Londra'daki Üniversite Kolej (UCL) araştırmacıları, fareler kısa filmler izlerken görsel kortekslerindeki bin hücrenin etkinliğini kaydetmiş ve bu veriler kullanarak makine öğrenmesi modelini eğitmiştir. Daha sonra bu modeli ters çalıştırarak farenin beyni tarafından "görülen" videoları başarıyla rekonstrukte etmişlerdir. Dikkat çekici olan, araştırmacıların boşlukları doldurmak için generatif yapay zeka kullanmamış olmasıdır; görüntülerdeki bulanık ve belirsiz alanlar, farenin beyninde gerçekten bilgi olmayan yerleri temsil etmektedir. Bu bulgu, beynin gördüğü her şeyi tam ve net bir şekilde kodlamadığını, aksine seçici bir şekilde bilgi işlediğini göstermektedir.

Beyin görme sistemi, retinadan gelen ışık sinyallerini alıp arka korteksteki primer görsel alan (V1) ve ileri bölgelerdeki kompleks işlemelere yönlendirerek çok katmanlı bir yorumlama süreci gerçekleştirir. Bu araştırma, birkaç bin nöron kaydından elde edilen bilgilerle görsel deneyimin önemli ölçüde yeniden inşa edilebileceğini göstermesi açısından kayda değerdir. Farenin beynine ait verilerden çıkarılan görüntülerdeki bükülmeler ve distorsiyonlar hata değildir; bunlar, beynin gerçekliği tam olarak yansıtmak yerine bir model, bir yorum oluşturduğunu göstermektedir. Örneğin hareket eden nesnelerin tahmin edilen geleceği konumları veya arkaplan detayları beyin tarafından ön-doldurulabilmektedir.

Nöral görüntü rekonstruksiyonu alanında bu tür çalışmalar, beyin-bilgisayar arayüzleri, protez cihazlar ve nöral implantların geliştirilmesinde temel bir adımdır. Makine öğrenmesi ve derin öğrenme yöntemleri, nöron aktivitesi ve gözlemlenebilir davranış arasındaki ilişkiyi modellemeye, hatta karmaşık kognitif süreçleri anlamlandırmaya yardımcı olmaktadır. İnsan beyni çok daha karmaşık olsa da, fare modelinde kanıtlanmış bu ilkeler, insan nörobilojisine ve beyin hasar sonrası rehabilitasyonuna ilişkin müdahalelerin tasarımına ışık tutmaktadır. Böyle araştırmalar, nöral dekodlama sınırlarını anlamada ve gelecekte nörolojik hastalıklar için yeni tedavi yolları açmada kritik önem taşımaktadır.

Bu araştırma, nörobiology, yapay zeka ve bilişsel bilim alanlarındaki araştırmacılar için önemli bir katkıdır. Beyin kodlaması ve dekodlaması mekanizmaları hakkındaki derinleşen bilgimiz, gelecekte nöral sinyal işleme teknolojilerinin daha etkili ve doğru hale gelmesini sağlayacaktır. Ayrıca görme engelli bireyler için görsel bilgi sağlayan protezlerin geliştirilmesinde bu tür araştırmaların pratik uygulamaları ortaya çıkması beklenmektedir. Videoda gösterilen bulanık alanlar, beynin kayıt edemediği bilgileri sembolize ederek, nöral dekodlama araştırmalarının özündeki kısıtlılıkları gözler önüne sermektedir.