari partisipan baru, sekaligus mengidentifikasi pembagian fungsional yang sebelumnya tidak diketahui di wilayah otak yang terlibat dalam pemrosesan visual.

Model tersebut, yang disebut Brain-IT, dikembangkan oleh tim yang dipimpin oleh Prof. Michal Irani di Weizmann Institute of Science. Tidak seperti sistem yang ada saat ini yang membutuhkan puluhan jam pemindaian otak untuk beradaptasi dengan orang baru, Brain-IT mengidentifikasi pola-pola yang dimiliki bersama di antara orang yang berbeda, sehingga memungkinkannya merekonstruksi gambar dengan akurasi lebih tinggi dan pelatihan lebih sedikit.

Selain merekonstruksi gambar, teknologi ini dapat membantu para ilmuwan memahami bagaimana otak mengatur informasi visual. Teknologi ini juga dapat memajukan pengembangan antarmuka otak-komputer yang membutuhkan lebih sedikit pelatihan, meskipun aplikasi medis praktis masih membutuhkan waktu yang lama.

“Saat ini terdapat model-model yang menerjemahkan aktivitas otak menjadi gambar, dan model-model tersebut bahkan dapat menghasilkan rekonstruksi mengesankan yang mempertahankan makna semantik gambar dengan cukup baik,” kata Irani. “Namun, model-model tersebut cenderung membuat kesalahan pada fitur-fitur dasar seperti komposisi dan warna.”

“Model baru yang kami kembangkan mengungguli mereka dalam merekonstruksi isi gambar beserta detailnya,” tambahnya. “Terlebih lagi, sementara setiap model lainnya membutuhkan puluhan jam pemindaian otak untuk belajar ‘membaca’ orang baru, model kami hanya membutuhkan satu jam.”

Penelitian ini terpilih untuk dipresentasikan tahun ini di International Conference on Learning Representations, sebuah konferensi kecerdasan buatan terkemuka.

Mengajari AI Membaca Otak

Hambatan utama dalam bidang ini adalah kurangnya data pelatihan. Para peneliti membutuhkan gambar yang dipasangkan dengan pemindaian pencitraan resonansi magnetik fungsional (fMRI), yang mengukur perubahan aktivitas otak saat orang melihat gambar. Pengumpulan data semacam itu menuntut partisipan menghabiskan waktu berjam-jam di dalam pemindai MRI.

Natural Scenes Dataset yang tersedia untuk umum dan digunakan dalam penelitian ini memuat sekitar 73.000 pasangan gambar-pemindaian dari delapan partisipan, yang masing-masing melihat ribuan gambar selama 30 hingga 40 sesi pemindaian.

Untuk mengatasi keterbatasan ini, tim mengembangkan dua sistem yang saling melengkapi: sebuah enkoder yang memprediksi aktivitas otak dari suatu gambar dan sebuah dekoder yang merekonstruksi gambar dari aktivitas otak.

Enkoder menghasilkan prediksi pemindaian otak untuk gambar yang belum pernah dilihat oleh partisipan di dalam pemindai MRI. Dekoder kemudian mencoba merekonstruksi gambar-gambar tersebut dari prediksi, memungkinkan sistem belajar dari contoh-contoh tambahan tanpa memerlukan pemindaian baru untuk setiap gambar.

Para peneliti membagi otak menjadi sekitar 40.000 unit tiga dimensi kecil yang disebut voksel dan membandingkan responsnya terhadap berbagai gambar pada setiap individu. Hal ini mengungkap pola berulang yang terkait dengan fitur visual seperti warna, lokasi, dan objek yang dapat dikenali.

Enkoder mengidentifikasi 128 wilayah fungsional yang dimiliki bersama oleh banyak orang dan tampaknya memainkan peran spesifik dalam pemrosesan visual. Beberapa di antaranya sudah diketahui oleh para ilmuwan, sementara yang lain masih baru.

Salah satu temuan melibatkan area tempat parahippocampal (parahippocampal place area), sebuah wilayah otak yang terlibat dalam pemrosesan tempat dan pemandangan. Para peneliti menemukan bukti adanya pembagian kerja di dalam wilayah tersebut, dengan satu bagian merespons pemandangan di dalam ruangan dan bagian lainnya merespons pemandangan di luar ruangan.

“Kekuatan enkoder terletak pada kemampuannya untuk mengidentifikasi wilayah yang menjalankan fungsi serupa pada otak yang berbeda, bahkan ketika lokasi anatomisnya berbeda,” kata Irani.

Dalam jangka pendek, Brain-IT dapat membantu peneliti mempelajari pemrosesan visual sekaligus mengurangi kebutuhan akan pemindaian yang memakan biaya dan waktu. Kemampuannya untuk mengidentifikasi pola yang dimiliki bersama di antara individu juga dapat membantu para ilmuwan mengembangkan antarmuka otak-komputer yang membutuhkan lebih sedikit pelatihan untuk beradaptasi dengan pengguna baru. Penelitian lebih lanjut masih diperlukan